Интерпретация художественного приёма в тексте лингвистическими нейросетями Алиса YandexGPT 5 Pro, GPT-4o DUM-E, DeepSeek Рико и GigaChat

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.

1. Алиса YandexGPT 5 Pro. URL: https://alice.yandex.ru/ (дата обращения: 25.06.2025).

2. Арутюнова Н. Д. Предложение и его смысл: логико-семантические проблемы: монография. М.: Наука, 1976. 383 с.

3. Грайс Г. П. Логика и речевое общение // Новое в зарубежной лингвистике: Лингвистическая прагматика. 1985. Вып. XVI. С. 217–237.

4. Гальперин И. Р. Текст как объект лингвистического исследования. М.: Едиториал УРСС, 2004. 144 с.

5. Дейк Т. А. ван Кинч В. Стратегии понимания связного текста // Новое в зарубежной лингвистике: Когнитивные аспекты языка. 1988. Вып. XXIII. С. 153–211.

6. Падучева Е. В. Высказывание и его соотнесенность с действительностью (референциальные аспекты семантики местоимений). 4-е изд. М.: Едиториал, 2004. 288 с.

7. Bazin H. Are Large Language Models capable of Gricean conversational implicatures? URL: https://sopha2025.sciencesconf.org/browse/author?authorid=1323099 (дата обращения: 25.06.2025).

8. DeepSeek Рико. URL: https://web.telegram.org/a/#6433748390 (дата обращения: 25.06.2025).

9. Emmy L., Chenxuan C., Kenneth Zh, Graham N. Testing the Ability of Language Models to Interpret Figurative Language. URL: https://arxiv.org/pdf/2204.12632v1 (дата обращения: 07.07.2025).

10. GigaChat. URL: https://web.telegram.org/a/#6218783903 (дата обращения: 25.06.2025).

11. GPT-4o DUM-E. URL: https://web.telegram.org/a/#6010034370 (дата обращения: 25.06.2025).

12. Cultural Evaluation of LLMs in Russian: Catchphrases and Cultural Types / E. Gromenko, D. Kalacheva, K. Klokova, M. Krongauz, O. Moroz, V. Shulginov, T. Yudina. URL: https://dialogue-conf.org/wp-content/uploads/2025/06/GromenkoEetal.029.pdf (дата обращения 25.06.2025).

13. Just-DREAM-about-it: Figurative Language Understanding with DREAM-FLUTE / Y. Gu, Y. Fu, V. Pyatkin, I. Magnusson, B. D. Mishra, P. Clark. URL: https://arxiv.org/pdf/2210.16407 (дата обращения 07.07.2025).

14. The development of a natural language reasoning system for a companion robot / A. A. Kotov, A. A. Filatov, Z. A. Nosovets, N. A. Arinkin. URL: https://dialogue-conf.org/wp-content/uploads/2025/06/KotovAAetal.077.pdf (дата обращения 25.06.2025).

15. Evaluating the Pragmatic Competence of Large Language Models in Detecting Mitigated and Unmitigated Types of Disagreement / V. Shulginov, H. B. Şimşek, S. Kudriashov, S. A. Shevela, R. Randavtsova. URL: https://dialogue-conf.org/wpcontent/uploads/2025/06/ShulginovVetal.037.pdf (дата обращения 25.06.2025).