Semantic adaptation of anglicisms in news texts: а comparative analysis of natural and AI-generated discourse (based on Russian and English)
Kazan Innovative University named after V.G. Timiryasov, Russian Federation.
Email: zulkin66@mail.ru
0000-0003-2413-1024Kazan (Volga Region) Federal University, Russian Federation.
Email: wak-2010@mail.ru
0000-0001-8558-4970Abstract
Background. The active spread of anglicisms in modern languages, combined with the growing use of artificial intelligence in media production, gives rise to a new linguistic reality that calls for a systematic examination of how borrowed words undergo semantic adaptation in texts of different origins. We argue that a comparative analysis of anglicisms in natural and AI-generated news texts can reveal not only quantitative but also qualitative differences in semantic adaptation, which stem from the divergent mechanisms of text generation employed by humans and neural networks.
Purpose – this study aims to identify patterns of semantic adaptation of anglicisms in natural and AI-generated news texts, drawing on Russian and English material.
Materials and methods. The primary method is comparative semantic analysis, supplemented by quantitative indicators used to track the dynamics of anglicism usage. The study draws on a corpus of 40 economic news texts (20 natural, 20 AI-generated). The natural texts were selected from reputable sources (TASS, Finmarket, Vedomosti, BBC, Reuters), while the AI-generated texts were produced using the ChatGPT-4 model, with all texts matched for thematic relevance, style, and length. We employed componential, contextual, and quantitative analysis.
Results. Four types of semantic adaptation were identified: narrowing of meaning, semantic calquing, expansion of meaning, and formulaic use (cliché-dominated patterns). The frequency of anglicisms in AI-generated texts is, on average, 2.1 times higher than in natural texts; moreover, AI-generated texts exhibit a higher degree of clichédness and semantic calquing. These differences are interpreted as resulting from cross-linguistic transfer of English semantic models and from the reliance of neural networks on a limited set of statistically entrenched patterns during text generation. Semantic calquing proved to be the most frequent type of adaptation, suggesting that the neural network directly replicates English semantic models when generating Russian-language texts. Overall, the data indicate that semantic adaptation of anglicisms in AI-generated texts is systemic and deviates from natural discourse across several parameters.
Keywords
anglicisms, semantic adaptation, comparative analysis, news text, artificial intelligence, AI-generated texts, economic vocabulary
Семантическая адаптация англицизмов в новостных текстах: сопоставительный анализ естественного и ИИ-генерированного текста (на материале русского и английского языков)
Казанский инновационный университет имени В.Г. Тимирясова, Российская Федерация.
Email: zulkin66@mail.ru
0000-0003-2413-1024Казанский (Приволжский) федеральный университет, Российская Федерация.
Email: wak-2010@mail.ru
0000-0001-8558-4970Аннотация
Обоснование. Активное проникновение англицизмов в современные языки и массовое внедрение искусственного интеллекта в медиапроизводство создают новую лингвистическую реальность, требующую системного осмысления процессов семантической адаптации заимствований в текстах разного происхождения. Авторы доказывают, что сопоставительный анализ употребления англицизмов в естественных и ИИ-сгенерированных новостных текстах позволяет выявить не только количественные, но и качественные различия в семантической адаптации, обусловленные различиями в механизмах порождения текста человеком и нейросетью.
Цель – выявить закономерности семантической адаптации англицизмов в естественных и ИИ-сгенерированных новостных текстах на материале русского и английского языков.
Материалы и методы. Основной метод исследования – сопоставительный семантический анализ. Количественные показатели использовались как элемент описания динамики изменений в употреблении англицизмов. Исследование базируется на корпусе из 40 новостных текстов экономической тематики (20 естественных и 20 ИИ-сгенерированных), отобранных из авторитетных источников (ТАСС, Финмаркет, Ведомости, BBC, Reuters) и сгенерированных нейросетью ChatGPT-4 по единым критериям тематического соответствия, стиля и объёма. Применялись методы компонентного, контекстуального и количественного анализа.
Результаты. В ходе исследования выявлены четыре типа семантической адаптации англицизмов: сужение значения, семантическая калька, расширение значения и клишированность. Установлено, что в ИИ-текстах частота употребления англицизмов в среднем в 2,1 раза выше, чем в естественных текстах, а также наблюдается более высокая степень клишированности и семантического калькирования. Выявленные различия интерпретируются как следствие межъязыкового переноса англоязычных семантических моделей и ограниченного набора статистически закреплённых паттернов, используемых нейросетями при генерации текстов. Наиболее частотным типом адаптации является семантическая калька, что свидетельствует о прямом копировании нейросетью англоязычных смысловых моделей при генерации русскоязычных текстов. Представленные данные показывают, что семантическая адаптация англицизмов в ИИ-текстах носит системный характер и по ряду параметров расходится с естественным текстом.
Ключевые слова
англицизмы, семантическая адаптация, сопоставительный анализ, новостной текст, искусственный интеллект, ИИ-сгенерированные тексты, экономическая лексика
Список литературы
1. Алюнина, Ю. М. (2019). Блог как источник новейших англицизмов: на материале текстов интернет-дискурса моды. Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация, 17(4), 78–91. https://doi.org/10.25205/1818-7935-2019-17-4-78-91. EDN: https://elibrary.ru/PALPNW.
2. Болдина, К. А. (2024). Риски автоматизации новостной журналистики на основе ИИ. Modern Humanities Success, (3), 7–14. https://doi.org/10.58224/2618-7175-2024-3-7-14. EDN: https://elibrary.ru/TSTNUC.
3. Волкова, А. А., & Смирнова, Е. А. (2024). Языковые особенности в медийных текстах: англицизмы в журнале «Vogue». В Актуальные проблемы современной лингвистики (сс. 28–31). EDN: https://elibrary.ru/SXVVAH.
4. Волкова, Я. А., & Панченко, Н. Н. (2021). Новостной текст: жанровое перевоплощение. Вестник Волгоградского государственного университета. Серия 2, Языкознание, 20(2), 121–132. https://doi.org/10.15688/jvolsu2.2021.2.11. EDN: https://elibrary.ru/IOQXKV.
5. Изюмская, С. С. (2014). Англицизмы в современном российском газетном тексте и коммуникативные тактики автора. Гуманитарные и социальные науки, (2), 559–561. EDN: https://elibrary.ru/QLENCP.
6. Каминченко, Д. И., & Петухов, А. Ю. (2025). Распознавание сгенерированного ИИ политического контента: роль субъективных установок. Вестник РУДН. Серия: Литературоведение. Журналистика, 30(4), 902–915. https://doi.org/10.22363/2312-9220-2025-30-4-902-915. EDN: https://elibrary.ru/TZNFZM.
7. Крысин, Л. П. (2002). О русском языке наших дней. В Изменяющийся языковой мир. http://www.philology.ru/linguistics2/krysin-02.htm.
8. Напреенко, Г. В., & Ковалева, П. К. (2025). Сгенерированный текст в новостном дискурсе: особенности восприятия носителями языка. Гуманитарные науки и образование, 16(1), 152–156. https://doi.org/10.51609/2079-3499_2025_16_01_152. EDN: https://elibrary.ru/WDWLMV.
9. Осетрова, А. В., & Седова, А. В. (2025). Характеристики сгенерированного текста: языковой и социально-коммуникативный анализ. Сибирский филологический форум, (2), 45–55. https://doi.org/10.24412/2587-7844-2025-2-45-55. EDN: https://elibrary.ru/WYGEFZ.
10. Стеценко, Н. М. (2017). Типы лидов новостного медийного текста в контексте факторов новостной ценности. Восточнославянская филология, (5), 1–10. EDN: https://elibrary.ru/YWJMUP.
11. Тельпов, Р. Е., & Ларцина, С. В. (2023). Типовые различия естественных и сгенерированных нейронной сетью текстов в квантитативном аспекте. Научный диалог, 12(7), 47–65. https://doi.org/10.24224/2227-1295-2023-12-7-47-65. EDN: https://elibrary.ru/ZZRRKN.
12. Цехановский, В. В., & Мусин, И. Р. (2024). Применение статистических методов для анализа искусственно-сгенерированных текстов. В Актуальные проблемы современной лингвистики (сс. 1–4). EDN: https://elibrary.ru/BEALHX.
13. Юрова, Е. А. (2025). Искусственный интеллект в медиадискурсе: классификация лингвопрагматических признаков сгенерированного текста. Вестник СВФУ, 22(4), 234–249. https://doi.org/10.25587/2222-5404-2025-22-4-234-249. EDN: https://elibrary.ru/CSUMWM.
14. Материалы корпуса (русскоязычные статьи)
15. ВЭБ.РФ: в России годовая инфляция составит 6–7% в 2025 году. (2025, 9 июля). ТАСС. https://tass.ru/ekonomika/24466845
16. Инфляция в РФ в 2025 году составила 5,59%. (2026, 16 января). Финмаркет. https://www.finmarket.ru/main/article/6544572
17. За счет господдержки бизнес сможет привлечь 800 млрд руб. (2025, 18 декабря). Финмаркет. https://www.finmarket.ru/main/article/6514980
18. Санкции против экономики России перешли в хроническую фазу. (2025, 7 июля). Финмаркет. https://www.finmarket.ru/themes/crimea/?sec=1685&id=6430391
19. Объем интернет-торговли в России увеличился на 28% в 2025 году. (2026, 19 февраля). Ведомости. https://www.vedomosti.ru/business/news/2026/02/19/1177611-obem-internet-torgovli
20. Центробанк оценил дефицит кадров в России. (2026, 27 января). Ведомости. https://www.vedomosti.ru/economics/news/2026/01/27/1172017-defitsit-kadrov
21. Состояние экономики России послужило причиной снижения ключевой ставки. (2025, 14 августа). ЦБ РФ. https://cbr.ru/press/event/?id=19904
22. В каких сферах наиболее заметен эффект импортозамещения. (2025, 9 декабря). Финмаркет. https://www.finmarket.ru/main/article/6525550
23. Аналитики понизили медианный прогноз по ключевой ставке до 19,3% на 2025 год. (2025, 16 июля). Финмаркет. https://www.finmarket.ru/main/article/6410262
24. Минэкономразвития понизило прогноз роста ВВП РФ в 2025 году до 1%. (2025, 17 декабря). ТАСС. https://tass.ru/ekonomika/22884323
25. Materials of the Corpus (English-language articles)
26. Russia’s inflation in 2025 falls to lowest level since 2020 – Central Bank. (2026, January 21). TASS. https://tass.com/economy/1814265
27. Bank of Russia cuts key rate from 20% to 18% per annum. (2025, July 25). TASS. https://tass.com/economy/1881237
28. Online retail market in Russia to reach $187.0 bln by year-end. (2025, November 5). TASS. https://tass.com/economy/1948789
29. FACTBOX: Bank of Russia’s key statements after fifth consecutive key rate cut. (2025, December 19). TASS. https://tass.com/economy/1976543
30. Share of imports in Russia’s chemical industry amounts to 33.5% in 2025 – ministry. (2026, May 19). TASS. https://tass.com/economy/2074861
31. Russia’s online retail sales surge 28 pct in 2025. (2026, February 19). Xinhua. http://english.news.cn/business/20260219/...
32. Russian economy adapts to Western sanctions – AmCham head. (2025, September 15). TASS. https://tass.com/economy/1908765
33. Bank of Russia lowers key rate by 0.5 percentage points to 16.5%. (2025, October 24). TASS. https://tass.com/economy/1934567
34. IMF improves Russia’s GDP growth forecast for 2025. (2025, December 17). TASS. https://tass.com/economy/1972345
35. Russia’s annual inflation eases to 6.43% on January 20–26 – Economy Ministry. (2026, January 28). TASS. https://tass.com/economy/1817654
References
1. Alyunina, Yu. M. (2019). A blog as a source of the newest anglicisms: Based on the texts of fashion internet discourse. Vestnik NSU. Series: Linguistics and Intercultural Communication, 17(4), 78–91. https://doi.org/10.25205/1818-7935-2019-17-4-78-91. EDN: https://elibrary.ru/PALPNW.
2. Boldina, K. A. (2024). Risks of automating AI-based news journalism. Modern Humanities Success, (3), 7–14. https://doi.org/10.58224/2618-7175-2024-3-7-14. EDN: https://elibrary.ru/TSTNUC.
3. Volkova, A. A., & Smirnova, E. A. (2024). Language features in media texts: Anglicisms in Vogue magazine. In Topical Problems of Modern Linguistics (pp. 28–31). EDN: https://elibrary.ru/SXVVAH.
4. Volkova, Ya. A., & Panchenko, N. N. (2021). News text: Genre transformation. Science Journal of Volgograd State University. Series 2, Linguistics, 20(2), 121–132. https://doi.org/10.15688/jvolsu2.2021.2.11. EDN: https://elibrary.ru/IOQXKV.
5. Izyumskaya, S. S. (2014). Anglicisms in the modern Russian newspaper text and the author’s communicative tactics. Humanities and Social Sciences, (2), 559–561. EDN: https://elibrary.ru/QLENCP.
6. Kaminchenko, D. I., & Petukhov, A. Yu. (2025). Recognition of AI-generated political content: The role of subjective attitudes. RUDN Journal of Studies in Literature and Journalism, 30(4), 902–915. https://doi.org/10.22363/2312-9220-2025-30-4-902-915. EDN: https://elibrary.ru/TZNFZM.
7. Krysin, L. P. (2002). On the Russian language of our days. In A Changing Linguistic World. http://www.philology.ru/linguistics2/krysin-02.htm.
8. Napreenko, G. V., & Kovaleva, P. K. (2025). AI-generated text in news discourse: How native speakers perceive it. Humanities and Education, 16(1), 152–156. https://doi.org/10.51609/2079-3499_2025_16_01_152. EDN: https://elibrary.ru/WDWLMV.
9. Osetrova, A. V., & Sedova, A. V. (2025). Characteristics of AI-generated text: A linguistic and socio-communicative analysis. Siberian Philological Forum, (2), 45–55. https://doi.org/10.24412/2587-7844-2025-2-45-55. EDN: https://elibrary.ru/WYGEFZ.
10. Stetsenko, N. M. (2017). Types of leads in news media texts in the context of news value factors. East Slavic Philology, (5), 1–10. EDN: https://elibrary.ru/YWJMUP.
11. Telpov, R. E., & Lartsina, S. V. (2023). Typical differences between natural texts and neural-network-generated texts in quantitative terms. Nauchnyy Dialog, 12(7), 47–65. https://doi.org/10.24224/2227-1295-2023-12-7-47-65. EDN: https://elibrary.ru/ZZRRKN.
12. Tsekhanovsky, V. V., & Musin, I. R. (2024). Applying statistical methods to the analysis of artificially generated texts. In Topical Problems of Modern Linguistics (pp. 1–4). EDN: https://elibrary.ru/BEALHX.
13. Yurova, E. A. (2025). Artificial intelligence in media discourse: A classification of linguopragmatic features of AI-generated text. Vestnik of North-Eastern Federal University, 22(4), 234–249. https://doi.org/10.25587/2222-5404-2025-22-4-234-249. EDN: https://elibrary.ru/CSUMWM.
14. VEB.RF: Russia’s annual inflation will be 6–7% in 2025. (2025, July 9). TASS. https://tass.ru/ekonomika/24466845
15. Inflation in the Russian Federation was 5.59% in 2025. (2026, January 16). Finmarket. https://www.finmarket.ru/main/article/6544572
16. Through government support, businesses will be able to attract 800 billion rubles. (2025, December 18). Finmarket. https://www.finmarket.ru/main/article/6514980
17. Sanctions against the Russian economy have entered a chronic phase. (2025, July 7). Finmarket. https://www.finmarket.ru/themes/crimea/?sec=1685&id=6430391
18. Online retail volume in Russia increased by 28% in 2025. (2026, February 19). Vedomosti. https://www.vedomosti.ru/business/news/2026/02/19/1177611-obem-internet-torgovli
19. The Central Bank assessed the shortage of personnel in Russia. (2026, January 27). Vedomosti. https://www.vedomosti.ru/economics/news/2026/01/27/1172017-defitsit-kadrov
20. The state of the Russian economy led to a reduction in the key rate. (2025, August 14). Bank of Russia. https://cbr.ru/press/event/?id=19904
21. The effect of import substitution is most noticeable in which areas. (2025, December 9). Finmarket. https://www.finmarket.ru/main/article/6525550
22. Analysts lowered the median key rate forecast to 19.3% for 2025. (2025, July 16). Finmarket. https://www.finmarket.ru/main/article/6410262
23. The Ministry of Economic Development lowered the forecast for Russia’s GDP growth in 2025 to 1%. (2025, December 17). TASS. https://tass.ru/ekonomika/22884323
24. Russia’s inflation in 2025 falls to lowest level since 2020 – Central Bank. (2026, January 21). TASS. https://tass.com/economy/1814265
25. Bank of Russia cuts key rate from 20% to 18% per annum. (2025, July 25). TASS. https://tass.com/economy/1881237
26. Online retail market in Russia to reach $187.0 bln by year-end. (2025, November 5). TASS. https://tass.com/economy/1948789
27. FACTBOX: Bank of Russia’s key statements after fifth consecutive key rate cut. (2025, December 19). TASS. https://tass.com/economy/1976543
28. Share of imports in Russia’s chemical industry amounts to 33.5% in 2025 – ministry. (2026, May 19). TASS. https://tass.com/economy/2074861
29. Russia’s online retail sales surge 28 pct in 2025. (2026, February 19). Xinhua. http://english.news.cn/business/20260219/...
30. Russian economy adapts to Western sanctions – AmCham head. (2025, September 15). TASS. https://tass.com/economy/1908765
31. Bank of Russia lowers key rate by 0.5 percentage points to 16.5%. (2025, October 24). TASS. https://tass.com/economy/1934567
32. IMF improves Russia’s GDP growth forecast for 2025. (2025, December 17). TASS. https://tass.com/economy/1972345
33. Russia’s annual inflation eases to 6.43% on January 20–26 – Economy Ministry. (2026, January 28). TASS. https://tass.com/economy/1817654
34. IMF improves Russia’s GDP growth forecast for 2025. (2025, December 17). TASS. https://tass.com/economy/1972345
35. Russia’s annual inflation eases to 6.43% on January 20–26 – Economy Ministry. (2026, January 28). TASS. https://tass.com/economy/1817654