|
Лицензионное соглашение об использовании научных материалов.
|
|
|
Сравнительное экспериментальное исследование интерпретации окказиональных фразеологических единиц нейросетевыми моделями на материале русско- и англоязычного медиадискурсов
|
Хакимуллина Диана Фаридовна
Казанский федеральный университет
Демираг Диана Няилевна
Казанский федеральный университет
|
|
Дата поступления рукописи в редакцию:
11 сентября 2026
г.
|
|
Аннотация.
Представленная статья посвящена проблеме галлюцинаций больших языковых моделей (LLM) при работе с комплексными языковыми единицами – окказиональными фразеологизмами. Несмотря на большую распространенность нейросетей в лингвистическом поле, их ответы нередко демонстрируют семантическую несостоятельность, при этом оставаясь убедительными «внешне». Этот феномен именуется галлюцинацией искусственного интеллекта (ИИ). Целью исследования является разработка типологии галлюцинаций ИИ при интерпретации окказиональных фразеологических единиц в русско- и англоязычном медиадискурсах. Научная новизна исследования состоит в том, что в работе впервые на русском и английском материале разработана и эмпирически обоснована классификация галлюцинаций, специфичная для окказиональных фразеологических единиц. Полученные результаты показали, что русский язык представляет для LLM значительно большую сложность, чем английский (средняя точность 56% против 68%), а типология галлюцинаций имеет ярко выраженную кросс-языковую специфику: на английском материале доминирует буквализация (40%), на русском − ошибка прототипизации (35%) и культурная псевдокомпетенция (25%). Предложенная типология может быть использована при разработке тестовых наборов для оценки LLM и в практике преподавания лингвистических дисциплин.
|
Ключевые слова и фразы:
галлюцинации ИИ
окказиональные фразеологические единицы
большие языковые модели
медиадискурс
фразеологическая трансформация
AI hallucinations
occasional phraseological units
large language models
media discourse
phraseological transformation
|
|
Открыть
полный текст статьи в формате PDF. Бесплатный просмотрщик PDF-файлов можно скачать здесь.
|
|
Список литературы:
- Айсин Т. Р., Шамардина Т. В. Детекция галлюцинаций на основе внутренних состояний больших языковых моделей // Электронные библиотеки. 2025. Т. 28. Вып. 6. https://doi.org/10.26907/1562-5419-2025-28-6-1282-1305
- Батурова Н. И. Окказиональный фразеологизм как языковое явление // Известия Тульского государственного университета. Гуманитарные науки. 2013. № 2.
- Кружилина Т. В. К вопросу о моделировании процесса понимания текста с помощью систем искусственного интеллекта // Известия Юго-Западного государственного университета. 2023. Т. 27. № 4. https://doi.org/10.21869/2223-1560-2023-27-4-98-116
- Петрова С. И. Окказиональные фразеологизмы в немецкой художественной речи (структурно-семантическая и смысловая характеристики): дисс. ... к. филол. н. М., 1984.
- Семушина Е. Ю., Валеева Э. Э. Особенности образования окказиональной расширенной фразеологической метафоры (на материале английского и русского языков) // Филологические науки. Вопросы теории и практики. 2025. № 3. https://doi.org/10.30853/phil20250123
- Третьякова И. Ю. Окказиональные фразеологизмы и контекст // Ярославский педагогический вестник. 2011. № 2.
- Шалак В. И. Избавление от иллюзий ИИ на примере ChatGPT // Technology and Language. 2024. № 5 (2). https://doi.org/10.48417/technolang.2024.02.03
- Шевченко А. А. «Галлюцинации» ИИ как новая форма эпистемической ошибки // Respublica Literaria. 2025. Т. 6. № 4. https://doi.org/10.47850/RL.2025.6.4.93-98
- Barassi V. Toward a Theory of AI Errors: Making Sense of Hallucinations, Catastrophic Failures, and the Fallacy of Generative AI // Harvard Data Science Review. 2024. Special Issue 5.
- 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 (ACL), 2020.
- Bottazzi G. E., Ferrario R. The Bewitching AI: The Illusion of Communication with Large Language Models // Philosophy & Technology. 2025. Vol. 38. Iss. 2 (61). https://doi.org/10.1007/s13347-025-00893-6
- Ji Z., Lee N., Frieske R., Yu T., Su D., Xu Y., Ishii E., Bang Y. J., Madotto A., Fung P. Survey of Hallucination in Natural Language Generation // ACM Computing Surveys. 2023. Vol. 55. No. 12. https://doi.org/10.1145/3571730
- Krakauer D. C., Krakauer J. W., Mitchell M. Large Language Models and Emergence: A Complex Systems Perspective // arXiv preprint. 2025. https://doi.org/10.48550/arXiv.2506.11135
- Liu H., Xue W., Chen Y., Chen D., Zhao X., Wang K., Hou L., Li R., Peng W. A Survey on Hallucination in Large Vision-Language Models // arXiv preprint. 2024. https://doi.org/10.20944/preprints202510.0540.v1
- Rawte V., Chakraborty S., Pathak A., Sarkar A., Tonmoy S. M. T. I., Chadha A., Sheth A., Das A. The Troubling Emergence of Hallucination in Large Language Models − An Extensive Definition, Quantification, and Prescriptive Remediations // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2023. https://doi.org/10.18653/v1/2023.emnlp-main.155
- Rawte V., Sheth A., Das A. A Survey of Hallucination in Large Foundation Models // arXiv preprint. 2023. https://doi.org/10.48550/arXiv.2309.05922
- Sun Y., Sheng D., Zhou Z., Yifei W. AI Hallucination: Towards a Comprehensive Classification of Distorted Information in Artificial Intelligence-Generated Content // Humanities and Social Sciences Communications. 2024. Vol. 11. Article 1278. https://doi.org/10.1057/s41599-024-03811-x
- Wang A., Singh A., Michael J., Hill F., Levy O., Bowman S. GLUE: A multi-task benchmark and analysis platform for natural language understanding // Proc. of the 2018 EMNLP Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP, 2018. https://doi.org/10.18653/v1/W18-5446
|
|
