Сергей Викторович Гусаренко - Доктор филологических наук, профессор
д.1, ул. Пушкина, Ставрополь, 355017, Российская Федерация
Sergey V. Gusarenko - Dr. Sc. (Philology), Professor
1, Pushkina St., 355017 Stavropol, Russian Federation
Марина Константиновна Гусаренко - Кандидат филологических наук, доцент
д.1, ул. Пушкина, Ставрополь, 355017, Российская Федерация
Marina K. Gusarenko - Cand. Sc. (Philology), Associate Professor
1, Pushkina St., 355017 Stavropol, Russian Federation
Введение. Цель статьи состоит в определении и сопоставлении лингвистических характеристик коротких русскоязычных текстов разных жанров, сгенерированных в языковых нейросетях GigaChat, ChatGPT Марти и Яндекс Алиса. Актуальность исследования состоит в том, что изучение лингвистических характеристик сгенерированных текстов позволило сделать выводы о таких характеристиках названных языковых нейросетей, как способность к построению микротестов по заданным в промпте семантическим параметрам, способность избирать контекстуально релевантные значения слов в тематическом наборе дефиниций, способность к построению текста критической интерпретации высказывания. Материалы и методы. В качестве материала исследования избраны порожденные названными выше нейросетями языковые выражения и короткие тексты разной функциональной принадлежности – от предложения и семантической дефиниции слова до текста-обоснования собственного ответа нейросети. В качестве основных использовались метод макроструктурного анализа, метод лексико-семантического анализа, метод грамматического анализа, метод стилистического анализа, метод семантико-прагматического анализа. Анализ. Исследование проводилось по следующему плану: 1) анализ сгенерированных дефиниций слов и предложений, построенных нейросетями из этих дефиниций, 2) анализ сгенерированных контекстуальных дефиниций, 3) анализ сгенерированных коротких текстов на предмет их функционально-семантической адекватности.Результаты. Работа с тематически связанными дефинициями, сгенерированными названными нейросетями, позволила установить, что данные языковые модели в состоянии согласовывать определения слов с контекстом, не являющимся собственно текстом, то есть могут без специального задания в промте, но исходя из перечня слов в нём, определять тему и давать дефиниции по этой теме. В ходе изучения способности языковых нейросетей давать оценку категориальной и референциальной достоверности высказываний установлено, что все три нейросети оказались в состоянии дать правильные мотивированные ответы, за одним исключением, когда нейросеть указала нехватку информации. В ходе изучения текстов, сгенерированных названными языковыми нейросетями, были выявлены пять основных типов нарушений (дефектов) в них, которые могут квалифицироваться как типичные для этих нейросетей: 1) нарушения логико-семантических связей в тексте, выполнение ложных семантических операций; 2) нарушения бытийных прагматических пресуппозиций (знания о мире, о свойствах предметов); 3) нарушения коммуникативно-прагматических правил речевого поведения; 4) грамматические отклонения в управлении и согласовании; 5) макроструктурные нарушения.
Introduction. The purpose of the article is to determine and compare the linguistic characteristics of short Russian-language texts of different genres generated in the language neural networks GigaChat, ChatGPT Marty and Yandex Alice. The relevance of the study is that the study of the linguistic characteristics of the generated texts allowed us to draw conclusions about such characteristics of the named language neural networks as the ability to build microtests based on the semantic parameters specified in the prompt, the ability to select contextually relevant meanings of words in a thematic set of definitions and the ability to build a text of critical interpretation of the statement.Materials and Methods. The material for the study was linguistic expressions and short texts of different functional affiliation generated by the above-mentioned neural networks – from a sentence and a semantic definition of a word to a text produced by the neural network itself. The following methods were used as the main ones: macrostructural analysis, lexical-semantic analysis, grammatical analysis, stylistic analysis and semanticpragmatic analysis.Analysis. The study was conducted according to the following plan: 1) analysis of generated definitions of words and sentences constructed by neural networks from these definitions, 2) analysis of generated contextual definitions, 3) analysis of generated texts for their functional-semantic adequacy. Results. Working with thematically related definitions generated by the above-mentioned neural networks made it possible to establish that these language models are able to coordinate definitions of words with a context that is not the text itself, that is, they can, without a special assignment in the prompt, but based on the list of words in it, determine the topic and give definitions on this topic. In the course of studying the ability of language neural networks to assess the categorical and referential reliability of statements, it was found that all three neural networks were able to give correct motivated answers, with one exception, when the neural network indicated a lack of information. In the course of studying the texts generated by the named language neural networks, five main types of violations (defects) were identified in them, which can be qualified as typical for these neural networks: 1) violations of logical-semantic connections in the text, the implementation of false semantic operations; 2) violations of existential pragmatic presuppositions (knowledge about the world, about the properties of objects); 3) violations of communicativepragmatic rules of speech behavior; 4) grammatical deviations; 5) macrostructural violations.
The authors declare that there are no conflicts of interest present.