Keywords
искусственный интеллект
военно-юридический текст
военно-юридический дискурс
лингвистические маркеры
профессиональная терминология
семантический сдвиг
терминологическая точность
модальность
смысловое искажение
How to Cite
Abstract
В статье рассматриваются лингвистические маркеры семантической деградации в военно-юридических текстах, генерируемых системами искусственного интеллекта. Семантическая деградация определяется как частичная или существенная утрата, искажение либо неоправданная трансформация исходного профессионально значимого смысла в процессе автоматической генерации текста. Особое внимание уделяется специфике военно-юридического дискурса, характеризующегося терминологической точностью, нормативностью, однозначностью формулировок и высокой степенью ответственности за интерпретацию языковых единиц. Выделяются основные лингвистические маркеры семантической деградации: терминологические подмены, семантическое расширение и сужение значения, контекстуально необоснованная синонимизация, утрата нормативно-правовых компонентов значения, нарушение логико-семантических связей, референциальная неопределённость, модальные сдвиги и смысловые противоречия. Показано, что внешняя грамматическая и стилистическая корректность ИИ-текста не всегда свидетельствует о сохранении его профессиональной семантической точности. Делается вывод о необходимости комплексного лингвистического контроля текстов, генерируемых искусственным интеллектом, при их использовании в военной и юридической профессиональной коммуникации.References
1. Арутюнова Н. Д. Типы языковых значений: Оценка. Событие. Факт. — М.: Наука, 1988. — 341 с.
2. Карасик В. И. Языковой круг: личность, концепты, дискурс. — Волгоград: Перемена, 2002. — 477 с.
3. Кубрякова Е. С. Начала когнитивной науки о языке. — М.: Языки славянской культуры, 2004. — 560 с.
4. Лейчик В. М. Терминоведение: предмет, методы, структура. — М.: Либроком, 2009. — 256 с.
5. Суперанская А. В., Подольская Н. В., Васильева Н. В. Общая терминология: вопросы теории. — М.: Либроком, 2012. — 248 с.
6. Чернейко Л. О. Лингвофилософский анализ абстрактного имени. — М.: Издательство Московского университета, 1997. — 320 с.
7. Mattila H. E. S. Comparative Legal Linguistics: Language of Law, Latin and Modern Lingua Francas. — 2nd ed. — Farnham: Ashgate, 2013.
8. Tiersma P. M. Legal Language. — Chicago: University of Chicago Press, 1999.
9. Gibbons J. Forensic Linguistics: An Introduction to Language in the Justice System. — Oxford: Blackwell, 2003.
10. Solan L. M., Tiersma P. M. Speaking of Crime: The Language of Criminal Justice. — Chicago: University of Chicago Press, 2005.
11. Ji Z., Lee N., Frieske R. et al. Survey of Hallucination in Natural Language Generation // ACM Computing Surveys. — 2023. — Vol. 55, No. 12. — P. 1–38. DOI: 10.1145/3571730.
12. Bouyamourn A. Why LLMs Hallucinate, and How to Get (Evidential) Closure: Perceptual, Intensional, and Extensional Learning for Faithful Natural Language Generation // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing. — Singapore: Association for Computational Linguistics, 2023. — P. 3181–3193. DOI: 10.18653/v1/2023.emnlp-main.192.
13. Guha N., Nyarko J., Ho D. E. et al. LegalBench: A Collaboratively Built Benchmark for Measuring Legal Reasoning in Large Language Models. — 2023.
14. Fei Z., Shen X., Zhu D. et al. LawBench: Benchmarking Legal Knowledge of Large Language Models. — 2023.
15. Hou A., Jurayj W., Holzenberger N., Blair-Stanek A., Van Durme B. Gaps or Hallucinations? Scrutinizing Machine-Generated Legal Analysis for Fine-grained Text Evaluations // Proceedings of the Natural Legal Language Processing Workshop 2024. — Miami, FL: Association for Computational Linguistics, 2024. — P. 280–302. DOI: 10.18653/v1/2024.nllp-1.24.
16. Wang Y., Wang M., Manzoor M. A. et al. Factuality of Large Language Models: A Survey // Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. — Miami, FL: Association for Computational Linguistics, 2024. — P. 19519–19529. DOI: 10.18653/v1/2024.emnlp-main.1088.
17. Sahoo P., Meharia P., Ghosh A. et al. A Comprehensive Survey of Hallucination in Large Language, Image, Video and Audio Foundation Models // Findings of the Association for Computational Linguistics: EMNLP 2024. — 2024. — P. 11709–11724. DOI: 10.18653/v1/2024.findings-emnlp.685.
18. Venkit P. N., Chakravorti T., Gupta V. et al. An Audit on the Perspectives and Challenges of Hallucinations in NLP // Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. — 2024. — P. 6528–6548. DOI: 10.18653/v1/2024.emnlp-main.375.
19. Zhang Y., Li Y., Cui L. et al. Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Models // Computational Linguistics. — 2025.
20. Egbert J., Lee T. R. Legal Language // The Cambridge Handbook of English Corpus Linguistics. — Cambridge: Cambridge University Press, 2026.
This work is licensed under a Creative Commons Attribution 4.0 International License.