Статья посвящена исследованию возможностей генеративного искусственного интеллекта (ИИ) для решения задач оценки письменных работ и предоставления обратной связи на них. Поставлена цель определить возможности и ограничения генеративного ИИ при его использовании для проверки письменно-речевой продукции обучающихся и формулировки обратной связи на нее. Для достижения цели осуществлен систематический обзор двадцати двух оригинальных исследований, проведенных в российском и зарубежном контекстах, результаты которых были опубликованы в 2022-2025 годах. Выявлено, что результаты критериального оценивания генеративными моделями согласуются с оценками преподавателей, причем генеративный ИИ превосходит проверяющих в способности оценить язык и аргументацию. На надежность этой оценки, однако, негативное влияние оказывают нестабильность оценивания, галлюцинации генеративных моделей и их ограниченная способность учитывать особенности контекста. Несмотря на детальность и конструктивность обратной связи от генеративного ИИ, она недостаточно конкретна и избыточна, что может затруднить ее восприятие обучающимися. Обратная связь от генеративной модели таргетирует преимущественно локальные недостатки, в то время как проверяющие преподаватели обращают внимание на глобальные проблемы, такие как неполное соответствие содержания заданной теме или нарушения в логике изложения. В отличие от преподавателей, генеративный ИИ дает шаблонную обратную связь, не используя косвенные формулировки и наводящие вопросы, способствующие развитию умений саморегуляции. Тем не менее, эти недостатки можно скорректировать последующими запросами к генеративной модели. Также выявлено, что обучающиеся открыты к получению обратной связи от генеративного ИИ, однако предпочитают получать ее от преподавателей и сверстников. Результаты обсуждаются в контексте использования генеративных моделей для проверки письменных работ и формулировки обратной связи преподавателями иностранного языка. Выводы подчеркивают необходимость критического подхода к использованию генеративных моделей в оценивании письменных работ, а также важность подготовки преподавателей для эффективного взаимодействия с этими технологиями.
Предпросмотр статьи
Идентификаторы и классификаторы
- Префикс DOI
- 10.24833/2687-0126-2025-7-1-70-88
Благодаря доступности и простоте ГМ используются и для проверки письменных работ обучающихся, однако в исследованиях пока нет единогласия по вопросу надежности результатов такой проверки. Исследование на основе корпуса в 12100 эссе в формате международных экзаменов с помощью запроса, включающего критерии, показало, что проверка эссе ГМ точно соотносит уровень работы с международной шкалой (Mizumoto & Eguchi, 2023). При последовательной проверке одной и той же работы ГМ выдают результаты, отличающиеся друг от друга не более, чем на 2 балла (из девяти), т. е. результаты проверки отличаются внутренней согласованностью.
Список литературы
1. Альмассаад, А., Алайлан, Х., и Алебайкан, Р. (2024). Восприятие студентами генеративного искусственного интеллекта: исследование использования, преимуществ и проблем в высшем образовании. Системы, 12(10), 385. https://doi.org/10.3390/systems12100385
2. Амобонье, А., Лалунг, Дж., Мхета, Г., и Пиллаи, С. (2024). Написание научной обзорной статьи: комплексные инсайты для начинающих. Журнал «Научный мир», 7822269. https://doi.org/10.1155/2024/7822269
3. Аннамалай Н., Рашид Р.А., Мунир Хашми У., Мохамед М.Х., Алькарюти М., и Садек А. (2023). Использование чат-ботов для изучения английского языка в высших учебных заведениях. Компьютеры и образование: искусственный интеллект, 5, 100153. https://doi.org/10.1016/j.caeai.2023.100153
4. Авиди, И.Т. (2024). Сравнение экспертной оценки рефлексивных эссе репетитором с оценкой с помощью инструмента генеративного искусственного интеллекта (ИИ). Компьютеры и образование: искусственный интеллект, 6(3), 100226. https://doi.org/10.1016/j.caeai.2024.100226
5. Бахрун, З., Анане, К., Ахмед, В., и Закка, А. (2023). Трансформация образования: всесторонний обзор генеративного искусственного интеллекта в образовательных учреждениях с помощью библиометрического и контент-анализа. Устойчивое развитие, 15(17), 12983. https://doi.org/10.3390/su151712983
6. Банихашем, С.К., Керман, Н.Т., Норузи, О., Мун, Д., и Дракслер, Х. (2024). Источники обратной связи при написании эссе: обратная связь, созданная коллегами или искусственным интеллектом? Международный журнал образовательных технологий в высшем образовании, 21(1), 23. https://doi.org/10.1186/s41239-024-00455-4
7. Бенедетто, Л., Годо, Г., Кейнс, А., и Баттери,. (2025). Оценка того, насколько точно большие языковые модели кодируют и применяют общеевропейские компетенции владения языками. Компьютеры и образование: искусственный интеллект, 8, 100353. https://doi.org/10.1016/j.caeai.2024.100353
8. Боголепова, С.В., и Жаркова, М.Г. (2024). Исследование потенциала генеративных языковых моделей для оценки эссе и предоставления обратной связи. Отечественная и зарубежная педагогика, 1(5), 123-137. https://doi.org/10.24412/2224-0772-2024-101-123-137
9. Боголепова С.В., Кирсанова М.А., Пивоварова А.А. (2023). Как аукнется, так и откликнется? Отноshenie studentov-lingvistov k vzaimootsenivaniyu i obratnoy svyazi [Как отдашь, так и получишь? Отношение студентов к взаимной оценке и обратной связи. Вестник Томского государственного университета, 487, 118-128. https://doi.org/10.17223/15617793/487/14
10. Бузиан, К., и Бузиан, А. (2024). Эффективность ИИ и человека в оценке эссе. Откройте для себя образование, 3(1), 201. https://doi.org/10.1007/s44217-024-00320-6
11. Чан, К.К.Й., и Ху, В. (2023). Мнения студентов о генеративном ИИ: восприятие, преимущества и проблемы в высшем образовании. Международный журнал образовательных технологий в высшем образовании, 20(1), 43. https://doi.org/10.1186/s41239-023-00411-8
12. Чан, С., Ло, Н., и Вонг, А. (2024). Генеративный искусственный интеллект и написание эссе: влияние автоматизированной обратной связи на производительность и вовлеченность в редактирование. rEFLections, 31(3), 1249-1284. https://doi.org/10.61508/refl.v31i3.277514
13. Кромптон, Х., и Берк, Д. (2023). Искусственный интеллект в высшем образовании: состояние сферы. Международный журнал образовательных технологий в высшем образовании, 20(1), 22. https://doi.org/10.1186/s41239-023-00392-8
14. Кромптон, Х., Эдметт, А., Ичапория, Н., и Берк, Д. (2024). ИИ и обучение английскому языку: возможности и вызовы. Британский журнал образовательных технологий, 55 (6), 2503-2529. https://doi.org/10.1111/bjet.13460
15. Дай, В., Линь, Дж., Цзинь, Ф., Ли, Т., Цай, Ю., Гашевич, Д., и Чен, Г. (2023). Могут ли большие языковые модели обеспечить обратную связь с учащимися? Кейс по ChatGPT. Препринт EdArXiv. https://doi.org/10.35542/osf.io/hcgzj
16. Эскаланте, Дж., Пак, А., и Барретт, А. (2023). Обратная связь о письме, сгенерированная искусственным интеллектом: понимание эффективности и предпочтений студентов ENL. Международный журнал образовательных технологий в высшем образовании, 20, 57. https://doi.org/10.1186/s41239-023-00425-2
17. Эванс, Д., и Бенефилд,. (2001). Систематические обзоры исследований в области образования: подходит ли медицинская модель? Британский журнал исследований в области образования, 27 (5), 527-541. https://doi.org/10.1080/01411920120095717
18. Фан, Л., Ли, Л., Ма, З., Ли, С., Ю, Х., и Хемпхилл, Л. (2024). Библиометрический обзор исследований больших языковых моделей с 2017 по 2023 год. Труды ACM по интеллектуальным системам и технологиям, 15(5), 91, 1-25. https://doi.org/10.1145/3664930
19. Гомберт, С., Финк, А., Гиоргашвили, Т., Дживет, И., Ди Митри, Д., Яу, Дж., Фрей, А., Дракслер, Х. (2024). От автоматизированной оценки содержания студенческих эссе до высокоинформативной обратной связи: тематическое исследование. Международный журнал искусственного интеллекта в образовании, 34, 1378-1416. https://doi.org/10.1007/s40593-023-00387-6
20. Гуо, К., и Ванг, Д. (2024). Сопротивляться ему или принять его? Изучение потенциала ChatGPT для поддержки обратной связи учителя при написании EFL. Образование и информационные технологии, 29 (7), 8435-8463. https://doi.org/10.1007/s10639-023-12146-0
21. Гупта,., Дин, Б., Гуан, К., и Дин, Д. (2024). Генеративный ИИ: систематический обзор с использованием методов тематического моделирования. Управление данными и информацией, 8(2), 100066. https://doi.org/10.1016/j.dim.2024.100066
22. Хэтти, Д., и Тимперли, Х. (2007). Сила обратной связи. Обзор исследований в области образования, 77 (1), 81-112. https://doi.org/10.3102/003465430298487
23. Хируньясири, Д., Томас, Д.Р., Лин, Дж., Кудингер, К.Р., и Алевен, В. (2023). Сравнительный анализ оценщиков GPT-4 и людей при оценке похвалы, данной учащимся в синтетических диалогах. Препринт EdArXiv. https://doi.org/10.48550/arXiv.2307.02018
24. Хуссейн, М.А., Хассан, Х., и Нассеф, М. (2019). Автоматизированные системы оценки языковых эссе: обзор литературы. PeerJ Computer Science, 5, e208. https://doi.org/10.7717/peerj-cs.208
25. Иорлиам, А., и Ингио, Д.А. (2024). Сравнительный анализ инструментов генеративного искусственного интеллекта для обработки естественного языка. Журнал вычислительных теорий и приложений, 1(3), 311-325. https://doi.org/10.62411/jcta.9447
26. Янсен, Т., Хёфт, Л., Бар, Л., Флекенштейн, Д., Мёллер, Д., Кёллер, О., и Мейер, Д. (2024). Сравнение генеративного ИИ и отзывов экспертов с письменными работами студентов: мнения студентов-преподавателей. Psychologie in Erziehung und Unterricht, 71(2), 80-92. https://doi.org/10.2378/peu2024.art08d
27. Яухиайнен, Д.С., и Гарагорри Герра, А. (2024). Генеративный ИИ в образовании: ChatGPT-4 в оценке письменных ответов учащихся. Международные инновации в образовании и преподавании, 1-18. https://doi.org/10.1080/14703297.2024.2422337
28. Цзян, З., Сюй, З., Пань, З., Хэ, Дж., и Се, К. (2023). Изучение роли искусственного интеллекта в облегчении оценки письменной речи при изучении второго языка. Языки, 8(4), 247. https://doi.org/10.3390/languages8040247
29. Каснечи, Э., Сесслер, К., Кюхеманн, С., Баннерт, М., Дементьева, Д., Фишер, Ф., ... & Каснечи, Г. (2023). ChatGPT навсегда? О возможностях и вызовах больших языковых моделей для образования. Обучение и индивидуальные различия, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
30. Киндер, А., Бриз, Ф.Дж., Джейкобс, М., Дерн, Н., Глодни, Н., Джейкобс, С., Лессманн, С. (2025). Эффекты адаптивной обратной связи, генерируемой большой языковой моделью: тематическое исследование в педагогическом образовании. Компьютеры и образование: искусственный интеллект, 8, 100349. https://doi.org/10.1016/j.caeai.2024.100349
31. Константинова, Л.В., Ворожихин, В.В., Петров, А.М., Титова, Е.С., Штыхно, Д.А. (2023). Генеративный искусственный интеллект в образовании: дискуссии и прогнозы. Открытое образование, 27(2), 36-48. Проверено 18 ноября 2024 года с сайта https://cyberleninka.ru/article/n/generativnyy-iskusstvennyy-intellekt-v-obrazovanii-diskussii-i-prognozy.
32. Коренев, А.А. (2018). Обратная связь в обучении, преподавании и учебной коммуникации. Рема, 2, 112-127. Проверено 18 ноября 2024 года с сайта https://cyberleninka.ru/article/n/obratnaya-svyaz-v-obuchenii-i-pedagogicheskom-obschenii/viewer.
33. Кумар, Р. (2023). Использование преподавателями искусственного интеллекта для оценки студенческих работ: случай последствий. Международный журнал по вопросам честности в образовании, 19(1), 9. https://doi.org/10.1007/s40979-023-00130-7
34. Ли, Б., Лоуэлл, В.Л., Ванг, Ч., и Ли, Х. (2024). Систематический обзор публикаций первого года по ChatGPT и языковому образованию: изучение исследований использования ChatGPT в изучении и преподавании языков. Компьютеры и образование: искусственный интеллект, 7, 100266. https://doi.org/10.1016/j.caeai.2024.100266
35. Ли, В., и Лю, Х. (2024). Применение больших языковых моделей для автоматизированного подсчета баллов за эссе для неродного японского языка. Коммуникации в области гуманитарных и социальных наук, 1, 723. https://doi.org/10.1057/s41599-024-03209-9
36. Лин, Ш., и Кроствейт,. (2024). Трава не всегда зеленее: учитель против письменного корректирующего отзыва с помощью GPT. Система, 127, 103529. https://doi.org/10.1016/j.system.2024.103529
37. Лай, К.Й., и Лим, Л. (2024). Генеративный искусственный интеллект в высшем образовании: принципы и соображения по редизайну оценки. Науки об образовании, 14(6), 569. https://doi.org/10.3390/educsci14060569
38. Мейер, Д., Янсен, Т., Шиллер, Р., Либенов, Л.В., Штейнбах, М., Хорбах, А., и Флекенштейн, Д. (2024). Использование LLM для получения научно обоснованной обратной связи в классе: обратная связь, созданная искусственным интеллектом, повышает качество повторения текста, мотивацию и положительные эмоции учащихся средних школ. Компьютеры и образование: искусственный интеллект, 6, 100199. https://doi.org/10.1016/j.caeai.2023.100199
39. Мидзумото, А., и Эгути, М. (2023). Изучение потенциала использования языковой модели ИИ для автоматизированного подсчета баллов за эссе. Методы исследования в прикладной лингвистике, 2(2), 100050. https://doi.org/10.1016/j.rmal.2023.100050
40. Мидзумото, А., Синтани, Н., Сасаки, М., и Фэн Тэн, М. (2024). Тестирование жизнеспособности ChatGPT в качестве компаньона в оценке точности письма L2. Методы исследования в прикладной лингвистике, 3(2), 100116. https://doi.org/10.1016/j.rmal.2024.100116
41. Пэк, А., Барретт, А., и Эскаланте, Д. (2024). Большие языковые модели и автоматизированная оценка эссе при написании эссе изучающим английский язык: понимание валидности и надежности. Компьютеры и образование: искусственный интеллект, 6, 100234. https://doi.org/10.1016/j.caeai.2024.100234
42. Саини, А.К., Коуп, Б., Каланцис, М., и Запата, Г.С. (2024). Будущее обратной связи: интеграция экспертиз и генеративных обзоров ИИ для поддержки студенческой работы. Препринт EdArXiv. https://doi. org/10.35542/osf.io/x3dct
43. Сидоркин, А.М. (2024). Использование чат-ботов в высшем образовании: использование искусственного интеллекта в преподавании, администрировании и науке. Нью-Йорк: Рутледж. https://doi.org/10.4324/9781032686028
44. Шталь, М., Бирманн, Л., Неринг, А., и Ваксмут, Х. (2024). Изучение стратегий подсказок LLM для совместной оценки эссе и генерации обратной связи. В E. Kochmar et al. (Eds.), Материалы 19-го семинара по инновационному использованию NLP для создания образовательных приложений (BEA 2024) (стр. 283-298). Ассоциация компьютерной лингвистики.
45. Исследовательский отдел Statista. (2024, 9 декабря). Количество пользователей инструментов искусственного интеллекта по всему миру с 2020 по 2030 год. Проверено 2024, 26 декабря, с https://www.statista.com/forecasts/1449844/aitool-users-worldwide
46. Стейсс, Д., Тейт, Т., Грэм, С., Круз, Д., Хеберт, М., Ванг, Дж., Мун, Ю., Ценг, В., Варшауэр, М., и Олсон, К.Б. (2024). Сравнение качества обратной связи от человека и ChatGPT о письменных работах студентов. Обучение и наставление, 91, 101894. https://doi.org/10.1016/j.learninstruc.2024.101894
47. Сысоев,.В. (2024). Использование технологий искусственного интеллекта в обучении иностранному языку: предмет методических работ на 2023 год и перспективы дальнейших исследований. Обзор Тамбовского университета. Серия: Гуманитарные науки, 29(2), 294-308. https://doi.org/10.20310/1810- 0201-2024-29-2-294-308
48. Сысоев,.В., Филатов, Е.М. (2024). Методика обучения учебы и студенческого обучения письму в триаде «обучение творческому письму на иностранном языке - искусственный интеллект». Журнал «Ломоносовская лингвистика и межкультурная коммуникация», 27(2), 38-54. https://doi.org/10.55959/MSU-2074-1588-19-27-2-3
49. Сысоев,.В., Филатов, Е.М., Хмаренко, Н.И., Мурунов, С.С. (2024). Преподаватель vs искусственный интеллект: сравнение качества обратной связи от учителя и генеративного искусственного интеллекта при оценке творческого письма студентов. Перспективы науки и образования, 71(5), 694-712. https://doi.org/10.32744/pse.2024.5.41
50. Титова, С. В. (2024). Технологические решения на основе искусственного интеллекта в обучении иностранным языкам: аналитический обзор. Журнал «Ломоносовская лингвистика и межкультурная коммуникация», 27(2), 18-37. https://doi.org/10.55959/MSU2074-1588-19-27-2-2
51. Ванг, Н., Ванг, Х., и Су, Ю.С. (2024). Критический анализ технологических возможностей, проблем и будущих направлений генеративного ИИ в образовании: систематический обзор. Азиатско-Тихоокеанский журнал образования, 44 (1), 139-155. https://doi.org/10.1080/02188791.2024.2305156
52. Уинстон, Н., Боуд, Д., Доусон,., и Херон, М. (2021). От обратной связи как информации к обратной связи как процессу: лингвистический анализ литературы об обратной связи. Оценка и оценка в высшем образовании, 47(2), 213-230. https://doi.org/10.1080/02602938.2021.1902467
53. Ву, Х., Ван, В., Вань, Ю., Цзяо, В., и Лю, М. (2023). ChatGPT или Grammarly? Оценка ChatGPT по бенчмарку коррекции грамматических ошибок. Препринт arXiv, arXiv:2303.13648. https://doi.org/10.48550/arxiv.2303.13648
54. Юй, Х., и Гуо, Ю. (2023). Генеративный искусственный интеллект расширяет возможности образовательной реформы: текущее состояние, проблемы и перспективы. Рубежи в образовании, 8, 1183162. https://doi.org/10.3389/feduc.2023.1183162
Выпуск
Другие статьи выпуска
В этом исследовании изучается коммуникативное поведение англоязычных специалистов в институциональных онлайн-обменах. Предпосылкой для данного исследования является растущее значение цифровых коммуникаций в бизнесе и признанная потребность лингвистики в более глубоком понимании ее прагматических и лингвокультурных аспектов, особенно по мере расширения удаленной работы и международного сотрудничества. Цель исследования – установить специфику проявления дистанцирования в институциональной онлайн-коммуникации через обращение к ее вербальным маркерам. Эмпирический материал представляет собой стенограммы телефонных разговоров о прибылях и убытках от известной американской корпорации, представляющие собой достоверные примеры современного делового дискурса в формате телеконференции. Коммуникативно-прагматический и лингвокультурный подходы, использованные для достижения поставленной цели, обусловили использование дефинитивных, контекстуальных и коммуникативных функциональных методов. Коммуникативно-прагматический подход исследования был сфокусирован на выявлении особенностей вербального поведения коммуникантов, проявляющихся в предпочтении тех или иных коммуникационных стратегий в рамках цифрового формата коммуникации. Лингвокультурологическая направленность исследования позволила выявить языковое воплощение коммуникативных стратегий, а также проанализировать корреляцию данных лингвистического анализа с культурно-специфическими особенностями речевого поведения. Основной результат анализа выявляет заметную тенденцию к снижению дистанцирования в англоязычном деловом онлайн-общении по сравнению с традиционным офлайн-дискурсом. Это говорит о значительной адаптации укоренившихся в культуре норм коммуникации в ответ на возможности цифровых форматов, отдавая приоритет непосредственности и воспринимаемой близости. Актуальность данного исследования распространяется и на отслеживание лучших практик в профессиональной онлайн-коммуникации, особенно в межкультурных взаимодействиях, где восприятие тонких изменений в коммуникативных нормах имеет жизненно важное значение для эффективного сотрудничества и построения отношений в цифровую эпоху. Перспективы исследования предполагают дальнейшее изучение проблем, связанных со сдвигом границ социальной коммуникации в рамках интернет-коммуникации.
Статья посвящена выявлению качественных характеристик детализации словаря многозначной лексики с целью повышения интерпретативности нейросетевых машинных переводчиков. Исследование выполнено в рамках частной теории перевода, а именно на материале китайско-русской языковой пары как одной из наиболее актуальных в современном переводческом контексте и одновременно проблематичных ввиду значительной межъязыковой и межкультурной асимметрии. Новизна исследования заключается в отсутствии методик и алгоритмов по разработке конечных словарей, позволяющих осуществлять нейросетевой машинный перевод наиболее адекватно современным условиям. Определяя многозначность как одну из причин некачественного автоматического генерирования текста, автор предлагает теоретическое обоснование принципов составления двуязычных словарей на основе ручной обработки параллельных текстов с целью заполнения определенных параметров лингвопереводческих схем для детализации употребления лексических единиц, сложно интерпретируемых нейросетевыми переводчиками. Проблема решается с помощью метода экокогнитивного моделирования профессиональной коммуникации переводчиков, позволяющего провести комплексное исследование человеко-машинной коммуникации, на основе которой выделяются многозначные единицы перевода, требующие ручной предобработки. Автор определяет два сценария снятия многозначности у сложно интерпретируемых лексических единиц. По разработанному авторскому алгоритму в статье показаны детали анализа ручной обработки параллельных текстов и заполнение схем оформления словарных статей под нейросетевой переводчик. Обсуждается исследовательская логика по принятию тех или иных решений относительно категоризации и/или параметризации рассматриваемых лексических единиц и их контекстуальных особенностей. В анализе объясняются причины включения рассматриваемых единиц в корпусные данные для обучения нейросетей, иллюстрируется их лексико-грамматическая детализация и сочетаемость, а также приводится переводческий анализ для снятия контекстуальной вариативности за счет категоризации понятий и/или дискурсивной принадлежности. В результате исследования качественными характеристиками детализации параллельного обучающего китайско-русского корпуса выступают: лингвистические и дефиниционные параметры, словарная представленность, переводческая вариативность в зависимости от лексико-грамматической сочетаемости, дискурсивно-жанровой принадлежности и концептуально-категориальной таксономии.
Статья посвящена функционированию популярной немецкой пословицы «Geld allein macht nicht glücklich» («Деньги сами по себе не приносят счастья») в публикациях немецкоязычной прессы за последнее десятилетие. Целью исследования является определение коммуникативно-прагматического потенциала данной паремии как в традиционной, так и в модифицированной формах, в частности, в статьях по экономике. Дальнейшие задачи включают выявление вариационной способности пословицы, систематизацию ее модификаций и разработку моделей вариации на основе примеров, найденных в исследовательском корпусе. В исследовании используется ряд методологических подходов, включая теоретический анализ, непрерывную выборку, анализ словарных определений, компонентный анализ и ситуационно-контекстуальный анализ. К собранным данным также были применены методы статистической обработки и обобщения. Основным материалом исследования послужили газетные статьи, взятые из известных немецких новостных интернет-источников, таких как “Focus”, “Taz”, “Manager magazin”, “Frankfurter Rundschau”, “WELT”, “Berliner Zeitung”, “Yahoo! finanzen” и “Süddeutsche Zeitung”. В качестве дополнительного материала послужил корпус Цифрового словаря немецкого языка (DWDS). Полученные данные свидетельствуют о том, что пословица преимущественно фигурирует в основном тексте статей, в первую очередь привлекая внимание читателя и передавая выразительный и оценочный смысл. Примечательно, что модифицированные формы пословицы встречаются в 1,5 раза чаще, чем ее стандартная словарная форма. В ходе анализа корпуса были выявлены как варианты, сохраняющие суть смысла, так и преобразования, частично или полностью изменяющие смысл пословицы. Формальные модификации включают в себя расширение за счет дополнительных компонентов, редукцию формы, грамматические изменения, замену компонентов, сдвиги в коммуникативной ориентации и редукцию негативного элемента. Кульминацией исследования является предложение моделей пресловутой изменчивости. Представленные вариационные модели позволяют уточнить специфику реализации данной пословицы в экономическом медиадискурсе, а также способствуют пониманию и прогнозированию ее модификационного потенциала. Научная новизна данного исследования заключается в разработке этих вариационных моделей для конкретной паремии и новаторском изучении употребления пословицы как в традиционной, так и в модифицированной форме в немецкой экономической прессе.
В данном исследовании исследуются функции перечислений в рекламном академическом дискурсе, в частности, изучаются объявления о программах магистратуры от ведущих российских университетов, ориентированные на иностранных абитуриентов. Признавая растущую маркетизацию высшего образования и важность эффективных рекламных жанров, данное исследование рассматривает недостаточно изученную роль перечисления в объявлениях об академических программах. Данные, состоящие из десяти объявлений о программах гуманитарных наук от университетов, включенных в список «RAEX-100», были получены с веб-сайта Keystone Masterstudies. Был использован смешанный подход, сочетающий качественный анализ – структурный текст, функционально-стилистический и прагматический – с количественной статистической обработкой текстовых признаков. Цель состояла в том, чтобы выявить закономерности в том, как перечисления функционируют для информирования, убеждения и, в конечном итоге, привлечения потенциальных иностранных аспирантов. Результаты демонстрируют значительную и стратегическую зависимость от перечислений во всех объявлениях. Они выполняют три основные взаимосвязанные функции: описание функций программы, уточнение деталей и преимуществ программы, а также информирование адресата о сильных сторонах программы. Описательные и уточняющие функции часто контекстуально определяются их расположением в структуре объявления, в то время как функция «впечатляющей» постоянно усиливает и то, и другое. Кроме того, исследование выявило положительную лексику, числовые данные, имена собственные, соединительные слова и параллельные синтаксические структуры в качестве ключевых лингвистических элементов, которые эффективно усиливают эти функции, усиливая рекламное прагматическое воздействие. Это исследование расширяет наше понимание рекламного академического дискурса, в частности, проясняет риторическую эффективность перечисления в объявлениях о программах магистратуры. Полученные результаты имеют практическую ценность для университетов и ученых, стремящихся создать убедительные рекламные материалы. Будущие направления исследований включают расширение корпуса для охвата научных дисциплин и проведение кросс-культурного сравнительного анализа для выявления как универсальных, так и культурно специфических аспектов успешного продвижения академических программ.
Разнообразие типов дискурсов, встречающихся в лингвистике, представляет собой серьезную проблему для создания универсально применимой системы классификации. Эта трудность подчеркивает необходимость совершенствования существующих подходов к типологизации дискурса. Статья восполняет этот пробел путем разработки всеобъемлющей типологии дискурсов, основанных на концепции контекстуально обусловленной когерентности. Типология построена на когерентных связях, различимых в дискурсах, с особым акцентом на такие формирующие контексты, как тематическая тема, авторская агентность, коммуникативная интенция, способ формальной реализации и масштаб распространения. Эмпирический материал охватывает русскоязычные дискурсы, уделяя особое внимание профессиональным сферам: научной, медицинской, экономической и медиакоммуникации. В исследовании используются качественные методы: систематическое наблюдение за дискурсивными практиками, углубленная интерпретация когерентности, систематизация типов дискурсов, классификация по новым критериям. Ключевой основой является различие между дискурсивностью и связностью текста. Когерентность дискурса концептуализируется как динамическая, контекстно-зависимая система семантических, коммуникативных и структурных взаимосвязей, выходящих за рамки статичных текстовых единиц. В исследовании строго определены и концептуально обоснованы три различных типа когерентности дискурса: когнитивно-семантический, движимый тематическим единством; когнитивно-прагматический, сформированный автором и намерением; и когнитивно-структурные, определяемые формой и масштабом. Контекстуально детерминированная когерентность устанавливается в качестве основополагающей категории, подчеркивающей существенную взаимосвязь между составляющими дискурсивной системы (текстовыми компонентами и окружающим контекстом), обеспечивающими основу для представленной типологии. Главным результатом данного исследования является новая, иерархически структурированная классификация дискурсов, визуально представленная в виде диаграммы. Эта диаграмма представляет взаимозависимости между контекстуальными факторами и соответствующими им типами дискурса, выделяя основные отношения и оппозиции. Предложенная типология предлагает значительную практическую полезность для анализа и классификации широкого спектра дискурсов реального мира, в частности, в профессиональной коммуникации. Она способствует теоретическому развитию методологий анализа дискурса и совершенствованию педагогических подходов в теории дискурса в лингвистическом образовании.
INTRODUCTION TO VOLUME 7 ISSUE 1
Издательство
- Издательство
- МГИМО
- Регион
- Россия, Москва
- Почтовый адрес
- 119454, Москва, проспект Вернадского, 76.
- Юр. адрес
- 119454, Москва, проспект Вернадского, 76.
- ФИО
- Торкунов Анатолий Васильевич (РЕКТОР)
- E-mail адрес
- portal@inno.mgimo.ru
- Контактный телефон
- +7 (495) 2294049
- Сайт
- https://mgimo.ru/