АЛГОРИТМИЧЕСКАЯ ИНТЕРТЕКСТУАЛЬНОСТЬ В ГЕНЕРАТИВНЫХ ЯЗЫКОВЫХ МОДЕЛЯХ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ КУЛЬТУРНЫХ КОДОВ В АВТОРСКИХ И AI-ГЕНЕРИРУЕМЫХ ХУДОЖЕСТВЕННЫХ ТЕКСТАХ
DOI:
https://doi.org/10.5281/Keywords:
интертекстуальность, искусственный интеллект, алгоритмическая интертекстуальность, культурный код, цифровая филология.Abstract
Современные генеративные языковые модели изменяют традиционные механизмы текстообразования, создавая новые формы взаимодействия между текстами. В классической теории интертекстуальность понимается как система смысловых отношений между текстами, формирующаяся через культурную память, авторское сознание и социальный контекст. Однако тексты, создаваемые искусственным интеллектом, формируются посредством вероятностных алгоритмов, основанных на обработке больших массивов данных. Возникает вопрос: воспроизводят ли языковые модели традиционные интертекстуальные механизмы либо формируют новую форму текстовых отношений.
References
1.Бахтин М. М. Проблемы поэтики Достоевского. — Москва : Советская Россия, 1979. — 318 с.
2.Кристева Ю. Избранные труды: Разрушение поэтики / пер. с фр. — Москва : Российская политическая энциклопедия (РОССПЭН), 2004. — 656 с.
3.Барт Р. Избранные работы: Семиотика. Поэтика / пер. с фр. — Москва : Прогресс, 1989. — 616 с.
4.Genette 1997 - Genette G. Palimpsests: Literature in the Second Degree. Lincoln, University of Nebraska Press, 1997. 490 р.
5.Лотман Ю. М. Внутри мыслящих миров. Человек — текст — семиосфера — история. — Москва : Языки русской культуры, 1996. — 464 с.
6.Moretti F. Distant Reading. — London : Verso, 2013. — 224 p.
7.Bender E. M., Koller A. Climbing toward NLU: On Meaning, Form and Understanding in the Age of Data // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. — Stroudsburg : Association for Computational Linguistics, 2020. — P. 5185–5198. DOI: 10.18653/v1/2020.acl-main.463
8.Floridi L., Chiriatti M. GPT-3: Its Nature, Scope, Limits and Consequences // Minds and Machines. — 2020. — Vol. 30. — No. 4. — P. 681–694. DOI: 10.1007/s11023-020-09548-1
9.Ji Z., Lee N., Frieske R. et al. Survey of Hallucination in Natural Language Generation // ACM Computing Surveys. — 2023. — Vol. 55. — No. 12. — P. 1–38. DOI: 10.1145/3571730
10.Tang K. S. AI-textuality: Expanding Intertextuality to Theorize Human–AI Interaction with Generative Artificial Intelligence // Applied Linguistics. — 2025. DOI: 10.1093/applin/amaf016
11.Jockers M. L. Text Analysis with R for Students of Literature. — Cham : Springer, 2014. — 330 p.
12.Underwood T. Distant Horizons: Digital Evidence and Literary Change. — Chicago : University of Chicago Press, 2019. — 248 p.
13.Dergaa I., Chamari K., Zmijewski P., Ben Saad H. From Human Writing to Artificial Intelligence Generated Text: Examining the Prospects and Potential Threats of Language Models // Biomedicine & Pharmacotherapy. — 2023. — Vol. 165. DOI: 10.1016/j.biopha.2023.115194
14.Lee P., Bubeck S., Petro J. Benefits, Limits and Risks of GPT-4 as an AI Chatbot for Medicine // New England Journal of Medicine. — 2023. — Vol. 388. — P. 1233–1239. DOI: 10.1056/NEJMsr2214184
15.Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. — 2017. — Vol. 30. — P. 5998–6008.
