Научный архив: статьи

Исследование посвящено изучению потенциала искусственного интеллекта (далее - ИИ) в контексте повышения эффективности обучения иностранным языкам курсантов военных вузов. Автор провел углубленный анализ научной литературы, нормативных документов и существующих образовательных практик с целью выявления наиболее перспективных направлений применения ИИ в языковой подготовке. В рамках исследования была разработана концептуальная модель интеграции ИИ в учебный процесс, учитывающая специфику военного образования и современные требования к профессиональной иноязычной компетенции офицеров. Ключевыми результатами работы стали: выявление основных направлений применения ИИ (адаптивное обучение, автоматизированный анализ языковых компетенций, генерация учебного контента, персонализация обучения), обоснование необходимости комплексного подхода к внедрению ИИ в языковую подготовку, разработка оригинальной модели интеграции ИИ, учитывающей специфику военного образования. Научная новизна исследования заключается в проведении комплексного анализа потенциала ИИ в контексте военного языкового образования и разработке оригинальной модели интеграции ИИ. Практическая значимость работы состоит в возможности использования полученных результатов для модернизации программ языковой подготовки в военных вузах, разработки инновационных методик обучения и совершенствования нормативно-правовой базы.

В статье исследуется роль модальных глаголов английского языка в выражении эвиденциальности - категории, отражающей источник информации говорящего о сообщаемом событии. На обширном материале современных корпусов американского и глобального английского языка, включая COCA, GloWbE и данные социальных сетей (Reddit), охватывающих период с 2010 по 2023 год, детально демонстрируется, каким образом семантическое и прагматическое взаимодействие модальных глаголов эпистемической семантики (в частности, must, may, might) с различными аспектуальными формами глагола (Perfect, Progressive) способствует формированию и конвенционализации специфических эвиденциальных значений. Методология исследования носит комплексный характер и включает: 1) количественный анализ репрезентативной выборки контекстов (N = 12,500); 2) качественный коллокационный профильный анализ с использованием инструментов Sketch Engine; 3) применение методов многофакторной статистики для выявления значимых корреляций. Полученные результаты убедительно показывают, что перфектные формы модальных глаголов преимущественно кодируют косвенную эвиденциальность, основанную на умозаключении (в 72% проанализированных релевантных случаев, p < 0.01), тогда как прогрессивные формы чаще всего маркируют прямое, непосредственное наблюдение описываемой ситуации (в 64% соответствующих употреблений). Выявлено также, что глагол might в сочетании с Progressive чаще выражает гипотетичность вывода из наблюдения (58% против 42% у may). Теоретическая значимость работы заключается в попытке интеграции когнитивного подхода Р. Лангакера и диахронических исследований грамматикализации Е. Трауготт для изучения механизмов выражения эвиденциальности в аналитическом языке, лишенном специализированных морфологических показателей. Практическое применение полученных данных касается совершенствования методик преподавания английского языка как иностранного и разработки более точных NLP-алгоритмов для анализа модальности и источника информации в тексте.