Козловский Дмитрий Валентинович, доктор филологических наук, доцент, профессор кафедры языкознания и переводоведения
Москва
Dmitry V. Kozlovsky, Doctor of Philology, Associate Professor, Professor of Department of Linguistics and Translation Studies
Moscow
Рассматривается проблема анализа функционирования категории эвиденциальности в медиадискурсе с опорой на методы машинного обучения. Актуальность исследования обусловлена необходимостью интерпретации имплицитных и контекстуально обусловленных модусных смыслов, недостаточно описываемых с помощью традиционных методов. Целью работы является разработка методики автоматизированного анализа эвиденциальности с учетом ее взаимодействия с другими модусными категориями. Исследован корпус англоязычных медиатекстов. Предлагается авторская методика, основанная на алгоритмах векторного представления слов, комбинаторного моделирования и построения рекуррентной нейронной сети. В результате выделены и классифицированы эвиденциальные операторы, установлены устойчивые модели их сцепления с маркерами категорий авторизации, аппроксимации, восприятия, модальности, отрицания, оценочности, персональности, персуазивности, экспрессивности, эмотивности и темпоральности. Представлены типовые траектории полимодального развертывания эвиденциальных высказываний. Уделяется внимание лингвосинергетическому подходу, в рамках которого модусные смыслы рассматриваются как элементы многоуровневой самоорганизующейся семантической системы. Предложенная методика демонстрирует высокую эффективность нейросетевых методов в задачах автоматизированного дискурсивного анализа и лингвистической экспертизы.
This article addresses the challenge of analyzing evidentiality within media discourse by leveraging contemporary machine learning methods. The study’s relevance stems from the need to interpret implicit and context-dependent modal meanings that are inadequately captured using traditional approaches. The aim is to develop a methodology for automated analysis of evidentiality while accounting for its interaction with other modal categories. A corpus of English-language media texts serves as the empirical basis for this research. An original method based on word vector representation algorithms, combinatorial modeling, and recurrent neural networks is proposed. As a result, evidential operators have been identified and classified, along with their stable patterns of cohesion with markers representing authorization, approximation, perception, modality, negation, evaluation, personalization, persuasiveness, expressivity, emotionality, and temporality. Typical trajectories of polymodal unfolding of evidential statements are presented. Special attention is given to the linguo-synergetic approach, which considers modal meanings as elements of a multilevel self-organizing semantic system. This methodology demonstrates high efficiency of neural network techniques in tasks related to automated discourse analysis and linguistic expertise.
The authors declare that there are no conflicts of interest present.