The Algorithmic Turn in Internet Discourse

Full Text

Введение

Компьютерно-опосредованная коммуникация (КОК) на протяжении последних трех десятилетий остается одной из магистральных тем лингвистических исследований. От ранних работ по анализу чатов и форумов до современных исследований социальных сетей дискурс-анализ успешно описывал специфику виртуального общения, опираясь на такие категории, как гибридность устной и письменной речи, гипертекстуальность, анонимность и игровая природа коммуникации [1; 2]. Классические модели КОК строились вокруг идеи о том, что компьютер является нейтральным каналом (медиумом) передачи сообщения между людьми, а единственным агентом, продуцирующим смыслы, остается человек.

Однако публичный запуск больших языковых моделей (Large Language Models, LLM), таких как GPT-4 и его аналоги, в 2022–2023 гг. ознаменовал собой наступление качественно новой эры. Генеративный искусственный интеллект (ГИИ) перестал быть инструментом пассивной обработки данных и превратился в активного соучастника коммуникации. Пользователи не просто общаются через компьютер, но все чаще вступают в диалог с алгоритмом или используют его для продуцирования контента, который затем циркулирует в человеческой среде. Возникает ситуация, которую уместно обозначить  термином «алгоритмическая опосредованность» (algorithmic mediation):  алгоритм выступает не просто посредником, а соавтором или даже генератором сообщения, что радикально меняет структуру коммуникативного акта.

Как справедливо отмечает Т.А. Литвинова с соавторами, наступление эры LLM требует переосмысления самого понятия «письмо» как вида  деятельности [3], а мы можем добавить, что также переосмысливается понятие «текст». Лингвистическая теория сегодня сталкивается с вызовом, для которого в классическом инструментарии пока нет адекватного ответа: как описывать дискурс, в котором авторство текстов распределено между человеком и машиной; как квалифицировать речевой акт, где интенция и ее реализация разделены между биологическим и алгоритмическим интеллектом.

Осмысление указанных процессов происходит в рамках формирующейся междисциплинарной области — цифровой антрополингвистики, которая  исследует фундаментальные изменения, вносимые цифровой средой в понимание языка, культуры и их неразрывной связи.

Традиционная антрополингвистика фокусировалась на языке в его культурном контексте, изучая, как речь-действие формирует социальные  отношения, ритуалы и мировоззрение в рамках конкретного сообщества. Ее методологической базой было полевое исследование — включенное наблюдение за речевыми практиками территориально-локализованных групп.  Однако цифровая эпоха создала принципиально новую среду бытования языка — гибридное коммуникативное пространство, стирающее границы между офлайн и онлайн, локальным и глобальным, устным и письменным. Это требует пересмотра базовых категорий дисциплины [Морозова, 2023].

Переход от классической антрополингвистики к цифровой знаменует собой смену парадигмы по нескольким ключевым направлениям:

1. Трансформация сообщества. Классическая антрополингвистика работала с территориально-локализованными сообществами, чьи языковые практики были неразрывно связаны с физическим местом, общими ритуалами и прямым («живым») межличностным взаимодействием («речевой общиной»). Цифровая антрополингвистика изучает сетевые сообщества (digital tribes), собранные вокруг общих интересов, практик или аффектов, а не их географического расположения. Их связывает не общая территория, а общая платформа, хештег или игровая вселенная. Членство в таком сообществе  добровольно, перформативно и часто множественно.
2. Трансформация метода. Классический полевой этнографический метод — включенное наблюдение — трансформируется в нетнографию (netnography). Полем становится цифровая среда (форум, чат, социальная сеть, игровой мир). Исследователь должен осваивать роль «цифрового аборигена», что подразумевает понимание специфического жаргона, мемов, норм поведения сообщества, разработку этики работы с цифровым следом и работу с Большими данными (Big Data), используя методы корпусной лингвистики.
3. Трансформация единицы анализа. Единицей анализа становится поликодовый, полимодальный дискурс. Сообщение создается одновременной работой вербального кода (текст), визуального кода (эмодзи, мем, гифка, аватар) и технического кода (гиперссылка, хештег, функция репоста, алгоритмическая подача). Наблюдается поликодирование текста — интеграция вербального и невербального кодов в единое семиотическое целое. Эмодзи  становятся визуальным диалектом, интернациональным языком эмоций и действий. Мемы функционируют как культурные единицы, требующие от реципиента специфической культурной компетенции для декодирования.
4. Появление нового актора. В классической модели взаимодействие было горизонтальным: человек — человек в рамках культурного контекста. В цифровую эпоху появляется новый, нечеловеческий актор, опосредующий и формирующий это взаимодействие — алгоритм. Алгоритм выступает как цензор и модератор, определяя приемлемость высказываний и устанавливая новую цифровую норму. Алгоритм как куратор контента (рекомендательные системы) формирует «лингвокультурный пузырь» пользователя, активно влияя на его языковой выбор и культурный кругозор. Наконец, алгоритм как генератор языка через большие языковые модели создает тексты, которые участвуют в коммуникации наравне с человеческими, стирая границы между «естественной» и «искусственной» речью.

Появление алгоритма как активного участника коммуникации ставит  перед теорией дискурса проблему агентности (agency). В классической коммуникативной схеме Р. Якобсона «адресант — сообщение — адресат» адресант всегда мыслился как человек — носитель интенции, эмоций и культурного контекста. В случае с генеративным ИИ возникает феномен, который мы предлагаем обозначить как гибридная агентность.

Гибридная агентность характеризуется распределением интенциональности и ответственности за высказывание между человеком и алгоритмом. Человек задает цель, формулирует запрос (промпт), оценивает результат и осуществляет финальную редактуру. Алгоритм обеспечивает лингвистическую реализацию цели, оперируя статистическими паттернами, извлеченными из гигантских корпусов человеческой речи. Результат такого сотрудничества не может быть однозначно приписан ни одному из участников. Это коррелирует с концепцией гибридного авторства, разрабатываемой в западной лингвистике и литературоведении, где атрибуция текста становится сложной многослойной задачей [4; 5].

Ближайшей аналогией в доцифровую эпоху могло бы быть редактирование или соавторство, но эти модели предполагают, что все соавторы являются людьми и действуют в рамках единого культурного кода. Алгоритм же действует на основе иного — статистического, а не культурного — кода, что порождает феномен алгоритмической интертекстуальности: текст генерируется как статистически вероятностная комбинация элементов обучающей  выборки, а не как осмысленная интертекстуальная отсылка.

Анализ научных публикаций западных и российских авторов последних лет позволяет выделить несколько устойчивых направлений в осмыслении роли ИИ в коммуникации.

Технологическое направление фокусируется на инженерных аспектах разработки и оптимизации LLM, а также на методах промпт-инжиниринга как способа «настройки» модели под конкретные задачи [6; 7]. Лингвистический анализ здесь вторичен и служит преимущественно прикладным целям  повышения эффективности генерации.

Социальное направление исследует области применения генеративного ИИ: в образовании, медицине, журналистике, бизнесе. Работы этого  направления фиксируют новые практики, но редко углубляются в лингвистическую природу порождаемых текстов.

Антропологическое направление рассматривает влияние ИИ на человека, его идентичность и когнитивные способности. Именно в этом русле возникают вопросы о трансформации языковой личности, о новых формах  грамотности (AI literacy) и об этических аспектах делегирования речи алгоритмам [3].

Несмотря на растущий корпус исследований, сохраняется ряд существенных лакун: отсутствует комплексное лингвистическое описание дискурсивных практик, опосредованных генеративным ИИ, с опорой на репрезентативные корпусные данные; не разработана теоретическая модель, которая  включала бы «алгоритмическую опосредованность» как системообразующий параметр дискурса; не введены понятия для описания гибридных (человеко-машинных) речевых актов.

В этой связи целью данной статьи является выявление и систематизация фундаментальных трансформаций интернет-дискурса, вызванных интеграцией генеративных нейросетей, а также будет предложена теоретическая рамка для их анализа в контексте цифровой антрополингвистики.

Для достижения поставленной цели нами были решены следующие  задачи:

1. cформированы контрастные корпуса, репрезентирующие три типа коммуникации: человеческую (до эры массового ИИ), директивную (промпты) и алгоритмическую (тексты, сгенерированные ИИ);
2. gроведен количественный (корпусный) анализ лексических и синтаксических особенностей каждого типа дискурса;
3. выявлены качественные (дискурсивные) характеристики промпт- инженерии как нового речевого жанра;
4. описан феномен гибридного авторства и предложены способы его концептуализации;
5. введены параметр степень алгоритмической опосредованности (Degree of Algorithmic Mediation, DAM) и понятие гибридного дискурсивного акта.

Научная новизна исследования заключается в следующем: впервые предлагается комплексное сопоставление трех типов дискурса (человек — человек, человек — алгоритм, алгоритм — человек) на единой корпусной основе; вводится и операционализируется понятие алгоритмической интертекстуальности, описывающее специфику порождения текста LLM; разрабатывается  таксономия коммуникативных стратегий в жанре промпта; предлагается  расширение модели интернет-дискурса за счет параметра алгоритмической опосредованности.

Теоретическая значимость работы состоит в развитии категориального аппарата цифровой лингвистики и антрополингвистики в рамках цифровой гуманитаристики. Введение понятий «гибридная агентность», «алгоритмический дискурс» и «гибридный дискурсивный акт» позволяет более точно описывать современную коммуникативную реальность, выходя за рамки антропоцентрической парадигмы.

Практическая значимость связана с возможностью применения результатов в разработке методик лингвистической экспертизы для атрибуции  авторства, в преподавании курсов по цифровой грамотности (digital literacy), а также в оптимизации взаимодействия человека с генеративными нейросетями (промпт-инжиниринг).

Данное исследование призвано внести вклад в понимание того, как цифровая среда и алгоритмы меняют природу человеческого общения, культурной передачи и языковой идентичности. Цифровая антрополингвистика  становится не просто новым направлением, а необходимостью, поскольку цифровая среда превратилась в основную среду бытования языка для миллиардов людей.

Материалы и методы исследования

В данном разделе представлено детальное описание эмпирической базы исследования, принципов формирования корпусов, а также методов количественного и качественного анализа, примененных для верификации выдвинутых теоретических положений. Методологический дизайн работы строится на сочетании традиций корпусной лингвистики, критического дискурс- анализа и нетнографического подхода, что позволяет обеспечить как статистическую надежность выводов, так и глубину интерпретации выявленных феноменов.

Принципы формирования корпусов. Для решения поставленных исследовательских задач был разработан дизайн контрастивного корпусного исследования, предполагающий сопоставление трех типов дискурса, различающихся по параметру участия человека и алгоритма в порождении текста.  Основным критерием отбора материалов являлась возможность однозначной атрибуции источника текста (человек / алгоритм) и хронологическая привязка к периоду до и после массового распространения генеративных нейросетей.

При формировании корпуса учитывался принципиальный хронологический рубеж — конец 2022 г., когда произошел публичный запуск ChatGPT и начало массового внедрения больших языковых моделей в повседневную коммуникативную практику. Корпус человеческого общения (H2H)  формировался из текстов, созданных до 2021 г. включительно, чтобы минимизировать возможное влияние ИИ-генераций на человеческую речь.  Корпуса промптов (H2A) и ИИ-генераций (A2H) собирались из материалов 2023–2025 гг.

Материалы собраны на двух языках — русском и английском — в пропорции примерно 60% к 40% соответственно. Двуязычный состав корпусов позволяет верифицировать универсальность выявленных закономерностей и отделить языковые особенности от общих дискурсивных тенденций, связанных с алгоритмической опосредованностью.

При сборе материалов соблюдались принципы исследовательской этики: использовались только публично доступные тексты, все персональные данные были анонимизированы, идентификаторы пользователей удалены.  Для корпуса промптов использовались материалы из открытых репозиториев, где пользователи добровольно публикуют свои диалоги с ИИ в исследовательских целях.

Структура и объем корпусов. Итоговый объем сформированных материалов составил 1 545 070 словоупотреблений (токенов). Распределение по корпусам представлено в табл. 1.

Таблица 1. Структура и объем корпусов исследования
Table 1. Structure and Volume of the Research Corpora 

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

Корпус H2H (Human-to-Human). Корпус человеческого общения составлен из текстов, созданных в период 2015–2021 гг. Источниками послужили: открытые форумы и дискуссионные платформы (Reddit, Pikabu, специализированные форумы по различной тематике); посты и комментарии в блогах (LiveJournal, WordPress); публично доступные фрагменты личной переписки (из корпусов разговорной речи); тексты электронных писем (с согласия участников и в анонимизированной форме).

Критерии отбора: текст должен быть создан человеком, предназначен для восприятия другим человеком, не содержать признаков автоматической генерации. В корпус не включались тексты, прошедшие интенсивную автоматическую обработку (например, автоматически сгенерированные новости на сайтах информагентств).

Корпус H2A (Human-to-AI). Корпус промптов составлен из запросов пользователей к генеративным нейросетям, преимущественно к ChatGPT (версии 3.5 и 4). Источниками послужили: открытые репозитории диалогов ShareGPT и PromptBase (с согласия пользователей); публикации промптов в тематических сообществах (Reddit r / ChatGPT, Telegram-каналы по промпт-инжинирингу); собственный сбор материалов через краудсорсинг (участники добровольно предоставляли логи своих диалогов с ИИ в анонимизированной форме). В корпус включались как однократные запросы, так и многошаговые диалоговые цепочки, что позволяет анализировать итеративные стратегии взаимодействия.

Корпус A2H (AI-to-Human). Корпус текстов, сгенерированных искусственным интеллектом, составлен из ответов нейросетей на запросы пользователей, а также из текстов, опубликованных как созданные ИИ. Источниками послужили: ответы ChatGPT, сопряженные с запросами из корпуса H2A (для анализа диалогового взаимодействия); статьи и посты, явно маркированные авторами как «сгенерировано ИИ№ (в блогах, социальных сетях); тексты из специализированных датасетов ИИ-генераций, используемых для обучения детекторов ИИ-текста. В корпус включались только тексты, в отношении которых имеется достоверная информация об их алгоритмическом происхождении (метаданные, явные указания авторов, техническая документация).

Методы анализа. Исследование реализовано в рамках междисциплинарного подхода (mixed-methods design), сочетающего количественные методы корпусной лингвистики и качественные методы дискурсивного анализа.

Корпусно-статистические методы. Для обработки корпусных данных использовалось программное обеспечение AntConc (версия 4.2.0) и специализированные скрипты на языке Python (библиотеки NLTK, pandas, scipy).  Применялись следующие методы:

Частотный анализ. Подсчет абсолютных и относительных частот словоформ и лемм в каждом корпусе с последующим сопоставлением. Частотность нормализована на 1 миллион словоупотреблений для обеспечения сопоставимости корпусов разного объема.

Анализ ключевых слов. Выявление лексических единиц, статистически значимо отличающихся по частоте употребления в одном корпусе по сравнению с другим. В качестве меры ключевости использовался показатель Log-likelihood (LL) с порогом статистической значимости p < 0.01 (LL > 6.63). Сравнение проводилось попарно: H2A против H2H, A2H против H2H, A2H против H2A.

Анализ коллокаций. Выявление статистически значимых сочетаний слов для ключевых терминов. Использовался метод Mutual Information  (MI-score) с порогом MI > 3 для отбора значимых коллокатов. Диапазон  контекста — ±4 слова от узлового слова.

Лексическое разнообразие. Расчет коэффициента тип-токен  (Type-Token Ratio, TTR) для каждого корпуса. Для нивелирования влияния объема корпуса использовался стандартизированный показатель STTR (среднее TTR для сегментов по 1000 слов).

Синтаксический анализ. Автоматическое определение типов предложений (простые, сложносочиненные, сложноподчиненные) с использованием синтаксических парсеров (spaCy для английского языка, Stanza для русского). Подсчет средней длины предложения и распределения синтаксических  конструкций.

Дискурсивный анализ. Для интерпретации количественных данных и выявления глубинных дискурсивных характеристик применялись методы качественного анализа: критический дискурс-анализ (КДА) в традициях Н. Фэркло и Р. Водак анализ фокусировался на выявлении: способов репрезентации участников коммуникации (человека, алгоритма); конструирования социальных отношений и идентичностей в тексте; идеологических импликаций выбора тех или иных языковых средств.

Жанровый анализ. Классификация промптов по коммуникативным стратегиям с выделением устойчивых типов и моделей. Анализ структурно-композиционных особенностей промпта как нового речевого жанра.

Анализ диалоговых структур. Исследование итеративных взаимодействий в цепочках «человек — ИИ — человек» с выделением паттернов гибридного авторства и редактуры.

Нетнографический подход. В соответствии с парадигмой цифровой антрополингвистики часть анализа реализована в рамках нетнографического подхода, предполагающего: погружение в цифровые сообщества пользователей ИИ (тематические форумы, чаты, группы) для понимания контекста и норм коммуникации; анализ метадискурса пользователей о взаимодействии с ИИ (обсуждения эффективных промптов, стратегий «общения» с алгоритмом); учет культурного контекста цифровых платформ как среды бытования изучаемых дискурсивных практик.

Процедура анализа. Исследование проводилось в несколько этапов.

Этап 1. Формирование корпусов (январь–март 2025 г.). Сбор, очистка, анонимизация и первичная обработка текстовых материалов. Токенизация, лемматизация, снятие омонимии.

Этап 2. Количественный анализ (апрель–июнь 2025 г.). Проведение частотного анализа, выявление ключевых слов, анализ коллокаций, подсчет лексического разнообразия и синтаксических характеристик. Статистическая обработка результатов.

Этап 3. Качественный анализ (июль–сентябрь 2025 г.). Интерпретация количественных данных, дискурсивный анализ репрезентативных примеров, типологизация стратегий промптинга, выделение гибридных дискурсивных актов.

Этап 4. Синтез результатов и теоретическое обобщение (октябрь–ноябрь 2025 г.). Построение теоретической модели, введение параметра алгоритмической опосредованности, формулировка выводов.

Ограничения исследования. При интерпретации результатов необходимо учитывать следующие ограничения.

1. Репрезентативность корпусов. Несмотря на значительный объем, корпуса не могут считаться полностью репрезентативными для всех типов интернет-коммуникации. Корпус промптов смещен в сторону англоязычных и русскоязычных пользователей, имеющих доступ к технологиям и готовых делиться логами диалогов.
2. Динамичность объекта. Генеративные нейросети быстро развиваются, и тексты, сгенерированные GPT 3.5, могут отличаться от текстов более новых версий. Исследование фиксирует состояние на 2023–2025 гг.
3. Проблема атрибуции. В корпус H2H могли попасть тексты, уже испытавшие влияние ИИ (например, прошедшие автоматическую проверку грамматики). Однако хронологические рамки (до 2021 г.) минимизируют этот риск, поскольку массовые ИИ-генерации отсутствовали.
4. Языковая специфика. Выявленные закономерности могут частично различаться для русского и английского языков, что требует дополнительного сравнительного анализа, выходящего за рамки данной статьи.

Воспроизводимость исследования. Для обеспечения возможности верификации результатов сторонними исследователями.

1. Методика формирования корпусов документирована и может быть воспроизведена.
2. Использованные программные инструменты являются общедоступными.
3. Статистические методы соответствуют стандартам корпусной лингвистики.
4. Примеры в аналитической части приводятся с сохранением орфографии и пунктуации оригиналов (с необходимой анонимизацией).

Результаты и анализ

Проведенный комплексный анализ трех контрастных корпусов (H2H, H2A, A2H) позволил выявить статистически значимые различия на лексическом, синтаксическом и дискурсивном уровнях. Учитывая двуязычный состав корпусов (русский и английский языки в соотношении 60:40), все количественные показатели рассчитывались отдельно для каждого языка с последующим сопоставлением для выявления универсальных закономерностей алгоритмического дискурса и специфичных особенностей языка. В данном разделе мы последовательно представляем результаты количественного корпусного анализа, подкрепленные качественной интерпретацией в рамках критического дискурс-анализа.

Лексико-статистический анализ корпусов. Первым этапом анализа стало вычисление базовых статистических параметров, характеризующих лексическое разнообразие и синтаксическую сложность текстов в каждом корпусе. Для обеспечения сопоставимости данных показатели рассчитывались отдельно для русскоязычной и англоязычной частей корпусов (табл. 2).

 Таблица 2. Общие статистические характеристики корпусов  (с распределением по языкам)  
Table 2. General Statistical Characteristics of Corpora (distributed by language) 

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

Примечание: для русскоязычных текстов использовался адаптированный индекс удобочитаемости (формула Оборневой), для англоязычных — стандартный индекс Flesch-Kincaid. Прямое сопоставление абсолютных значений между языками некорректно, однако динамика изменений внутри каждого языка показательна.

Интерпретация результатов. Лексическое разнообразие (Type-Token Ratio, TTR). Наиболее высокий показатель TTR демонстрирует корпус H2H  в обоих языках (русский: 0.137, английский: 0.128), что отражает естественное разнообразие человеческой речи, богатство идиолектов и стилистическую вариативность. Несколько более высокий показатель в русскоязычной части может объясняться более развитой системой словоизменения и словообразования в русском языке, а также большей частотностью дискурсивных слов, увеличивающих лексическое разнообразие.

Корпус A2H демонстрирует наиболее низкий TTR в обоих языках  (русский: 0.084, английский: 0.082), что в среднем на 37,6 % ниже, чем в человеческом общении. Это является прямым количественным подтверждением тезиса о стилистической гомогенизации алгоритмического дискурса. Примечательно, что снижение лексического разнообразия практически  одинаково для обоих языков (русский: снижение на 38,7 %, английский: снижение на 35,9%), что указывает на универсальный характер данного феномена, определяемый архитектурой языковых моделей, а не спецификой конкретного языка.

Корпус промптов (H2A) также показывает сниженное лексическое разнообразие (русский: 0.089, английский: 0.088), что объясняется функциональной ограниченностью жанра: пользователи используют ограниченный набор клишированных конструкций для запросов (напиши/write, объясни/explain, сделай/make, переведи/translate).

Средняя длина предложения. В обоих языках наблюдается идентичная закономерность: промпты (H2A) характеризуются минимальной длиной предложения (русский: 8,9 слов, английский: 10,8 слов). Это соответствует коммуникативной стратегии «экономии усилий» в директивных жанрах. Бóльшая длина английских промптов может объясняться аналитическим строем английского языка, требующим большего количества служебных слов для выражения тех же смыслов.

Тексты A2H демонстрируют максимальную длину предложения в обоих языках (русский: 17,3 слова, английский: 20,4 слова), значительно превышающую средние показатели человеческой речи. Анализ показывает, что ИИ  тяготеет к развернутым, синтаксически сложным конструкциям с придаточными предложениями, причастными и деепричастными оборотами (в русском) и герундиальными конструкциями (в английском), что создает эффект «академичности» даже в бытовых контекстах.

Индекс удобочитаемости. В обоих языках тексты A2H оказались наиболее сложными для восприятия (русский: 38.4, английский: 46.8 по соответствующим шкалам, где более низкие значения указывают на большую  сложность). Парадоксальным образом, будучи призванным упрощать коммуникацию, генеративный ИИ в своем «базовом» режиме продуцирует тексты, требующие более высокой читательской компетенции, чем средняя человеческая речь. Промпты же максимально просты и доступны (русский: 68.2,  английский: 72.5).

Частотный анализ и анализ ключевых слов. Для выявления содержательных доминант каждого корпуса был проведен анализ частотности и ключевых слов с использованием меры Log-likelihood (порог значимости p < 0.01,  LL > 6.63). Ввиду значительных различий в грамматическом строе русского и английского языков ключевые слова анализировались отдельно для каждого языка с последующим сопоставлением функционально-семантических классов (табл. 3, 4).

 Таблица 3. Топ-10 ключевых слов (с положительной ключевостью)  для каждого корпуса (русскоязычная часть)  
Table 3. Top 10 Keywords (with Positive Keyword Density)  for Each Corpora (Russian-language part) 

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

Таблица 4. Топ-10 ключевых слов (с положительной ключевостью)  для каждого корпуса (англоязычная часть)
Table 4. Top 10 Keywords (with Positive Keyword Activity) for Each Corpora (English part) 

 Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

 Сопоставительный анализ ключевых слов. Корпус H2H в обоих языках насыщен дискурсивными маркерами устной речи (ну/like, вот/just, типа/basically, короче/anyway), формами обращения (ребята/guys,  слушай/hey) и эмоционально-оценочной лексикой (жесть/awesome,  нормально/literally в функции интенсификатора). Это подтверждает гибридную природу интернет-коммуникации, совмещающей черты письменной и устной речи, а также высокую степень экспрессивности и межличностной ориентированности.

Межъязыковые различия минимальны и касаются преимущественно грамматического оформления: в русском языке высока частотность частиц (ну, вот), выполняющих функции хезитации и акцентирования; в английском — высока частотность дискурсивного маркера like и интенсификатора literally, отражающих специфику разговорной речи.

Корпус H2A в обоих языках демонстрирует доминирование глаголов в императиве (напиши/write, сделай/create, помоги/help, объясни/explain, переведи/translate), что однозначно характеризует жанр промпта как директивный. Высокая частотность слов кратко/briefly, подробно/detailed,  формат/format, список/list, пример/example указывает на параметрический характер запроса: пользователь не просто задает тему, а уточняет жанровые и структурные параметры ожидаемого ответа.

Сопоставление языков показывает, что англоязычные промпты несколько чаще используют вежливые формы (косвенные вопросы с could you, would you), однако в корпусном анализе ключевых слов они не попадают в топ-10, уступая прямым императивам. Русскоязычные промпты тяготеют  к использованию инфинитивных конструкций (написать, сделать) наряду с императивом.

Корпус A2H в обоих языках ключевые слова представлены клишированными вводными конструкциями (важно отметить/it is important to note,  следует учитывать/it should be noted), маркерами логической связности  (таким образом/thus, с одной стороны/on the one hand) и абстрактной лексикой книжного регистра (репрезентативный/representative, релевантный/relevant, дискурсивный/discursive). Это формирует эффект научности или официальности, который становится маркером алгоритмической нормы.

Примечательно, что русскоязычные ИИ-тексты демонстрируют бóльшую склонность к безличным и пассивным конструкциям (следует учитывать, важно отметить), в то время как англоязычные чаще используют конструкции с формальным подлежащим it. Это соответствует грамматическим нормам языков, но в ИИ-генерациях данные конструкции гипертрофированно частотны.

Анализ коллокаций: семантические поля. Для углубленного анализа было проведено исследование коллокаций (статистически значимых соседей  с MI > 3) для ключевых понятий в обоих языках.

Семантическое поле ЧЕЛОВЕК / HUMAN

В корпусе H2H лексемы, обозначающие человека, сочетаются с глаголами, обозначающими эмоциональное состояние и повседневные действия:

Русский: я + чувствую, думаю, пошел, сделал

Английский: I + feel, think, went, did

В корпусе A2H наблюдается принципиально иная картина. Лексема  человек/human взаимодействует с абстрактными существительными и глаголами состояния:

Русский: человек + фактор, роль, деятельность, является, представляет собой

Английский: human + factor, role, activity, is, represents

Человек в алгоритмическом дискурсе предстает не как конкретный индивид с эмоциями и действиями, а как абстрактная категория, объект классификации и теоретизирования. Это свидетельствует о деантропоморфизации дискурса: даже когда речь идет о человеке, алгоритм описывает его в терминах абстрактных сущностей.

Семантическое поле КОММУНИКАЦИЯ / COMMUNICATION

В корпусе H2A глаголы говорения/письма демонстрируют специфическое распределение:

Русский: сказать практически отсутствует (частотность 0.3 на млн), его замещают написать (45.2 на млн), сгенерировать (12.8 на млн), выдать (8.3 на млн)

Английский: say имеет низкую частотность (1.2 на млн), доминируют write (52.3 на млн), generate (15.7 на млн), produce (10.2 на млн)

Это указывает на восприятие ИИ не как собеседника, а как инструмента продуцирования текста. Коммуникация с алгоритмом концептуализируется не как диалог (обмен репликами), а как техническая операция по производству контента.

В корпусе A2H глагол общаться/communicate встречается в сочетании с лексемами:

Русский: эффективно, продуктивно, в рамках, в контексте

Английский: effectively, productively, within, in the context of

Это отражает инструментальный и нормативный подход к коммуникации, характерный для алгоритмических систем: общение рассматривается как деятельность, подлежащая оптимизации и оценке по критериям эффективности.

Дискурсивный анализ промптов (H2A)

Качественный дискурсивный анализ корпуса промптов позволил выделить устойчивые коммуникативные стратегии пользователей, которые демонстрируют сходные паттерны в обоих языках.

Типология стратегий промптинга:

1. Стратегия делегирования (48 % выборки, равномерно распределена между языками). Пользователь передает ИИ полную ответственность за создание текста, формулируя максимально общий запрос.

(1) Напиши сочинение на тему «Осень». (рус.)

(2) Write an essay on «Autumn». (англ.)

Характеризуется минимальной параметризацией, высокой степенью неопределенности. Пользователь ожидает, что ИИ самостоятельно решает все жанрово-стилистические вопросы.

2. Стратегия параметризации (35 % выборки). Пользователь задает четкие параметры будущего текста: объем, стиль, целевую аудиторию, тональность.

(3)   Напиши пост для Instagram[1] о новом кафе. Длина — до 1000 знаков с пробелами. Тон — дружелюбный, молодежный. Используй  3–5 эмодзи. Добавь призыв к действию в конце. (рус.)

(4)   Write an Instagram^* post about a new cafe. Max 1000 characters with spaces. Tone: friendly, youthful. Use 3–5 emojis. Add a call to action at the end. (англ.)

Эта стратегия наиболее интересна с лингвистической точки зрения, так как она требует от пользователя развития метаязыковой рефлексии: он должен эксплицировать те жанровые и стилистические нормы, которые  в человеческой коммуникации усваиваются имплицитно. Примечательно, что англоязычные пользователи несколько чаще специфицируют тональность и аудиторию, в то время как русскоязычные — объем и формат.

3. Стратегия итеративного уточнения (17% выборки). Многошаговый диалог, где пользователь последовательно корректирует результат.

(5)   Пользователь: Напиши письмо с отказом от вакансии. (рус.)

(6)   ИИ: [генерирует текст]

(7)   Пользователь: Слишком формально. Сделай мягче, добавь благодарность за уделенное время и упомяни, что мне предложили другую позицию. (рус.)

(8)   Пользователь: Write a job rejection letter. (англ.)

(9)   ИИ: [генерирует текст]

(10) Пользователь: Too formal. Make it softer, add thanks for their time and mention I got another offer. (англ.)

Эта стратегия моделирует ситуацию редактуры и соавторства, приближаясь к тому, что мы называем гибридным дискурсивным актом. В англоязычной части корпуса итеративные уточнения встречаются несколько чаще (19 % против 16 % в русской), что может быть связано с более ранним и массовым распространением ChatGPT в англоязычной среде.

Анализ гомогенизации стиля в корпусе A2H. Для верификации тезиса о стилистической гомогенизации был проведен сравнительный анализ вариативности синтаксических конструкций в русскоязычной и англоязычной  частях корпуса (табл. 5).

Таблица 5. Вариативность синтаксических конструкций (с распределением по языкам)
Table 5. Variability of Syntactic Constructions (with distribution by languages) 

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

Анализ синтаксической вариативности. Корпус A2H демонстрирует значительно более низкое разнообразие синтаксических паттернов в обоих языках (снижение на 46,1 % в русском и на 44,5 % в английском). Это подтверждает универсальный характер синтаксической гомогенизации как свойства алгоритмического дискурса (табл. 6).

Таблица 6. Наиболее частотные синтаксические паттерны в корпусе A2H
Table 6. The Most Frequent Syntactic Patterns in the A2H Corpora

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

При этом наблюдается устойчивое смещение в сторону сложноподчиненных конструкций с придаточными определительными и изъяснительными.  В русскоязычной части A2H доля сложноподчиненных предложений  возрастает с 33 до 47 % (прирост 42 %), в англоязычной — с 37 до 47 %  (прирост 27 %). Меньший прирост в английском объясняется исходно более высокой долей сложных предложений в человеческой английской речи,  связанной с грамматическим строем языка.

Качественный анализ показывает, что ответы ИИ на различные стимулы (от бытовых до научных) демонстрируют удивительное стилистическое единообразие. Разница между «разговорным» и «официальным» режимами часто сводится к замене нескольких лексем при сохранении общей синтаксической матрицы. Например, в обоих языках ИИ устойчиво воспроизводит паттерн «вводная конструкция + тезис + аргументация + вывод» независимо  от запрашиваемого жанра.

Сопоставительный анализ гибридных дискурсивных актов в русском и английском языках. На пересечении корпусов H2A и A2H (полные диалоговые цепочки) нами были выделены случаи, квалифицируемые как гибридные дискурсивные акты. Сопоставительный анализ русскоязычных и англоязычных примеров позволяет выявить как универсальные характеристики феномена, так и культурно-языковые особенности.

Критерии выделения гибридного дискурсивного акта: 1) наличие минимум двух итераций взаимодействия «человек-ИИ»; 2) наличие следов редактуры человеческого текста ИИ или следов адаптации ИИ-текста человеком; 3) неоднозначность атрибуции финального высказывания; 4) интеграция результата в человеческую коммуникацию.

Пример 1 (русскоязычный, адаптировано из корпуса):

(11)    Пользователь: Напиши тост на юбилей начальнику. Он строгий, любит точность, работает в IT.

(12)    ИИ: «Дорогой Иван Иванович! В этот знаменательный день хочется пожелать вам четкости кода и ясности мысли, стабильности в работе и радости в жизни. Пусть ваш код всегда компилируется без ошибок, а баги обходят стороной!»

(13)    Пользователь: Слишком пафосно. Перепиши короче, добавь шутку про дедлайны, но чтобы не обидно.

(14)    ИИ: «Иван Иванович! Желаю, чтобы в жизни, как и в коде, всё было без багов, дедлайны горели только от счастья, а аптайм был 99.9%. С юбилеем!»

(15)    Пользователь (в мессенджере коллегам): Завтра тостую, готовьтесь. Накидал тут с ChatGPT, но вроде норм.

Пример 2 (англоязычный, адаптировано из корпуса):

(16)    User: Write a best man speech for my brother’s wedding. Funny but not offensive, 3 minutes.

(17)    AI: “Good evening everyone! For those who don’t know me, I’m [Name], the lucky guy who got to be the best man. I’ve known the groom for 25 years, which means I have 25 years of embarrassing stories — but don’t worry, I’ll only share the ones that won’t get me uninvited from Christmas dinner...”

(18)    User: Too long. Cut to 2 minutes, add a story about when we were kids.

(19)    AI: [сокращенная версия с добавлением истории]

(20)    User (posting on Reddit): Here’s my speech. Used ChatGPT for the structure, but added personal stories. Thoughts?

Таблица 7. Сопоставительный анализ гибридных дискурсивных актов
Table 7. Comparative Analysis of Hybrid Discursive Acts 

Источник: исследование Н.А. Ахреновой.
Source: compiled by Natalia A. Akhrenova.

Интерпретация. В обоих языках гибридные дискурсивные акты демонстрируют сходную структуру: человеческая инициация (промпт) → машинная генерация → человеческая редактура (часто многошаговая) → презентация результата как (квази-)собственного в человеческой коммуникации.  Различия касаются преимущественно дискурсивных маркеров, сопровождающих презентацию: англоязычные пользователи более склонны открыто  признавать использование ИИ (used AI, AI-generated), в то время как русскоязычные чаще используют эвфемизмы (накидал, поправил), минимизирующие роль алгоритма.

Финальный продукт (тост, речь, письмо) является результатом гибридной интенциональности: цель, тема и финальная редактура принадлежат  человеку, базовая структура и значительная часть лексического наполнения сгенерированы ИИ. Атрибуция авторства такого высказывания в рамках классической теории невозможна, что подтверждает необходимость введения  понятия гибридного дискурсивного акта как новой единицы анализа цифровой коммуникации.

Обобщение результатов анализа. Проведенный многоуровневый сопоставительный анализ русскоязычной и англоязычной частей корпусов позволяет сделать следующие обобщающие выводы.

1. Количественно подтверждена гипотеза о гомогенизации: корпус A2H демонстрирует снижение лексического разнообразия в среднем на 37,6 % (русский: 38,7 %, английский: 35,9 %) и синтаксического разнообразия на 45,3 % (русский: 46,1 %, английский: 44,5 %) по сравнению с корпусом H2H. Близость показателей в обоих языках свидетельствует об универсальном характере данного феномена, определяемом архитектурой языковых моделей.
2. Выявлена специфика жанра промпта: корпус H2A в обоих языках характеризуется высокочастотными императивными конструкциями и метаязыковыми маркерами параметризации, что позволяет квалифицировать промпт как новый речевой жанр — директивно-эксплораторный. Межъязыковые различия минимальны и касаются преимущественно грамматического оформления императива.
3. Обнаружен феномен алгоритмической нормы: тексты A2H в обоих языках устойчиво воспроизводят клишированные конструкции книжного регистра и абстрактную лексику, формируя новый тип дискурсивной практики. Русскоязычные ИИ-тексты демонстрируют бóльшую склонность к безличным конструкциям, англоязычные — к конструкциям с формальным подлежащим.
4. Зафиксированы гибридные дискурсивные акты: в диалогах человек-ИИ выделены коммуникативные единицы, авторство которых не может быть однозначно приписано ни человеку, ни машине. В англоязычной части корпуса частота ГДА несколько выше (15,8% против 12,3%), что может объясняться более длительной историей взаимодействия с технологией.
5. Установлена универсальность ключевых трансформаций: несмотря на типологические различия русского и английского языков, основные тенденции — гомогенизация, параметризация промптов, алгоритмическая норма, гибридное авторство — проявляются в обоих языках сходным образом, что позволяет говорить об общецивилизационном характере описываемых процессов.

Обсуждение результатов

Полученные в ходе эмпирического анализа результаты требуют содержательной интерпретации в контексте современных теоретических дискуссий о природе цифровой коммуникации.

Наше исследование подтверждает тезис о гомогенизации алгоритмического дискурса, что согласуется с наблюдениями Т.А. Литвиновой [3] о «сглаживании» идиостиля в текстах, созданных при участии ИИ. Однако наши данные заставляют усомниться в оптимистичных прогнозах о том, что ИИ может выступать инструментом стилистического обогащения речи. Напротив,  «базовый» режим генерации тяготеет к усредненности. В терминах, предложенных С. Херринг [3], можно говорить о том, что фактор технологической опосредованности (technological mediation) в случае с LLM перерастает в фактор «алгоритмической детерминации», жестко задающий стилистические параметры высказывания.

Выделенная стратегия параметризации промптов коррелирует с выводами исследователей промпт-инжиниринга [6; 9], которые подчеркивают необходимость экспликации «неявного знания» для эффективного взаимодействия с ИИ. С лингвистической точки зрения это означает, что жанр промпта требует от пользователя уникальной метакоммуникативной  компетенции — способности вербализовывать то, что в человеческом общении передается через контекст и интонацию. Это принципиально отличает его от традиционных директивных речевых жанров.

Проблема агентности и концепция гибридного автора. Введение нами понятия «гибридный дискурсивный акт» развивает идеи западных коллег о «гибридном авторстве» [4; 5]. Наш вклад заключается в операционализации этого понятия через конкретные критерии (наличие итераций, следы редактуры, неоднозначность атрибуции) и выявлении его языковых маркеров. Зафиксированное в нашем корпусе различие в степени открытости признания использования ИИ (прямое признание в английском и эвфемизмы в русском) указывает не только на языковые, но и на культурные различия в восприятии статуса алгоритма как соавтора.

Цифровая антрополингвистика и трансформация языковой личности. Наконец, наши данные подтверждают тезис о необходимости смены парадигмы, развитый в рамках цифровой антрополингвистики. Появление нового актора (алгоритма) и новой единицы анализа (гибридного дискурсивного акта) означает, что мы больше не можем изучать языковую личность изолированно. Формируется «расширенная языковая личность», чья речевая  деятельность неразрывно связана с алгоритмическими инструментами, что требует пересмотра методологических подходов к исследованию дискурса в XXI в. Традиционное понимание интернет-дискурса как гибридного образования, сочетающего черты устной и письменной речи в условиях компьютерно-опосредованной коммуникации [11], сохраняя свою эвристическую ценность, более не отражает всей полноты и сложности изучаемого  феномена.

Заключение

Проведенное исследование, выполненное на материале трех контрастных корпусов общим объемом 1,5 млн словоупотреблений на русском  и английском языках, позволяет сделать ряд теоретически и эмпирически  значимых выводов, подтверждающих тезис об алгоритмическом повороте в интернет-дискурсе.

Так, количественный анализ доказал, что тексты, генерируемые большими языковыми моделями (корпус A2H), демонстрируют статистически значимое снижение лексического (на 37,6 %) и синтаксического (на 45,3 %) разнообразия по сравнению с естественной человеческой коммуникацией (корпус H2H). Близость показателей для русского и английского языков свидетельствует об универсальном характере данного феномена, обусловленного архитектурой LLM, которые продуцируют текст на основе усредненных статистических паттернов.

Корпус запросов к ИИ (H2A) позволил выделить и описать директивно-эксплораторный жанр промпта. Его ключевыми характеристиками являются высокая частотность императивных конструкций, параметризация запроса (объем, стиль, тональность) и метаязыковая рефлексия пользователя, вынужденного эксплицировать имплицитные нормы коммуникации. Выделенная типология стратегий (делегирование, параметризация, итеративное уточнение) отражает эволюцию взаимодействия человека с алгоритмом.

На пересечении корпусов H2A и A2H зафиксированы коммуникативные единицы, авторство которых не может быть однозначно атрибутировано. Феномен гибридной агентности, при котором интенциональность распределена между человеком (цель, тема, редактура) и алгоритмом (лексико-синтаксическая реализация), потребовал введения нового понятия — гибридный дискурсивный акт. Этот концепт позволяет описывать реальность, в которой граница между «естественным» и «искусственным» в тексте стирается.

Анализ ключевых слов и коллокаций в корпусе A2H выявил устойчивое воспроизводство клишированных конструкций книжного регистра («важно отметить», «таким образом», «исследование показывает») и абстрактной  лексики. Это формирует особую алгоритмическую норму — усредненный, стилистически гомогенизированный регистр, который начинает оказывать обратное влияние на пользователей, формируя новые стандарты «правильного» письма.

Сопоставительный анализ русскоязычной и англоязычной частей корпусов показал, что, несмотря на типологические различия языков, ключевые тенденции (гомогенизация, параметризация промптов, формирование алгоритмической нормы) проявляются сходным образом. Это позволяет говорить о глобальном, а не узколингвистическом характере описываемых процессов, что вносит вклад в развитие цифровой антрополингвистики.

Проведенное комплексное исследование, опирающееся на репрезентативный корпусный материал и межъязыковой сопоставительный анализ, позволяет не только обобщить выявленные трансформационные процессы, но и предложить концептуальное переосмысление самого феномена интернет-дискурса в новую алгоритмическую эпоху. На основании полученных результатов мы предлагаем расширенную дефиницию, учитывающую произошедший алгоритмический поворот

Интернет-дискурс в современном понимании представляет собой многокомпонентное, динамически развивающееся коммуникативное пространство, в котором взаимодействуют человеческие и алгоритмические агенты, продуцирующие поликодовые, полимодальные тексты в условиях гибридной агентности и варьирующейся степени алгоритмической опосредованности, что приводит к формированию новых жанровых форм (промпт), трансформации традиционных категорий авторства и читательства, а также к стилистической гомогенизации дискурсивных практик под влиянием статистически усредненных языковых моделей.

Данное определение фиксирует принципиальные изменения, выявленные в ходе исследования:

1. Расширение субъектного состава дискурса.К традиционной дихотомии «адресант — адресат» добавляется третий, нечеловеческий актор —  алгоритм, который может выступать в различных ипостасях: генератора,  модератора, соавтора или инструмента. Это требует пересмотра категории агентности в дискурсивном анализе.
2. Трансформация текстуальности.Единицей анализа более не может выступать стабильный, линейный текст. Современный интернет-дискурс реализуется в форме поликодовых, полимодальных образований, где вербальный код неразрывно связан с визуальным (эмодзи, мемы, гифки) и техническим (хештеги, гиперссылки, алгоритмическая курация).
3. Появление новых жанров, формирующих и направляющих коммуникацию.Возникновение промпта как самостоятельного речевого жанра (директивно-эксплораторного) свидетельствует о формировании принципиально новых коммуникативных практик, требующих от пользователя развития метаязыковой компетенции — способности эксплицировать имплицитные нормы общения.
4. Выявленное снижение лексического и синтаксического разнообразия в алгоритмическом дискурсе (на 37,6 и 45,3% соответственно) указывает на объективные, статистически верифицируемые изменения языкового ландшафта интернет-коммуникации.

Резюмируя сказанное, следует подчеркнуть, что алгоритмический поворот в интернет-дискурсе знаменует собой не локальное изменение отдельных языковых практик, а фундаментальный сдвиг в самой природе человеческой коммуникации. Цифровая среда, перестав быть нейтральным каналом передачи сообщений, превратилась в активного со-творца смыслов. Формирующаяся алгоритмическая норма, основанная на статистическом усреднении, начинает оказывать обратное влияние на речевую деятельность человека, создавая прецедент, при котором «искусственное» (порожденное моделью) постепенно становится образцом для «естественного».

В этих условиях цифровая антрополингвистика, выдвигающая на первый план изучение гибридной агентности, алгоритмической опосредованности и трансформирующейся языковой личности, становится не просто новым научным направлением, а необходимым методологическим основанием для понимания того, как технологии переформатируют самое древнее и фундаментальное свойство человека — способность к языку и созданию культуры. Дальнейшие исследования в этой области должны быть направлены на разработку методов лингвистической экспертизы в условиях гибридного авторства, изучение долгосрочных последствий алгоритмической гомогенизации для языкового разнообразия, а также на этическую рефлексию последствий делегирования коммуникативных функций искусственному интеллекту.

_{¹ Принадлежит Meta, признана экстремисткой и запрещенной на территории РФ.}

About the authors

Natalia A. Akhrenova

Author for correspondence.
Email: nakhrenova@mail.ru
ORCID iD: 0000-0002-1265-5595
SPIN-code: 9818-1046

Dr. Sc. (Philology), Associate Professor, Head of the Postgraduate Education Department of the Institute of Foreign Languages

References

Supplementary files