izvestswsuИзвестия Юго-Западного государственного университетаProceedings of the Southwest State University2223-15602686-6757ЮЗГУ10.21869/2223-1560-2023-27-4-98-116izvestswsu-1205Research ArticleИнформатика, вычислительная техника и управлениеComputer science, computer engineering and IT managmentК вопросу о моделировании процесса понимания текста с помощью систем искусственного интеллектаOn Text Understanding Modeling by Means of Artificial Intelligence Systemshttps://orcid.org/0000-0001-5714-146XКружилинаТ. В.KruzhilinaT. V.

Кружилина Татьяна Владиславовна, кандидат филологических наук, доцент, доцент кафедры иностранных языков

ул. 50 лет Октября, д. 94, г. Курск 305040

Researcher ID: 738898  

Tatiana V. Kruzhilina, Cand. of Sci. (Phylologic), Associate Professor, Associate Professor of the Foreign Languages Department

50 Let Oktyabrya str. 94, Kursk 305040

Researcher ID: 738898

t.kruzhilina@yandex.ruЮго-Западный государственный университетSouthwest State University20230103202427498116Copyright © Кружилина Т.В., 20242024Кружилина Т.В.Kruzhilina T.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestswsu.elpub.ru/jour/article/view/1205

Целью исследования является проведение сопоставительного анализа текстов, сгенерированных системой искусственного интеллекта в процессе обработки исходного текста на естественном языке, и встречных текстов, являющихся  результатом понимания человеком исходного художественного текста.

Методы

Методы. Для проведения сопоставительного анализа денотатных структур встречных текстов автором  была применена экспериментальная методика. Участники эксперимента (7 студентов 4 курса факультета дополнительного образования «Переводчик в сфере профкоммуникации», 3 доцента кафедры иностранных языков ЮЗГУ) оценивали 10 встречных текстов разной природы – сгенерированные ИИ и человеком на предмет успешности воссоздания смысловой структуры текста.  

Результаты эксперимента свидетельствуют в пользу того, что полнота смыслового содержания сгенерированного текста не зависит от структуры исходного текста. Современные методы семантической обработки текста ИИ системой делают возможным получение на выходе полноценных текстовых произведений, созданных с учётом правил и норм естественного языка. ИИ системы успешно воссоздают денотатную структуру текста и реконструируют синтаксическую структуру.

Заключение

Заключение. Доступ к большим базам данных позволяет обучать нейронную сеть на больших корпусах текстов, что отражается на повышении точности и вариативности используемых лексических единиц и конструктов. Точность передачи смыслового содержания текста варьируется. Она зависит от степени сжатия текста – чем она выше, тем меньше может быть точность, т.к. нейронная сеть не в состоянии классифицировать денотатные связи на предмет значимости для основного смысла. Степень точности передачи смыслового содержания определяется успешностью / неуспешностью понимания глубинного скрытого смысла, которые обусловлены пониманием лингвистического и экстралингвистического контекста. Способность опознать модель ситуации, воссоздаваемую в исходном тексте, является залогом понимания скрытого смысла. ИИ система может довольно корректно и точно воссоздать поверхностную денотатную структуру текста, но на данном этапе развития не способна конструировать модель ситуации.

Purpose of reseach is to conduct a comparative analysis of texts generated by an artificial intelligence system in the process of processing source text in natural language and counter texts that are the result of human understanding of the source literary text. 

Methods

Methods. To achieve the goal and objectives of the study, the author used an experimental technique to conduct a comparative analysis of the denotational structures of counter texts. Participants in the experiment (7 4th year students of the Faculty of Additional Education “Translator in the field of professional communications”, 3 associate professors of the Department of Foreign Languages of South- West State University) assessed the success of recreating the semantic structure of the text of 10 counter texts of different nature - generated by AI and humans. 

Results

Results. The results of the experiment indicate that the completeness of the semantic content of the generated text does not depend on the structure of the source text. Modern methods of semantic text processing by an AI system make it possible to obtain the output of full-fledged text works created taking into account the rules and norms of natural language.

AI systems successfully recreate the denotational structure of the text and reconstruct the syntactic structure. 

Conclusion

Conclusion. Access to large databases allows you to train a neural network on large text corpora, which results in an increase in the accuracy and variability of the lexical units and constructs used. The accuracy of conveying the semantic content of the text varies. It depends on the degree of text compression - the higher it is, the less accuracy can be, because the neural network is unable to classify denotational connections for relevance to the underlying meaning. The degree of accuracy in conveying semantic content is determined by the success / failure of understanding the deep hidden meaning, which is determined by the understanding of the linguistic and extralinguistic context. The ability to recognize the situation model recreated in the source text is the key to understanding the hidden meaning. The AI system can recreate the surface denotational structure of the text quite correctly and accurately, but is not able to construct a model of the situation at this stage of development.

когнитивное моделированиепсихолингвистиканейронная сетьобработка естественного языкапонимание текставстречный текстcognitive modelingpsycholinguisticsneural networknatural language processingunderstanding of the textcounter textReferencesГорбачевская Е.Н., Краснов С.С. История развития нейронных сетей. URL: http://cyberleninka.ru/article/n/istoriya-razvitiya-neyronnyh-setey.Gorbachevskaya E.N., Krasnov S.S. Istoriya razvitiya nejronnyh setej [History of Neural Networks Development] [Elektronnyj resurs]. Available at: http://cyberleninka.ru/article/n/istoriya-razvitiya-neyronnyh-setey.Mikolov T. et. al. Efficient Estimation of Word Representations in Vector Space, arxiv.org. URL: http://arxiv.org/pdf/1301.3781.pdf.Mikolov T. et. al. Efficient Estimation of Word Representations in Vector Space, arxiv.org. URL: http://arxiv.org/pdf/1301.3781.pdf (data obrashcheniya: 24.01.2024).Бобырь М. В. Обучение нейро-нечетких систем. М.: АРГАМАК-МЕДИА, 2017. 240 с.Bobyr' M. V. Obuchenie nejro-nechetkih sistem [Training of Neuro-Fuzzy Systems]. Moscow, ARGAMAK-MEDIA, 2017. 240 p.Велихов П.Е. Машинное обучение для понимания естественного языка // Открытые Системы.СУБД. 2016. № 1. С.18–21. URL: https://www.osp.ru/os/2016/01/13048649.Velihov P.E. Mashinnoe obuchenie dlya ponimaniya estestvennogo yazyka [Machine Learning for Natural Language Understanding]. Otkrytye Sistemy.SUBD, 2016, no. 1, pp.18– 21. Available at: https://www.osp.ru/os/2016/01/13048649.Ананьев Б.Г. Психология чувственного познания. М.: Изд-во Акад. пед. наук РСФСР, 1960. 486 сAnan'ev B.G. Psihologiya chuvstvennogo poznaniya [Psychology of sensual cognition]. Moscow, 1960. 486 p.Блонский П.П. Память и мышление. М.: URSS: ЛЕНАНД, 2017. 204 с.Blonskij P.P. Pamyat' i myshlenie [Memory and cognition]. Moscow, URSS: LENAND Publ., 2017. 204 p.Бородай С. Ю. Язык и познание: Введение в пострелятивизм. М., 2019. 800 с.Borodaj S. Yu. Yazyk i poznanie: Vvedenie v postrelyativizm [Language and cognition: Introduction to postrelativism]. Moscow, 2019. 800 p.Выготский Л. С. Мышление и речь. СПб.: Питер, 2019. 431 с.Vygotskij L. S. Myshlenie i rech' [Cognition and speech]. Saint Petersburg: Piter Publ., 2019. 431 p.Залевская А.А. Введение в психолингвистику. М.: РГГУ, 2007. 559 с.Zalevskaya A.A. Vvedenie v psiholingvistiku [Introduction to Psycholinguistics]. Moscow, RGGU Publ., 2007. 559 p.Соколов А. Н. Внутренняя речь и мышление. М.: URSS, 2007. 248 с.Sokolov A. N. Vnutrennyaya rech' i myshlenie [Inner speech and cognition]. Moscow, URSS Publ., 2007. 248 p.Мягкова Е.Ю. Навык чтения и проблемы понимания текста // Языковое бытие человека и этноса. Вып. 20. Материалы XV Березинских чтений. М.: ИНИОН РАН, 2018. С. 83–95.Myagkova E.YU. Navyk chteniya i problemy ponimaniya teksta [Reading skill and text understanding]. Yazykovoe bytie cheloveka i etnosa. Vyp. 20. Materialy XV Berezinskih chtenij. = The linguistic existence of a person and an ethnic group. Issue 20. Materials of the XV Berezinsky readings. Moscow, INION RAN Publ., 2018, pp. 83–95.Мягкова Е. Ю. Язык - эмоции - сознание - культура в теории А. Дамасио // Вопросы психолингвистики. 2022. № 4(54). С. 72-85. DOI 10.30982/2077-5911-2022-54-4-72-85.Myagkova E. Yu. Yazyk - emocii - soznanie - kul'tura v teorii A. Damasio [Language-emotion-recognition-culture in the theory of A. Damasio]. Voprosy psiholingvistiki=Questions of Psycholinguistics, 2022, no. 4(54), pp. 72-85. DOI 10.30982/2077-59112022-54-4-72-85.Кружилина Т.В. Понимание текста в онтогенезе. Курск: Юго-Западный государственный университет, 2016. 152 с.Kruzhilina T.V. Ponimanie teksta v ontogeneze [Text Understanding in Ontogenesis]. Kursk, Yugo-Zapadnyj gosudarstvennyj universitet Publ., 2016. 152 p.Кружилина Т. В. Факторы, определяющие особенности речевого развития у детей // Известия Юго-Западного государственного университета. 2012. № 4–1(43). С. 216–219.Kruzhilina T. V. Faktory, opredelyayushchie osobennosti rechevogo razvitiya u detej [Factors that Determine the Characteristics of Speech Development in Children]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University, 2012, no. 4–1(43), pp. 216–219.Белянин В.П. Психолингвистика. М.: Флинта, 2013. 416 с.Belyanin V.P. Psiholingvistika [Psycholinguistics]. Moscow, Flinta Publ., 2013. 416 p.Manning Ch. Computational linguistics and deep learning. Computational Linguistics, 2016. URL: http://www.mitpressjournals.org/doi/full/10.1162/COLI_a_00239#.WQH8MBhh2qA.Manning Ch. Computational linguistics and deep learning. Computational Linguistics, 2016. Available at: http://www.mitpressjournals.org/doi/full/10.1162/COLI_a_00239#.WQH8MBhh2qAИш- Кишор С. Свидание с любовью. URL: http://sacralis.com/biblioteka/proza/2605svidanie_s_lubovju.html?ysclid=ls0tcuhl7u170031708.Ish-Kishor S. Svidanie s lyubov'yu [Appointment with Love]. Available at: http://sacralis.com/biblioteka/proza/2605-svidanie_s_lubovju.html?ysclid=ls0tcuhl7u170031708Новиков А.И. Семантика текста и ее формализация. М.: Наука, 1983. 215 сNovikov N.A. Semantika teksta i ee formalizaciya [Text Semantics and its Formalization]. Moscow, Nauka Publ., 1983. 215 p.Жинкин Н.И. О кодовых переходах во внутренней речи. М.: Культура, Акад. Проект, 2006. С. 251– 263.ZHinkin N.I. O kodovyh perekhodah vo vnutrennej rechi [About code transitions in internal speech]. Moscow, Kul'tura Publ., Akad. Proekt, 2006, pp. 251– 263.Звягинцева В.В. Обращение в английском семейном дискурсе (экспериментальное исследование) // Известия Юго-Западного государственного университета. Серия: Лингвистика и педагогика. 2012. № 2. С. 48–51.Zvyaginceva V.V. Obrashchenie v anglijskom semejnom diskurse (eksperimental'noe issledovanie) [Address in English family discourse (experimental study)]. Izvestiya YugoZapadnogo gosudarstvennogo universiteta. Seriya: Lingvistika i pedagogika = Proceedings of the Southwest State University. Series: Linguistics and Pedagogics, 2012, no. 2, pp. 48–51.

The authors declare that there are no conflicts of interest present.