Моделирование лингвокреативных стратегий в генеративных языковых системах:трансформация интенциональных девиаций в дискурсивные паттерны

Цель. Настоящее исследование направлено на выявление механизмов обработки интенциональных языковых девиаций большими языковыми моделями (LLM) и анализ их лингво-креативных стратегий в цифровом дискурсе. Цель работы заключается в разработке теоретической модели, объясняющей когнитивные алгоритмы распознавания и трансформации девиаций в системах искусственного интеллекта.
Процедура и методы. В качестве методологической базы использован комплексный подход, включающий корпусный анализ диахронического среза цифрового дискурса (2019–2024 гг.), экспериментальные промпты с контролируемыми девиациями для моделей GPT-4, Gemini 1.5 и Claude 3, а также дискурс-анализ речевых актов ИИ с применением трёхуровневой шкалы аннотирования (репликация/амплификация/нормализация).
Результаты исследования подтвердили гипотезу о статистической природе лингвокреативности LLM, выявив трёхступенчатую модель обработки девиаций: распознавание через механизмы внимания, классификация по степени отклонения от нормы, стратегический выбор ответной реакции. Установлен парадокс «креативного конформизма», проявляющийся в тенденции ИИ к гипернормализации изначально маргинальных языковых инноваций. Особый практический интерес представляют документированные эффекты циркуляции ИИ-генерированных неологизмов в социальных медиа и формирования «искусственного языкового вкуса».
Теоретическая значимость работы заключается в развитии аппарата когнитивной лингвистики цифрового дискурса и уточнении онтологии интенциональных девиаций. Практическая ценность связана с приложениями в области разработки NLP-систем, цифровой лингводидактики и прогнозирования языковых изменений. Полученные данные открывают перспективы для дальнейшего изучения культурно-специфичных девиаций в многоязычных моделях и разработки метрик оценки лингвокреативного потенциала ИИ. 

1. Dürscheid C. Grammatische und lexikalische Strukturen digital geschriebener Sprache // Handbuch Sprache und digitale Kommunikation / eds. J. Androutsopoulos, F. Vogel. Berllin – Boston: De Gruyter, 2024. P. 157–175. DOI: 10.1515/9783110744163-008.

2. The language of social media: Identity and community on the Internet / eds. P. Seargeant, C. Tagg. New York: Palgrave Macmillan, 2014. 272 p.

3. Zappavigna M., Logi L. Emoji and social media paralanguage. Cambridge: Cambridge University Press, 2024. 296 p.

4. Handbuch Sprache und digitale Kommunikation / eds. J. Androutsopoulos, F. Vogel. Berllin – Boston: De Gruyter, 2024. 588 p.

5. Tagliamonte S. A. Teen talk: The language of adolescents. Cambridge: Cambridge University Press, 2016. 298 p.

6. McCulloch G. Because internet: Understanding the new rules of language. New York: Riverhead Books, 2019. 336 p.

7. Thurlow C. Digital Discourse: Locating Language in New/Social Media // The SAGE Handbook of Social Media / eds. J. Burgess, T. Poell, A. Marwick. New York: Sage, 2018. P. 135–145. DOI: 10.4135/9781473984066.n8.

8. On the dangers of stochastic parrots: Can language models be too big? / E. M. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell // FAccT’ 21: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. New York: Association for Computing Machinery, 2021. P. 610–623. DOI: 10.1145/3442188.3445922.

9. On the opportunities and risks of foundation models // R. Bommasani, D. A. Hudson, E. Adeli, R. Altman, S. Arora, S. von Arx, M. S. Bernstein et al. [Электронный ресурс] // ArXiv : [сайт]. URL: https://arxiv.org/abs/2108.07258 (дата обращения: 07.03.2025). DOI: 10.48550/arXiv.2108.07258.

10. BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin, M.- W. Chang, K. Lee, K. Toutanova // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Vol. 1 (Long and Short Papers). Minneapolis, Minnesota: Association for Computational Linguistics, 2019. P. 4171–4186. DOI: 10.18653/v1/N19-1423.

11. Bender E. M., Koller A. Climbing towards NLU: On meaning, form, and understanding in the age of data // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Minneapolis, Minnesota: Association for Computational Linguistics, 2020. P. 5185–5198. DOI: 10.18653/v1/2020.acl-main.463.

12. Marcus G. Deep Learning: A Critical Appraisal [Электронный ресурс] // ArXiv : [сайт]. URL: https://arxiv.org/abs/1801.00631 (дата обращения: 07.03.2025). DOI: 10.48550/arXiv.1801.00631.

13. Revealing the dark secrets of BERT / O. Kovaleva, A. Romanov, A. Rogers, A. Rumshisky // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Hong Kong, China. Association for Computational Linguistics, 2019. P. 4365–4374.

14. Acharjee S., Aich U., Ali A. Does Language Model Understand Language? [Электронный ресурс] // ArXiv : [сайт]. URL: https://arxiv.org/abs/2509.12459 (дата обращения: 03.03.2025).

15. Van Hout T. Book review: Jannis Androutsopoulos (ed.). Mediatization and Sociolinguistic Change (Linguae & Litterae 36) // Journal of Sociolinguistics. 2015. Vol. 19. Iss. 5. P. 714–718. DOI: 10.1111/josl.12163.