кандидат филологических наук, доцент кафедры иностранных языков
Candidate of Philological Sciences (PhD in Philology), Associate Professor of the Department of Foreign Languages
кандидат филологических наук, доцент кафедры контрастивной лингвистики
Candidate of Philological Sciences (PhD in Philology), Associate Professor of the Department of Contrastive Linguistics
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.
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.