Сергей Викторович Гусаренко - Доктор филологических наук, профессор
д.1, ул. Пушкина, Ставрополь, 355017
Sergey V. Gusarenko - Dr. Sc. (Philology), Professor
1, Pushkina St., Stavropol, 355017
Марина Константиновна Гусаренко - Кандидат филологических наук, доцент
д.1, ул. Пушкина, Ставрополь, 355017
Marina K. Gusarenko - Cand. Sc. (Philology), Associate Professor
1, Pushkina St., Stavropol, 355017
Введение. Цель исследования состояла в изучении способностей нейросетей Алиса YandexGPT 5 Pro, GPT-4o DUM-E, DeepSeek Рико, GigaChat к адекватной интерпретации художественных текстов. Было проведено изучение следующих возможностей этих языковых нейросетей: идентификация в тексте художественного приёма; применение языка метаописания; распознавание и характеристика прецедентных феноменов – исторических персонажей, событий, явлений; распознавание и интерпретация метафоры и гиперболы; интерпретация семантически сложного выражения в контексте.
Материалы и методы. В качестве материала исследования избран фрагмент первой главы романа И. Ильфа и Е. Петрова «Золотой телёнок». В качестве основных использовались метод макроструктурного анализа, метод интерпретационного анализа, процедурно-семантического анализа.
Анализ. В ходе исследования в ответах – интерпретациях нейросетей выделялись рематические элементы, сводились в единую таблицу и подвергались семантическому и сопоставительному анализу, в ходе которого выявлялись как успешные интерпретации, так и отрицательные результаты.
Результаты. Установлено, что изучаемые языковые нейросети способны успешно идентифицировать художественный приём в анализируемом тексте. Так, названные нейросети адекватно интерпретировали обращение авторов к прецедентным именам, при этом они также адекватно определили цели этого обращения: создание контраста, расширение временных рамок повествования. При единообразной идентификации приёма – создание контраста – четыре разные нейросети также единообразно определили противопоставляемые семантические объекты в глубинной семантике текста, при этом по-разному определили репрезентацию этих объектов в поверхностных структурах. Нейросети Алиса YandexGPT 5 Pro и GPT DUM-E идентифицировали гиперболу как художественный приём, причём Алиса только констатировала художественный приём, между тем как нейросеть DUM-E определила его содержание. Также был выявлен ряд дефектов в интерпретации текста нейросетями.
Introduction. The purpose of the research was to study the abilities of the neural networks Alice YandexGPT 5 Pro, GPT-4o DUM-E, DeepSeek Rico, GigaChat to adequately interpret literary texts. The following possibilities of these linguistic neural networks were studied: identification of a stylistic device in the text; application of the language of meta-description; recognition and characterization of precedent phenomena – historical characters, events, phenomena; recognition and interpretation of metaphor and hyperbole; interpretation of semantically complex expressions in context.
Materials and methods. A fragment of the first chapter of the novel The Golden Calf by I. Ilf and E. Petrov was chosen as the research material. The method of macrostructural analysis, the method of interpretative analysis, and procedural-semantic analysis were used as the main ones.
Analysis. In the course of the study, rhematic elements were identified in the responses-interpretations of neural networks, summarized in a single table and subjected to semantic and comparative analysis, which revealed both successful interpretations and negative results.
Results. It is shown that the studied language neural networks als and methods. A fragment of the first chapter of the novel The Golden Calf by I. Ilf and E. Petrov was chosen as the research material. The method of macrostructural analysis, the method of interpretative analysis, and procedural-semantic analysis were used as the main ones. Analysis. In the course of the study, rhematic elements were identified in the responses-interpretations of neural networks, summarized in a single table and subjected to semantic and comparative analysis, which revealed both successful interpretations and negative results. Results. It is shown that the studied language neural networks.
The authors declare that there are no conflicts of interest present.