Разработка методики верификации структуры фрейма на основе экспертных оценок больших языковых моделей

Аннотация

Цель исследования – разработать методику верификации структуры фрейма на основе данных больших языковых моделей. В статье предложена методика применения генеративного искусственного интеллекта для верификации кандидатной структуры фрейма, построенной в результате фреймового моделирования на основе метода анализа словарных дефиниций. В фокусе внимания авторов процедура и критерии сопоставления кандидатной структуры фрейма и структуры, полученной посредством обращения к генеративному искусственному интеллекту, а также принципы фреймового моделирования на основе данных больших языковых моделей. Научная новизна исследования состоит в том, что впервые для верификации модели фрейма, построенной с помощью классического метода анализа словарных дефиниций, предлагается процедура, включающая генерацию альтернативных фреймовых моделей несколькими разноязычными моделями по единому детализированному промпту с последующей обязательной корпусной проверкой предложенных компонентов. В результате исследования установлено, что при сопоставлении кандидатной модели фрейма «научно-техническое достижение» со структурами, сгенерированными пятью языковыми моделями (Алиса AI, GigaChat, ChatGPT, Perplexity AI, DeepSeek), семантически облигаторные, лексикографически эксплицированные компоненты устойчиво воспроизводятся независимо от языка обучающего корпуса модели, тогда как дискурсивно-прагматические компоненты остаются вне досягаемости генеративного вывода. Из пяти предложенных моделями новых компонентов эмпирическую проверку выдержал только один – узел «Визуальные и нарративные элементы», включенный в верифицированную модель фрейма.

Материалы исследования

1. Алиса AI. https://alice.yandex.ru/
2. GigaChat. https://giga.chat/
3. ChatGPT. https://chatgpt.com/ru-RU/
4. Perplexity AI. https://www.perplexity.ai
5. DeepSeek. https://chat.deepseek.com

Источники

1. Минский М. Фреймы для представления знаний. М.: Энергия, 1979.
2. Овсянникова М. А. Анализ тональности текста посредством инструмента искусственного интеллекта // Три «л» в парадигме современного гуманитарного знания: лингвистика, литературоведение, лингводидактика: сборник научных статей. М.: Языки Народов Мира, 2025.
3. Овсянникова М. А., Николаева М. Н. Нейросети как инструмент анализа текста: сравнительный аспект // Язык в эпоху цифровых трансформаций и развития искусственного интеллекта: сборник научных статей по итогам международной научной конференции (Минск, 23-24 октября 2024 г.). Мн.: Минский государственный лингвистический университет, 2024.
4. Светикова А. Д. Использование систем искусственного интеллекта при конструировании фрейма «отношение смены собственника» (на основе программы YandexGPT2) // Наука в Мегаполисе. 2024. № 6 (62).
5. Селиверстова О. Н. Труды по семантике. М.: Языки славянской культуры, 2004.
6. Сулейманова О. А. Пути верификации лингвистических гипотез: pro et contra // Вестник МГПУ. Серия: Филология. Теория языка. Языковое образование. 2013. № 2 (12).
7. Сулейманова О. А., Фомина М. А. Верификационный потенциал семантического эксперимента // Современные лингвистические и методико-дидактические исследования. 2017. № 2 (34).
8. Сулейманова О. А., Фомина М. А. Триангуляционный подход в экспериментальной лингвистике // Русистика и компаративистика: научные труды по филологии. М.: Книгодел, 2018.
9. Тивьяева И. В. Интеграция искусственного интеллекта в лингвистические исследования: новые методологические возможности // Слово, фраза, текст в антропоцентрической парадигме: материалы международной научно‑практической конференции (Владимир, 13 марта 2026 г.). Владимир: Владимирский государственный университет им. А. Г. и Н. Г. Столетовых, 2026a.
10. Тивьяева И. В. Методологический статус ИИ-текстов в лингвистических исследованиях // Вестник МГПУ. Серия: Филология. Теория языка. Языковое образование. 2026b. № 3 (63).
11. Филлмор Ч. Фреймы и семантика понимания // Новое в зарубежной лингвистике. М.: Прогресс, 1988. Вып. 23. Когнитивные аспекты языка.
12. Чухарев Е. М., Худяков А. А. Когнитивная лингвистика и искусственный интеллект: результаты и тенденции взаимодействия // Вопросы когнитивной лингвистики. 2004. № 2-3.
13. Baker C. F., Fillmore Ch. J., Lowe J. B. The Berkeley FrameNet Project // 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics. Montreal: Association for Computational Linguistics, 1998. Vol. 1.
14. Fillmore C. J. Frame Semantics and the Nature of Language // Annals of the New York Academy of Sciences. 1976. Vol. 280 (1). https://doi.org/10.1111/j.1749-6632.1976.tb25467.x
15. Firsanova V. I. Verification of linguistic hypotheses applying large language models // Cherepovets State University Bulletin. 2025. Vol. 1 (124).
16. Hu J., Levy R. Language models align with human judgments on key grammatical constructions. 2024. https://doi.org/10.48550/arXiv.2402.01676
17. Koeva S. Large Language Models in Linguistic Research: the Pilot and the Copilot // Proceedings of the Sixth International Conference on Computational Linguistics in Bulgaria (CLIB 2024). Sofia: Bulgarian Academy of Sciences, 2024. https://doi.org/10.47810/CLIB.24.35
18. McEnery T., Hardie A. Corpus Linguistics. Cambridge: Cambridge University Press, 2011. https://doi.org/10.1017/CBO9780511981395
19. Petroni F., Rocktäschel T., Riedel S., Lewis P., Bakhtin A., Wu Y., Miller A. Language Models as Knowledge Bases? // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Hong Kong: Association for Computational Linguistics, 2019. https://doi.org/10.18653/v1/D19-1250
20. Qiu Z., Duan X., Cai Z. G. Grammaticality representation in ChatGPT as compared to linguists and laypeople // Humanities and Social Sciences Communications. 2025. Vol. 12. Art. 617. https://doi.org/10.1057/s41599-025-04907-8
21. Suleimanova O. A., Petrova I. M. Using Big Data Experiments in Cognitive and Linguo-Cultural Research in English and Russian // Journal of Siberian Federal University. Humanities and Social Sciences. 2020. Vol. 13. No. 3. https://doi.org/10.17516/1997-1370-0561
22. Suresh S., Mukherjee K., Giallanza T., Yu X., Patil M., Cohen J. D., Rogers T. T. AI‑Enhanced Semantic Feature Norms for 786 Concepts // Topics in Cognitive Science. 2026. Vol. 18 (2). Art. e70037. https://doi.org/10.1111/tops.70037
23. Suresh S., Mukherjee K., Rogers T. Semantic feature verification in FLAN‑T5. 2023. https://arxiv.org/pdf/2304.05591
24. Uchida S. Using early LLMs for corpus linguistics: Examining ChatGPT’s potential and limitations // Applied Corpus Linguistics. 2024. Vol. 4 (1). Art. 100089. https://doi.org/10.1016/j.acorp.2024.100089

Информация об авторах

Информация о статье

История публикации

• Поступила в редакцию: 14 августа 2026.
• Опубликована: 5 ноября 2026.

Ключевые слова

• фреймовое моделирование
• кандидатная структура фрейма
• верификация фрейма
• большие языковые модели
• генеративный искусственный интеллект
• frame modeling
• candidate frame structure
• frame verification
• large language models
• generative artificial intelligence

Copyright

© 2026 Автор(ы)
© 2026 ООО Издательство «Грамота»

Лицензионное соглашение

Creative Commons Attribution 4.0 International (CC BY 4.0)