dongu-vestnik05.ru

Вестник Донецкого университета. Серия 05. Филология и психология

Vestnik of Donetsk University. Series 05. Philology and Psychology

2616-8162

941

10.5281/zenodo.22961242

Articles

Статьи

Research Article

Yurova E.A. Generated mediatext: classification of linguistic and pragmatic features of generation and their analysis

Юрова Е.А. Сгенерированный медиатекст: классифицирование лингвопрагматических признаков генерации и их анализ

https://orcid.org/0009-0003-1343-7359

Yurova

Elizaveta Andreevna

Юрова

Елизавета Андреевна

elizabeth1999fedorova@mail.ru 1

Кубанский государственный университет Kuban State University

28 09 2026

NO5 (2026)

№5 (2026)

257 269 29 09 2026

2026

Вестник Донецкого университета. Серия 05. Филология и психология

Vestnik of Donetsk University. Series 05. Philology and Psychology

Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0)

https://dongu-vestnik05.ru/index.php/vestnik05/article/view/941

The article examines the phenomenon of generation using the example of media discourse texts. The obtained linguistic and pragmatic features of the generated text were classified. In the course of the research, the following methods were used: descriptive (collection of linguistic material, classification of the found linguistic units, description of their features in relation to media discourse), quantitative method (quantitative content analysis of the selected text units — features of generation), as well as the method of generalization and systematization. According to the results of the study, 847 linguistic and pragmatic markers of the generated text were identified in 40 articles of the journalistic genre features in the web magazine BuzzFeed. The quantitative content of each type was determined, which includes: 432 cliches; 209 graphic errors; 42 typographical errors; 41 template structures; 37 punctuation errors; 31 spelling errors; 14 examples of excessive epithesis; 13 morphological errors; 11 syntactic errors; 8 lexical errors, including lexical repetitions; 5 logical errors; 3 examples of redundancy structures; 1 factual error. The statistical data obtained can be used by linguists and programmers in teaching neural networks to process natural language and improve their text generation.

В статье изучается феномен генерации на примере текстов медиадискурса. Полученные лингвопрагматические признаки сгенерированного текста были выделены в классификацию. При проведении исследования были использованы следующие методы: описательный (сбор языкового материала, классификация найденных лингвистических единиц, описание их особенностей применительно к медиадискурсу), квантитативный метод (количественный контент‑анализ отобранных в классификацию единиц текста — признаков генерации), а также метод обобщения и систематизации. По результатам исследования в 40 статьях публицистического жанра features в веб‑журнале BuzzFeed было выявлено 847 лингвопрагматических маркеров сгенерированного текста. Установлено количественное содержание каждого из видов, что включает: 432 клише; 209 графических ошибок; 42 типографические ошибки; 41 шаблонную структуру; 37 пунктуационных ошибок; 31 орфографическую ошибку; 14 примеров чрезмерной эпитезации; 13 морфологических ошибок; 11 синтаксических ошибок; 8 лексических ошибок, включая лексические повторы; 5 логических ошибок; 3 примера редундантности; 1 фактическую ошибку. Полученные статистические данные могут быть использованы лингвистами и программистами при обучении нейросетей обработке естественного языка и совершенствовании генерации ими текстов.

artificial intelligence (AI) neural network text generation media discourse of websites newspaper and journalistic discourse journalistic discourse features media text synthetic text linguistic and pragmatic features of the generated text online media BuzzFeed

искусственный интеллект (ИИ) генерация текста нейросеть медиадискурс веб-сайтов газетно-публицистический дискурс публицистический дискурс features медиатекст синтетический текст лингвопрагматические признаки сгенерированного текста Интернет СМИ BuzzFeed

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

1. Баранова Е.А. Трансформация института СМИ в условиях медиаконвергенции / Е.А. Баранова // Коммуникология. — 2016. — №3 (4). — С. 188–203. — https://doi.org/10.21453/2311 3065 2016 4 3 188 203.

2. Добросклонская Т.Г. Массмедийный дискурс в системе медиалингвистики / Т.Г. Добросклонская // Медиалингвистика. — 2015. — №1 (6). — С. 45–56.

3. Красикова Т.Р. Телевидение как объект мультимодального дискурс анализа / Т.Р. Красикова, Е.А. Кожемякин // Ученые записки Казанского университета. Серия Гуманитарные науки. — 2018. — №4 (160). — С. 894–907.

4. Куличенко Ю.Н. Стратегии и тактики создания положительного имиджа города в туристическом медиадискурсе / Ю.Н. Куличенко, Е.А. Курченкова // Медиалингвистика. — 2025. — №12 (2). — С. 265–108. — https://doi.org/10.21638/spbu22.2025.206.

5. Оломская Н.Н. Лингвопрагматические особенности сгенерированного текста в медиадискурсе социальных сетей (на примере текстов о выборах губернатора Нижегородской области — 2023 в России) / Н.Н. Оломская, Е.А. Юрова // Российский социально гуманитарный журнал. — 2025. — №2. — С. 302–324. — https://doi.org/10.18384/2224 0209 2025 2 1649.

6. Осокина А.И. Типографика в медиасреде: от печатного текста к электронному / А.И. Осокина // Молодежь в науке : [сб. науч. тр.]. — Петрозаводск : Международный центр научного партнерства «Новая наука», 2023. — С. 276–285.

7. Пром Н.А. Типы адресата в медиадискурсе / Н.А. Пром // Медиалингвистика. — 2020. — №1 (7). — С. 95 103. — https://doi.org/10.21638/spbu22.2020.108.

8. Сюндюков Н.К. Интернет СМИ и особенности их функционирования / Н.К. Сюндюков // Управленческое консультирование. — 2014. — №12 (72). — С. 180–191.

9. Трофимов Р.В. Лингвистические механизмы генерации фейковых новостей при помощи искусственного интеллекта / Р.В. Трофимов // Вестник Северного (Арктического) федерального университета. Серия: Гуманитарные и социальные науки. — 2025. — №3 (25). — С. 87–97. — https://doi.org/10.37482/2687 1505 V437.

10. Туркулец И.А. Композиционные особенности текстов, сгенерированных ChatGPT, как маркер несамостоятельности выполнения работ студентами / И.А. Туркулец // Правовая реальность в условиях цифровизации общества. — 2023. — С. 59–68.

11. Черкасова М.Н. Признаки сгенерированного текста в академическом дискурсе: проблема идентификации / М.Н. Черкасова, А.В. Тактарова // Филологические науки. Вопросы теории и практики. — 2024. — №7 (17). — С. 2226–2232. — https://doi.org/10.30853/phil20240307.

12. Юрова Е.А. Искусственный интеллект в медиадискурсе: классификация лингвопрагматических признаков сгенерированного текста / Е.А. Юрова // Вестник Северо восточного федерального университета им. М.К. Аммосова. — 2025. — №4. — С. 234–249. — https://doi.org/10.25587/2222 5404 2025 22 4 234 249.

13. Georgiou G.P. Differentiating between human written and AI generated texts using linguistic features automatically extracted from an online computational tool [Электронный ресурс] / G.P. Georgiou. — Режим доступа: https://www.researchgate.net/publication/382064960_Differentiating_between_human written_and_AI generated_texts_using_linguistic_features_automatically_extracted_from_an_online_computational_tool (дата обращения: 10.02.2026). — https://doi.org/10.48550/arXiv.2407.03646.

14. Muñoz Ortiz A. Contrasting Linguistic Patterns in Human and LLM Generated News Text / A. Muñoz Ortiz, C. Gómez Rodríguez, D. Vilares // Artificial Intelligence Review. — 2024. — №57 (265). С. 1–28. — https://doi.org/10.1007/s10462 024 10903 2.

15. Pudasaini Sh. Survey on Plagiarism Detection in Large Language Models: The Impact of ChatGPT and Gemini on Academic Integrity [Электронный ресурс] / Sh. Pudasaini, L. Miralles Pechuan, D. Lillis, M. Llorens Salvador. — Режим доступа: https://www.researchgate.net/publication/382364068_Survey_on_Plagiarism_Detection_in_Large_Language_Models_The_Impact_of_ChatGPT_and_Gemini_on_Academic_Integrity (дата обращения: 10.02.2026). — https://doi.org/10.48550/arXiv.2407.13105.

16. Pudasaini Sh. Benchmarking AI Text Detection: Assessing Detectors Against New Datasets, Evasion Tactics, and Enhanced LLMs / Sh. Pudasaini, L. Miralles Pechuan, M. Llorens Salvador, D. Lillis // Proceedings of the 1st Workshop on GenAI Content Detection. — 2025. — С. 68–77.

17. Алгоритм пришел на смену журналистам [Электронный ресурс]. — Режим доступа: https://www.kommersant.ru/doc/3414753 (дата обращения: 15.01.2026).

18. Интернет издание [Электронный ресурс]. — Режим доступа: https://znanierussia.ru/articles/Интернет издание (дата обращения: 18.01.2026).

19. ЛЕКЦИЯ 8. Основные типы медиатекстов: новости, информационная аналитика, публицистика, реклама [Электронный ресурс]. — Режим доступа: https://bookonlime.ru/lecture/lekciya 8 osnovnye tipy mediatekstov novosti informacionnaya analitika publicistika 2 (дата обращения: 18.01.2026).

20. ЛЕКЦИЯ 11. Лингвостилистические особенности публицистических текстов [Электронный ресурс]. — Режим доступа: https://bookonlime.ru/lecture/lekciya 11 lingvostilisticheskie osobennosti publicisticheskih tekstov (дата обращения: 18.01.2026).

21. Alberta, Canada: Home Of Breathtaking Mountains, Crisp, Clean Air, And Views That'll Steal Your Heart [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/alberta canada ai cowritten (дата обращения: 23.01.2026).

22. As Told to Buzzy [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy (дата обращения: 20.01.2026).

23. Brewster, Massachusetts: Cape Cod's Hidden Gem [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/brewster ai cowritten (дата обращения: 23.01.2026).

24. BuzzFeed Publishes AI Generated Travel Guides Collaboratively Written with Buzzy the [Электронный ресурс]. — Режим доступа: https://www.ghacks.net/2023/03/31/buzzfeed publishes ai generated travel guides collaboratively written with buzzy the robot/ (дата обращения: 15.01.2026).

25. Carmel By The Sea, California: The Ultimate Hidden Gem Of California's Coast [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/carmel by the sea ai cowritten (дата обращения: 23.01.2026).

26. Eureka Springs, Arkansas: Where Halloweentown Comes To Life [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/eurekaspringsarkansas ai cowritten (дата обращения: 23.01.2026).

27. Georgia: One Of The Most Underrated Travel Destinations [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/georgia ai cowritten (дата обращения: 23.01.2026).

28. June Lake, California: Small Town Charm And Big Fish Energy Just Hours From Los Angeles Worlds [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/june lake california ai cowritten (дата обращения: 23.01.2026).

29. Osaka, Japan: A Foodie, Friendly, Fun Filled City [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/osaka japan ai cowritten (дата обращения: 23.01.2026).

30. Saugerties, NY: A Hidden Gem Where Small Town Charm Meets Big City Cool [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/saugerties ny ai cowritten (дата обращения: 23.01.2026).

31. The Ultimate List Of Underrated Travel Destinations: 42 Must Visits For 2023 [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/buzzfeedstaff/underrated travel destinations 2023 (дата обращения: 23.01.2026).

32. The Dolomites: A Mountain Haven with the Best of Italian and Alpine Worlds [Электронный ресурс]. — Режим доступа: https://www.buzzfeed.com/astoldtobuzzy/the dolomites ai cowritten (дата обращения: 23.01.2026).

1. Baranova E.A. (2016). Transformaciya instituta SMI v usloviyax mediakonvergencii [Media institute transformation under the conditions of media convergence]. Kommunikologiya, 3 (4), 188–203. https://doi.org/10.21453/2311 3065 2016 4 3 188 203 (In Russian).

2. Dobrosklonskaya T.G. (2015). Massmedijny`j diskurs v sisteme medialingvistiki [Media discourse within the framework of media linguistics]. Medialingvistika, 1 (6), 45–56. (In Russian).

3. Krasikova T.R. & Kozhemyakin, E.A. (2018). Televidenie kak ob``ekt mul`timodal`nogo diskurs analiza [Television as a subject of multimodal discourse analysis]. Uchenye Zapiski Kazanskogo Universiteta. Seriya Gumanitarnye Nauki, 4 (160), 894–907. (In Russian).

4. Kulichenko Yu.N. & Kurchenkova, E.A. (2025). Strategii i taktiki sozdaniya polozhitel`nogo imidzha goroda v turisticheskom mediadiskurse [Strategies and tactics for creating a positive image of the city in tourism media discourse]. Medialingvistika, 12 (2), 265–278. https://doi.org/10.21638/spbu22.2025.206 (In Russian).

5. Olomskay, N.N. & Yurova, E.A. (2025). Lingvopragmaticheskie osobennosti sgenerirovannogo teksta v mediadiskurse social`ny`x setej (na primere tekstov o vy`borax gubernatora Nizhegorodskoj oblasti — 2023 v Rossii) [Linguopragmatic Features of AI Generated Text in the Media Discourse of Social Networks (on the Example of Texts Devoted to the Governor Election in the Nizhny Novgorod Region, Russian Federation, 2023)]. Rossijskij social`no gumanitarny`j zhurnal, 2, 302–324. https://doi.org/10.18384/2224 0209 2025 2 1649. (In Russian).

6. Osokina A.I. (2023). Tipografika v mediasrede: ot pechatnogo teksta k e`lektronnomu [Typography in the media environment: from printed text to electronic]. Molodezh` v nauke. Petrozavodsk: The International Center for Scientific Partnership “New Science”. (In Russian).

7. Prom N.A. (2020). Tipy` adresata v mediadiskurse [Types of addressee in media discourse]. Medialinguistica, 1 (7), 95–103. https://doi.org/10.21638/spbu22.2020.108. (In Russian).

8. Syundyukov N.K. (2014). Internet SMI i osobennosti ix funkcionirovaniya [Internet Mass media and Features of Their Functioning]. Upravlencheskoe konsul`tirovanie, 12 (72), 180–191. (In Russian).

9. Trofimov R.V. (2025). Lingvisticheskie mexanizmy` generacii fejkovy`x novostej pri pomoshhi iskusstvennogo intellekta [Linguistic Mechanisms for Generating Fake News Using Artificial Intelligence]. Vestnik Severnogo (Arkticheskogo) federal’nogo universiteta. Ser.: Gumanitarnye i sotsial’nye nauki, 3 (25), 87–97. https://doi.org/10.37482/2687 1505 V437. (In Russian).

10. Turkulets I.A. (2023). Kompozicionny`e osobennosti tekstov, sgenerirovanny`x ChatGPT, kak marker nesamostoyatel`nosti vy`polneniya rabot studentami. Pravovaya real`nost` v usloviyax cifrovizacii obshhestva. Khabarovsk: Far Eastern State University of Railway Transport, 59–68. (In Russian).

11. Cherkasova M.N. & Taktarova, A.V. (2024). Priznaki sgenerirovannogo teksta v akademicheskom diskurse: problema identifikacii [Attributes of generated text in academic discourse: the problem of identification]. Filologicheskie nauki. Voprosy` teorii i praktiki, 7 (17), 2226–2232. https://doi.org/10.30853/phil20240307. (In Russian).

12. Yurova E.A. (2025). Iskusstvenny`j intellekt v mediadiskurse: klassifikaciya lingvopragmaticheskix priznakov sgenerirovannogo teksta [Artificial Intelligence in media discourse: the classification of linguistic and pragmatic features of the generated text]. Vestnik Severo Vostochnogo federal`nogo universiteta imeni M.K. Ammosova, 4, 234–249. https://doi.org/10.25587/2222 5404 2025 22 4 234 249. (In Russian).

13. Georgiou G.P. (2024). Differentiating between human written and AI generated texts using linguistic features automatically extracted from an online computational tool. Retrieved from https://www.researchgate.net/publication/382064960_Differentiating_between_human written_and_AI generated_texts_using_linguistic_features_automatically_extracted_from_an_online_computational_tool. https://doi.org/10.48550/arXiv.2407.03646. (In English).

14. Muñoz Ortiz A. (2024). Contrasting Linguistic Patterns in Human and LLM Generated News Text. Artificial Intelligence Review, 57 (265), 1–28. https://doi.org/10.1007/s10462 024 10903 2. (In English).

15. Pudasaini Sh. & Miralles Pechuan, L. & Lillis, D., & Llorens Salvador, M. Survey on Plagiarism Detection in Large Language Models: The Impact of ChatGPT and Gemini on Academic Integrity Retrieved from https://www.researchgate.net/publication/382364068_Survey_on_Plagiarism_Detection_in_Large_Language_Models_The_Impact_of_ChatGPT_and_Gemini_on_Academic_Integrity. https://doi.org/10.48550/arXiv.2407.13105. (In English).

16. Pudasaini Sh. & Miralles Pechuan, L. & Llorens Salvador, M. & Lillis D. (2025). Benchmarking AI Text Detection: Assessing Detectors Against New Datasets, Evasion Tactics, and Enhanced LLMs. Proceedings of the 1st Workshop on GenAI Content Detection, 68–77. (In English).