Введение. Целью статьи является изучение возможности интеграции семиотических подходов и методов машинного обучения для автоматизированного анализа тональности текстов (Sentiment-анализа). Sentiment-анализ текста является популярным направлением лингвистики на стыке с компьютерными науками и анализом данных. Новизна работы заключается в попытке интерпретации результатов машинного обучения с опорой на содержание текстов отзывов как знаковых систем, выявляя их лексические, синтаксические и прагматические характеристики.
Методология и источники. Исследование опирается как на фундаментальные основы семантики, синтактики и прагматики, так и на современные подходы к автоматизации обработки текстовой информации и применению математических методов для обоснования речевых явлений. Материалом исследования послужил свободно распространяемый набор данных отзывов на кинофильмы с платформы IMDB. В качестве инструмента автоматизации применяется система KNIME для анализа данных в парадигме «No-coding» (без кодирования). В статье представлен рабочий поток, включающий этапы предобработки данных, построения моделей классификации, а также оценки их эффективности, предложена лингвистическая интерпретация ошибок автоматической классификации отзывов.
Результаты и обсуждение. Результаты демонстрируют высокую точность классификации (до 92,0 %) и способность алгоритмов выявлять ключевые лексические и синтаксические маркеры, формирующие эмоциональную окраску текста. Исследование расширяет границы традиционной семиотики, интегрируя методы машинного обучения и анализа больших данных, а также подчеркивает практическую ценность использования KNIME в задачах обработки естественного языка.
Заключение. В статье дается детализированное описание алгоритма автоматизации Sentiment-анализа отзывов на кинофильмы с учетом преимуществ и потенциальных сложностей такого подхода для интерпретации текста. Перспективы дальнейших исследований включают применение предложенных методов к многоязычным корпусам и анализу мультимодальных данных, что открывает новые возможности для изучения знаковых систем в условиях цифровой коммуникации. Предложенная методика может найти применение в коммерческой сфере для выявления настроений пользователей товаров, услуг, приложений, книг, фильмов и т. д., что повышает интерес к лингвистической науке, а именно к автоматическому анализу тональности или Sentiment-анализу.
Введение. Статья посвящена анализу трансформации высшего образования в условиях активного внедрения генеративного искусственного интеллекта (ИИ). Цель исследования – раскрыть, как генеративный ИИ трансформирует академическую идентичность студентов, переопределяет нормы легитимности знаний и воспроизводит социальное неравенство через алгоритмическую грамотность.
Методология и источники. Исследование опирается на данные репрезентативного анкетного опроса студентов нескольких российских вузов различного профиля. Применены методы стратифицированного выборочного анализа, корреляционного и факторного анализа. Статистическая надежность результатов обеспечивается соответствием нормальным распределениям и устойчивостью к выбросам.
Результаты и обсуждение. Установлено доминирование генеративных ИИ-инструментов (в частности, ChatGPT) в образовательной среде. Зафиксирована их высокая субъективная эффективность, в том числе в контексте академической успеваемости и формирования профессиональных компетенций. Обнаружен нормативный разрыв между распространенной практикой использования ИИ и этическими оценками его допустимости в обучении. Обсуждаются эффекты технологической асимметрии и редукционизма.
Заключение. Полученные данные подтверждают становление новой образовательной парадигмы, характеризующейся сдвигом от традиционного преподавания к технологически опосредованному обучению. Статья акцентирует внимание на необходимости нормативной и дидактической адаптации вузов к условиям цифровой среды.
Введение. С распространением генеративных моделей ИИ (GenAI) обострилась дискуссия о «кризисе авторства» и угрозе академической деонтологии. Работа исследует, как интердиктивные (запрет) и предскриптивные (обязательное использование) установки модулируют субъектность студента, структуры этики и когнитивные практики.
Методология и источники. Реализован контролируемый квазиэксперимент (n = 10) в рамках дипломного проектирования. Студенты были разделены на дидактически изолированные группы с различными нормативными установками: обязательное осознанное применение ИИ противопоставлено настоятельным рекомендациям отказа от ИИ. Сбор данных включал документ-анализ, рефлексивные опросы, педагогическое наблюдение и верификационные метрики. Особое внимание уделялось пересечению формальных показателей и субъективных интерпретаций, что позволило избежать редукции к технократическому измерению взаимодействия с ИИ.
Результаты и обсуждение. Легитимация ИИ ассоциируется с процессуально-ориентированной этикой: студенты демонстрировали высокий уровень авторства, сниженный этический дискомфорт и практики критической верификации, включая выявление модельных галлюцинаций и усложнение задач. В интердиктивной группе наблюдались случаи некритического заимствования. ИИ функционировал как медиатор трансформации субъектности: от исполнителя задачи к конструктору эпистемической среды.
Заключение. Исследование демонстрирует, что педагогическая стратегия, основанная на запрете GenAI, не усиливает ни этическую ответственность, ни критическое мышление; напротив, она может способствовать пассивному доверию к «человеческим» источникам и скрытой эксплуатации технологий. В то же время нормативное встраивание ИИ в учебный процесс открывает путь к трансформации академической субъектности: студент перестает быть «производителем текста» и становится «конструктором запроса», «оператором модели» и «арбитром знания». Это требует переосмысления не только образовательных практик, но и фундаментальных категорий авторства, ответственности и компетентности.
Введение. Статья посвящена актуальным философским проблемам постнеклассической науки, связанным с анализом интеллектуальных систем на основе машинного обучения, и содержит сравнительный анализ конструктивистского и реалистического подходов для выявления эвристического потенциала радикального конструктивизма в построении гибкой функциональной архитектуры ИИ.
Методология и источники. В основу исследования положен сравнительный анализ реалистического и конструктивистского подходов, методологический аппарат которого включает принципы операциональной замкнутости и когнитивного конструирования реальности, разработанные в трудах Э. фон Глазерсфельда, Ж. Пиаже и их последователей. Центральным тезисом выступает трактовка знания не как отражения объективной реальности, а как конструкции, критерием которой является функциональная пригодность для решения задач, что находит отражение в современных концепциях машинного обучения, таких как обучение с подкреплением.
Результаты и обсуждение. Продемонстрировано, что ключевые принципы конструктивизма – операциональная природа знания, итеративное построение когнитивных структур и прагматический критерий жизнеспособности – предлагают пути решения проблем ИИ, таких как проблема «черного ящика», статичность моделей и контекстуальная зависимость данных, через переосмысление машинного обучения как процесса активного построения функциональных репрезентаций и смещения акцента с точности на функциональную адекватность в конкретных прикладных контекстах.
Заключение. Разработанные положения радикального конструктивизма помогают переосмыслить природу данных и моделей в машинном обучении, а также открывают перспективы для более глубокого анализа требований к итеративным и адаптивным архитектурам обучения и развитию систем с искусственным интеллектом.
Введение. В статье рассматривается использование генеративного искусственного интеллекта (ГИИ) в социологических исследованиях. Актуальность темы определяется возрастанием интереса к применению новых технологий для повышения эффективности и точности исследований в области социальных наук. ГИИ предоставляет новые возможности для сбора, обработки и анализа данных, что может существенно изменить традиционные подходы в социологии. Методология и источники. Исследование базируется на анализе доступных публикаций и экспериментальных данных, полученных в ходе общения с социологами, использующими ГИИ в своих проектах. В работе рассматриваются методики генерации описаний, анализа изображений и генерации синтетических изображений с использованием алгоритмов машинного обучения. Акцент сделан на конкретных случаях применения ГИИ в социологических исследованиях, а также на примерах успешных проектов. Результаты и обсуждение. Результаты исследования показывают, что использование ГИИ позволяет значительно ускорить процесс обработки данных и повысить их качество. Выявлены новые паттерны и тенденции в социологических исследованиях, благодаря чему ученые могут получать более точные и обоснованные выводы. Об суждаются также этические аспекты, связанные с использованием ГИИ, такие как во просы конфиденциальности и алгоритмической предвзятости. Заключение. Генеративный искусственный интеллект представляет собой мощный инструмент, способный трансформировать социологические исследования. Несмотря на существующие вызовы, он открывает новые горизонты для сбора и анализа дан ных, способствуя более глубокому пониманию социальных процессов и явлений. Важно продолжать исследовать возможности и ограничения ГИИ для развития социо логической науки.