ГЕНЕРАЦИЯ ИНОЯЗЫЧНОГО ВЫСКАЗЫВАНИЯ: НЕЙРОСЕТЕВЫЕ ПЕРЕВОДЧИКИ И ПРОБЛЕМА АДЕКВАТНОЙ ПЕРЕДАЧИ ПРАГМАТИКИ АНГЛИЙСКОГО ЯЗЫКА

Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 179 http://nauko-sfera.ru/ ФИЛОЛОГИЧЕСКИЕ НАУКИ УДК 811 DOI 10.5281/zenodo.17606705 Научная статья ГЕНЕРАЦИЯ ИНОЯЗЫЧНОГО ВЫСКАЗЫВАНИЯ: НЕЙРОСЕТЕВЫЕ ПЕРЕВОДЧИКИ И ПРОБЛЕМА АДЕКВАТНОЙ ПЕРЕДАЧИ ПРАГМАТИКИ АНГЛИЙСКОГО ЯЗЫКА GENERATION OF FOREIGN LANGUAGE STATEMENT: NEURAL NETWORK TRANSLATORS AND THE PROBLEM OF ADEQUATE TRANSFER OF ENGLISH PRAGMATICS МАСЛЕННИКОВА ВИКТОРИЯ СЕРГЕЕВНА, Балашовский институт Саратовского государственного университета имени Н. Г. Чернышевского. MASLENNIKOVA VICTORIA SERGEEVNA, Balashov Institute of Saratov State University named after N. G. Chernyshevsky. Статья посвящена актуальной проблеме адекватности передачи прагматических аспектов языка в системах нейросетевого перевода (НСП). В исследовании применялись методы сравнительного анализа на специализированном корпусе текстов. Рассматриваются такие аспекты, как передача косвенных речевых актов, иронии и культурных явлений. Даётся сравнение эффективности систем DeepL, Google Translate и Yandex Translate. Выявлены особенности избирательной прагматической компетенции нейросетей: системы демонстрируют полную неспособность к распознаванию иронии и критически низкие показатели в передаче косвенных речевых актов. Основными выводами являются подтверждение системного характера прагматических ограничений и необходимость разработки новых подходов к интеграции экстралингвистических знаний в архитектуру нейросетевых моделей. The article is devoted to the urgent problem of the adequacy of the transmission of pragmatic aspects of language in neural network translation (NSP) systems. The study used methods of comparative analysis on a specialized corpus of texts. Aspects such as the transmission of indirect speech acts, irony and cultural phenomena are considered. There is a comparison of the effectiveness of DeepL, Google Translate and Yandex Translate systems. The features of the selective pragmatic competence of neural networks are revealed: the systems demonstrate a complete inability to recognize irony and critically low rates in the transmission of indirect speech acts. The main conclusions are the confirmation of the systemic nature of pragmatic constraints and the need to develop new approaches to integrating extralinguistic knowledge into the architecture of neural network models. Ключевые слова: нейросетевой перевод, прагматика английского языка, машинный перевод, прагматические ошибки, лингвистическая прагматика, контекстуальный анализ. Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 180 http://nauko-sfera.ru/ Key words: neural network translation, English pragmatics, machine translation, pragmatic errors, linguistic pragmatics, contextual analysis. овременный этап развития лингвистики характеризуется всеобщим распространением цифрового перевода. Технологии нейронных сетей, реализованные в таких известных системах, как Google Translate, DeepL, Yandex Translate и больших языковых моделях, например, ChatGPT, перестали быть узкоспециализированными инструментами для отдельных специалистов. Они стали неотъемлемой частью профессиональной, научной и повседневной коммуникации, выступая для множества пользователей основным, а в некоторых случаях и единственным способом преодоления языковых барьеров. Такой технологический прорыв выдвигает на первый план новые научные вызовы, которые на ранних этапах были не столь очевидны. Проблема выходит за сугубо лингвистические рамки и затрагивает область машинной этики — дисциплины, занимающейся разработкой подходов к установлению механизма принятия этических решений интеллектуальными машинами и системами [4, с. 1]. Проблема исследования заключается в системной неспособности нейросетевых переводчиков адекватно передавать прагматические аспекты английского языка, включая косвенные речевые акты, иронию, сарказм, стилистические и культурные маркеры. Цель исследования — выявить и систематизировать типичные прагматические ошибки в нейросетевом переводе английского языка на основе сравнительного анализа современных систем машинного перевода. Объект исследования — процесс нейросетевого перевода с английского языка на русский. Предмет исследования — прагматические аспекты перевода, включая передачу косвенных речевых актов, иронии, сарказма, стилистических и культурных маркеров. В исследовании применялись методы:  сравнительно-сопоставительный анализ переводов;  прагматический анализ на основе теории речевых актов;  количественный анализ ошибок. Теоретической основой исследования послужили работы отечественных и зарубежных лингвистов в области лингвистической прагматики, переводоведения и компьютерной лингвистики (Белов В. А. [1], Боброва Е. Д. [2], Богуславская С. М. [3], Горячкин Б. С. [4], Дроздова Т. В. [5], Касьянов В. К. [6], Комиссаров В. Н. [7], Макеева А. Д. [8], Соснин А. В. [10], Дж. Остин [9]). Анализ существующих исследований позволяет выявить существенный пробел в изучении прагматической компетенции нейропереводчиков. Большинство работ сосредоточено на технических аспектах машинного перевода, тогда как комплексный анализ прагматических ошибок различных систем на материале английского языка остается неразработанным. В современной теории перевода происходит кардинальная смена приоритетов. Если несколько лет назад основной фокус анализа был направлен преимущественно на грамматические и семантические погрешности машинного перевода, то современные генеративные модели успешно справляются с этими задачами, демонстрируя высокую грамматическую точность и широкий словарный запас. На смену проблеме формальной корректности приходит проблема коммуникативной уместности. Современный пользователь ожидает не просто безошибочный, но и релевантный, эффективный и естественный текст, соответствующий конкретной коммуникативной ситуации. В этом контексте, прагматика — область лингвистики, изучающая использование языка в реальном общении с учетом контекста, целей говорящего и отношений между участниками коммуникации — становится ключевой задачей для искусственного интеллекта (ИИ). КоС Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 181 http://nauko-sfera.ru/ миссаров В.Н. утверждал, что адекватность перевода предполагает не только смысловую точность, но и прагматическую соотнесенность с оригиналом [7, с. 105]. Способность корректно интерпретировать и передавать иронию, вежливость, косвенные речевые акты, культурно-обусловленные значения и стилистические особенности остается сложной проблемой даже для самых современных языковых моделей. Особую трудность представляет перевод культурно-маркированной лексики, которую Макеева А.Д. определяет как совокупность языковых единиц, которые содержат национально-культурные компоненты значения и отражают уникальные черты культуры, ментальности и образа жизни определённой этноязыковой общности [8, с. 901]. Данное ограничение в интерпретации и передаче обусловлено различием между человеческим опытом, основанным на эмпирическом знании и интуиции, и статистическими моделями, используемыми искусственным интеллектом. Теоретическая и практическая значимость исследования определяется его многоаспектным характером. В теоретическом плане оно способствует развитию теории перевода в цифровую эпоху, пересматривая основные категории прагматики в контексте новых технологий генерации текста. В практическом — результаты исследования могут быть использованы для улучшения алгоритмов, учитывающих нюансы речевого общения. В социальнообразовательном аспекте работа важна для формирования цифровой лингвистической компетентности пользователей, которые должны понимать возможности и ограничения нейросетевых переводчиков для их критического и эффективного применения. Несмотря на достижения современных нейросетевых систем перевода в области грамматической и лексической корректности, их применение в межкультурной коммуникации выявило существенную лингвистическую проблему. Ключевая трудность связана с неспособностью технологий искусственного интеллекта адекватно передавать прагматические аспекты высказывания. В то время как формальная структура языка может быть успешно преобразована в цифровую форму, его коммуникативное намерение, эмоциональная нагрузка, культурные ассоциации и коннотации ускользают от алгоритмической обработки. Это создает значительный разрыв между технически правильным и коммуникативно эффективным переводом, что особенно актуально в ситуациях, требующих тонкой чувствительности к смысловым нюансам. Конкретизация проблемы проявляется в следующих системных недостатках: 1. Сложность в распознавании и воспроизведении речевых актов. Принцип, согласно которому язык используется для совершения действий (теория речевых актов), трудно реализуем в ИИ, обученном на статистических закономерностях. Искусственный интеллект демонстрирует буквальное понимание, не воспринимая коммуникативное намерение говорящего. Косвенная просьба «Could you pass the salt?» может быть переведена как запрос информации о физической возможности собеседника («Ты можешь передать соль?»), а не как побуждение к действию («Передай соль, пожалуйста»). 2. Недостаточная передача стилистических и социальных характеристик. Языковая специфика личности в переводе, выполненном ИИ, оказывается размытой. Алгоритмы не всегда корректно передают различия между формальным и неформальным стилем, что приводит к стилистическим несоответствиям. Социальные диалекты, гендерно-окрашенная лексика, особенности речи, связанные с возрастом, сводятся к усредненному стандарту, лишенному индивидуальности. 3. Ограниченное понимание культурного контекста. Прагматическая компетенция тесно связана с культурой. Однако нейросети, не имеющие реального жизненного опыта, демонстрируют культурную нечувствительность. Идиомы, аллюзии, культурно-специфические концепты (например, английское «cottage core» или «gaslighting») либо переводятся дословно, создавая абсурдные выражения, либо заменяются семантически близкими, но культурно нерелевантными эквивалентами. Фраза «It’s not my cup of tea» может быть переведена как Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 182 http://nauko-sfera.ru/ «Это не моя чашка чая», полностью утрачивая свою идиоматическую природу обозначения отсутствия интереса. 4. Проблемы с обработкой модальности. Сфера модальности (выражение отношения говорящего к действию) представляет собой одну из наиболее сложных задач для нейросетевого перевода. Тонкие различия между модальными глаголами («You must do it» vs. «You should do it» vs. «You might do it») могут быть неадекватно переданы, что искажает коммуникативное намерение автора. 5. Неадекватная передача дискурсивных слов. Особую сложность для нейросетевых переводчиков представляют дискурсивные слова — лингвоспецифичные единицы, организующие текст и выражающие прагматические значения (уверенность, иронию, управление вниманием) [1, с. 85]. Следовательно, проблема носит системный характер и обусловлена особенностями статистических языковых моделей, которые ограничены в способности к истинному пониманию контекста и человеческой интенциональности. Теоретическим фундаментом анализа прагматических аспектов, проявляющихся в нейросетевом переводе, являются основополагающие труды ученых, занимавшихся изучением речевой деятельности и коммуникативных процессов. Теория речевых актов, предложенная Дж. Остином, рассматривает речевой акт как целенаправленное действие, реализуемое посредством языка и подчиняющееся нормам и правилам речевого этикета, принятым в конкретном социуме [9, с. 7]. Данная теория получила широкое распространение за рубежом и привлекла к себе внимание советских ученых, разрабатывающих проблемы речевой коммуникации как в теоретическом, так и в прикладном аспекте [9, с. 22]. На основе этих концепций можно проанализировать коммуникативные цели и их преобразования в контексте автоматизированного перевода. В рамках концепции Бахтина М.М. о диалогической природе речевого высказывания утверждается, что любое высказывание всегда обращено к другому и существует только в контексте диалога. Каждое слово, согласно концепции, – это реакция на предыдущие высказывания и ожидание ответа. Тексты, в свою очередь, всегда отсылают к другим текстам, вступая с ними в диалог. В трудах ученого акцентируется внимание на диалогической природе отношений как между текстами, так и внутри отдельного текста [3, с. 20]. Принцип кооперации П. Грайса, который реализуется в ряде постулатах (категории количества, качества, отношения и способа), дает методологический аппарат для выявления имплицитных смыслов, утрачиваемых при нейросетевом переводе [5, с. 48]. В современных научных работах выделяют следующие этапы эволюции автоматизированного перевода: 1. 1980-е годы: разработка подхода, основанного на сопоставлении с существующими образцами (перевод по аналогии). 2. 1990-е годы: внедрение статистического машинного перевода (СМП), использующего методы вероятностного моделирования. 3. Начиная с 2014 года: интенсивное развитие нейронного машинного перевода (НМП) на базе архитектур глубокого обучения. Как отмечает Касьянов В.К. и Федулова В. В., большая часть прогресса нейронного машинного перевода (НМП) в значительной степени связана с изобретением и развитием новых нейронных сетей, действующих как основные модели для НМП [6, с. 43]. Ключевые задачи, с которыми сталкивается нейронный машинный перевод, связаны с лексической многозначностью слов и необходимостью учитывать контекст не только на уровне отдельного предложения, но и в рамках абзаца или целого текста. Также существует ряд ограничений, связанных с процессом декодирования, включая особенности авторегрес- Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 183 http://nauko-sfera.ru/ сионного подхода и сложность учёта двунаправленных связей. Кроме того, серьезной проблемой является дефицит параллельных текстовых данных для многих языковых пар, что ограничивает количество доступной обучающей информации и влияет на качество перевода. Нынешние системы нейронного машинного перевода показывают определенные недостатки, особенно при обработке сложных синтаксических конструкций и мультимедийного контента. Современные исследования и разработки направлены на преодоление данных ограничений [6, с. 43]. Для проведения исследования уместной передачи прагматики английского языка в настоящей работе был создан и подвергнут анализу специализированный текстовый массив, включающий 23 характерных образца, классифицированных по четырем основным прагматическим типам: косвенные речевые акты (5 примеров), ирония и сарказм (5 примеров), стилистические маркеры (5 примеров) и культурные явления (8 примеров). Оценка точности воспроизведения прагматических элементов осуществлялась по следующему алгоритму: 1. Формирование эталонных переводов: для каждого из 23 исходных английских высказываний был предварительно разработан эталонный перевод на русский язык. Данный перевод считался эталонным, так как адекватно и полно передавал не только семантическое содержание, но и прагматическое значение исходной единицы (иллокутивную силу косвенного речевого акта, ироническую интенцию, стилистическую окраску или культурный компонент значения). 2. Процедура перевода: каждый образец был обработан тремя нейросетевыми системами — DeepL, Google Translate и Yandex Translate — без дополнительных контекстуальных подсказок или ручной коррекции. 3. Процедура оценки и подсчета: оценка точности осуществлялась методом бинарного (да/нет) сравнения. Каждый машинный перевод в каждой категории сопоставлялся с эталонным. Успешным переводом признавался тот, в котором прагматический элемент (например, побудительная сила в косвенном речевом акте «Could you open the door?», переведенная как «Не могли бы вы открыть дверь?» или «Откройте дверь, пожалуйста») был передан адекватно и распознаваемо для носителя русского языка. Неудачным переводом признавался тот, в котором прагматический элемент был утрачен, искажен или передан неадекватно (например, тот же косвенный речевой акт переводился как вопрос о возможности «Вы можете открыть дверь?», без побудительного значения). 4. Подсчет результатов: по каждой из четырех прагматических категорий для каждой системы-переводчика был вычислен процент успешных переводов от общего количества примеров в категории. Результаты анализа, представленные в сводной таблице, демонстрируют систематических характер прагматических сбоев (табл. 1). Таблица 1. Сводная таблица успешности прагматического перевода по категориям (%) Категория ошибок DeepL Google Translate Yandex Translate Косвенные речевые акты 20 % (1/5) 0 % (0/5) 0 % (0/5) Ирония и сарказм 0 % (0/5) 0 % (0/5) 0 % (0/5) Стилистические маркеры 20 % (1/5) 0 % (0/5) 0 % (0/5) Культурные явления 62,5 % (5/8) 50 % (4/8) 37,5 % (3/8) Общий результат 30,4 % 17,4 % 13 % Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 184 http://nauko-sfera.ru/ Полученные данные позволяют сформулировать следующие выводы: 1. Обнаружена системная неспособность нейропереводчиков адекватно передавать прагматические аспекты английского языка. Наибольшие трудности наблюдаются в сфере иронии и сарказма (0 % успешных переводов у всех систем) и косвенных речевых актов (максимальный показатель 20 % у DeepL). 2. Выявлена значительная вариативность в эффективности разных систем. DeepL продемонстрировал относительное преимущество (30,4 % успешных переводов), в то время как Yandex Translate показал наименьшую эффективность (13 %). Однако даже лучший результат свидетельствует о критически низком уровне прагматической компетенции. 3. Установлена избирательность прагматических способностей нейросетей. Наиболее успешно системы справляются с культурными явлениями, особенно с высокочастотными идиомами, что свидетельствует о «шаблонном» характере их прагматической компетенции. 4. Обнаружены специфические типы прагматических ошибок, включая нейтрализацию косвенных речевых актов, буквализацию идиом, нивелирование стилистических маркеров и полное игнорирование иронических интенций. На основании проведенного анализа генерации иноязычных высказываний посредством нейросетевых переводчиков можно сделать ряд важных заключений относительно их возможностей в адекватной передаче прагматических аспектов английского языка. Необходимо отметить, что современные нейросетевые системы демонстрируют лишь элементарное и непоследовательное понимание прагматики, которое проявляется главным образом в отношении часто встречающихся языковых структур. Экспериментальная оценка, проведенная с использованием специально разработанного текстового корпуса, показала, что даже самые продвинутые алгоритмы не могут обеспечить стабильную и надежную интерпретацию ключевых прагматических категорий. Основным препятствием является отсутствие у языковых моделей реального опыта взаимодействия с окружающим миром и доступа к общим для носителей языка знаниям. Нейросети обрабатывают статистические закономерности в данных, не обладая способностью к пониманию коммуникативных намерений, стоящих за высказыванием, что закономерно приводит к систематическим ошибкам в ситуациях, требующих учета экстралингвистического контекста. Это особенно заметно при рассмотрении сложности прагматических явлений: наиболее трудными для адекватной передачи оказались косвенные речевые акты и культурно-специфический текст, в то время как с устоявшимися выражениями системы справляются относительно успешно. Для преодоления системного прагматического разрыва в нейропереводе требуется усовершенствование методологии его оценки. Перспективным направлением является разработка стандартизированных многоуровневых корпусов, включающих связные тексты и диалоги с аннотацией прагматических категорий, что позволит оценить способность систем учитывать широкий контекст. Целесообразен переход от бинарной оценки к градуальной шкале, фиксирующей степень адекватности передачи прагматики, а также системное привлечение экспертов-лингвистов для анализа спектра переводческих решений. Методология должна быть адаптирована к жанровой специфике текстов, поскольку прагматические требования в различных дискурсах существенно различаются. Выявленные проблемы определяют ключевые направления дальнейших исследований. К ним относится разработка гибридных моделей, интегрирующих статистические методы с базами экстралингвистических знаний, и сравнительный анализ прагматической компетенции классических нейропереводчиков и больших языковых моделей (LLM). В прикладной сфере актуальна разработка методик пост-редактирования для коррекции типичных прагматических ошибок. Важным представляется и психолингвистическое изучение восприятия этих ошибок носителями языка для определения критериев коммуникативного успеха. Наукосфера. №11 (1), 2025 Филологические науки ISSN 2542-0402 185 http://nauko-sfera.ru/ Полученные результаты убедительно свидетельствуют о том, что дальнейший прогресс в области нейроперевода невозможен без интеграции механизмов обработки внеязыковых знаний и контекстуальных данных в архитектуру моделей. Как показано в исследовании Соснина А.В., Балакиной Ю.В. и Кащихина А.Н., сугубо математические процедуры не смогут служить полноценными лингвистическими мета-моделями оценки до тех пор, пока они не будут дополнены синтаксическими и семантическими алгоритмами [10, с. 43]. Перспективы преодоления выявленных ограничений заключаются в междисциплинарном сотрудничестве лингвистов и разработчиков искусственного интеллекта, направленном на создание специализированных наборов данных для оптимизации моделей под прагматические задачи. Только комплексный подход позволит преодолеть разрыв между формальными языковыми моделями и реальной человеческой коммуникацией, открывая новые возможности в развитии технологий машинного перевода. СПИСОК ЛИТЕРАТУРЫ 1. Белов В.А., Белова В.М. Проблема перевода дискурсивных слов (на материале русского и английского языков) // T&L. 2024. №4. С. 84–102. DOI 10.48417/technolang.2024.04.07. 2. Боброва Е.Д. Роль теории речевых актов в становлении и развитии лингвистической прагматики // Вестник РУДН. Серия: Лингвистика. 2012. №1. С. 5–11. 3. Богуславская С.М. Диалог в трудах М. М. Бахтина // Вестник ОГУ. 2011. №7 (126). С. 17– 23. 4. Горячкин Б.С., Королёва Ю.П. Этические аспекты использования систем искусственного интеллекта // ИВД. 2024. №4 (112). 5. Дроздова Т.В., Вишнякова Е.А., Полунина Л.Н. Реализация принципа кооперации в речевом взаимодействии и его специфика // The Scientific Heritage. 2018. №25-2 (25). С. 48–49. 6. Касьянов В.К., Федулова В. В. Основные проблемы нейронного машинного перевода // Успехи в химии и химической технологии. 2021. №11 (246). С. 43–45. 7. Комиссаров В.Н. Современное переводоведение. М.: ЭТС, 2002. 424 с. 8. Макеева А.Д. Теоретические основы понятия культурно-маркированной лексики в лингвистике // Вестник науки. 2024. №12 (81). С. 900–903. 9. Остин Дж. Слово как действие // Новое в зарубежной лингвистике. 1986. С. 22–129. 10. Соснин А.В., Балакина Ю.В. Кащихин А.Н. Взаимосвязь экспертных категорий и автоматических метрик, используемых для оценки качества перевода // Вестник СПбГУ. Язык и литература. 2022. №1. С. 125–148. Поступила в редакцию: 05.11.2025 © Масленникова В. С., 2025. Принята в печать: 12.12.2025