Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Термины и понятия искусственного интеллекта в лингвистическом освещении. Монография
.pdf
81
подсимвольный ИИ, прикладной (специальный) ИИ, символьный
ИИ, функциональные характеристики СИИАУД.
Н.В. Козловская и С. Янурик в статье «ИИ-композиты как
объект неологии и неографии XXI века» отмечают, что новейшая
неология и неография зафиксировали динамику роста в группе
сложных слов с первой частью «ИИ» (искусственный интеллект).
Ученые видят в этом тенденцию к усилению аналитизма на русской лексике и грамматике. Формант «ИИ», по данным Национального корпуса русского языка (НКРЯ) и базы данных СМИ
«Интегрум», является одним из наиболее продуктивных в русском
языке 2010-х гг. Авторы отмечают также «процесс дискурсивного
перехода научных терминов с первым компонентом “ИИ” в современную газетную и журнальную публицистику» [Козловская,
2021: 23].
Дифференциальный признак «искусственный интеллект»
как часть плана содержания
Планом содержания термина является его дефиниция, поэтому наличие дефиниции является обязательным признаком термина. Дефиниция — это языковое описание понятия, в основе которого лежит иерархия дифференциальных признаков, то есть
набор ряда характеристик, отражающих значение специального
слова. Дефиниция — промежуточное звено в дихотомии «терминпонятие», именно через дефиницию специалист осуществляет
идентификацию термина, поскольку одна и та же лексическая
форма может входить в разные терминологические базы. Дефиниция отражает общие и существенные признаки специального понятия, с одной стороны, с другой — содержит необходимое количество информации об отличительных его свойствах. Это позволяет дефиниции (и термину в целом) стать вместилищем новых
знаний о специальном объекте.
С развитием науки и техники появляются новые знания, и,
как следствие, либо возникают новые термины, либо уточняются
дефиниции уже существующих. Возникновение теории и практики
82
ИИ привело к созданию словарей и ГОСТов, определяющих и кодифицирующих понятия ИИ.
Исследователи Т.С. Серова и Д.А. Филимонцев пишут, что
введение новых терминов и понятий должно отвечать нескольким
условиям: «1) новые термины должны иметь конкретную смысловую “начинку”; 2) введение нового термина должно быть оправдано невозможностью вписать новое содержание в старые термины,
когда соответствующие понятия отсутствуют в языке; 3) введение
нового термина облегчает общение специалистов; 4) новый термин
обладает непременной связью с понятием узкой области знания,
терминосистемы; 5) способность существовать в определенном
терминологическом поле» [Серова, 2021: 17].
По сути, анализируемые ниже термины ИИ являются привлеченными из общеупотребительного языка либо перенесенными
из других терминосистем (транстерминологизированными). Однако их дефиниция включает сему «искусственный интеллект», которая отграничивает новый термин от субстрата, переводит его в
иную терминосистему и делает омонимичным по отношению к
производящему термину, например, автоматическая система —
«совокупность управляемого объекта и автономной СИИ, функционирующая самостоятельно, без участия человека» [ГОСТ Р
59277–2020]. В данном примере мы наблюдаем транстерминологизацию с одновременной семантизацией в новом терминополе.
Аналогично возникли термины аналитическая валидация — «подтверждение способности системы искусственного интеллекта точно, воспроизводимо и надежно генерировать предполагаемые технические результаты вычислений из входных данных» [ГОСТ Р
59921.1–2021], а также базовое значение показателя качества,
безопасность автоматизированного управления АТС, валидационная выборка, входные данные о дорожной обстановке, задача обработки естественного языка, клиническая валидация, когнитивные вычисления, контрольная выборка, критерий оценки качества, машинное обучение, экспертная система, эксплуатационные параметры и некоторые другие.
83
Следующая группа примеров демонстрирует привлечение с
одновременной семантизацией в поле ИИ: автономность — «характеристика системы ИИ, связанная с ее способностью самостоятельно (без участия человека) выполнять возложенные на нее
функции в течение заданного времени и с заданными показателями качества, надежности, безопасности» [ГОСТ Р 59277–2020].
Другие примеры: защищенность — «защита информации, данных
и программного кода системы искусственного интеллекта от чтения или изменения их посторонними людьми и системами таким
образом, чтобы авторизованным лицам и системам доступ к ним
запрещен не был» [ГОСТ Р 59921.7–2021]; заявитель — «физическое или юридическое лицо (разработчик, изготовитель (производитель) или уполномоченный представитель изготовителя (производителя), которое для подтверждения соответствия системы ИИ
заключает с выбранной медицинской организацией договор на
проведение клинических испытаний» [ГОСТ Р 59921.1–2021];
метрика — «функция количественной оценки качества работы
алгоритмов искусственного интеллекта на некоторой выборке»
[ГОСТ Р 59900–2021] и т.п.
Таким образом, в исследовании различаем два способа заимствования лексики в специальные поля: привлечение — заимствование терминов и словосочетаний из литературного языка; транстерминологизация — заимствование термина из одного терминологического поля в другое.
Терминология ИИ (449 единиц) состоит из трех типов терминов: привлеченные (208 единиц, 46 %); транстерминологизированные (187 единиц, 42 %); собственные (54 единицы, 12 %).
Адаптация привлеченных слов к функции термина осуществляется следующими путями:
1. Перераспределение сем (в термине при наличии некото-
рых сем литературного слова может отсутствовать часть дифференциальных признаков либо появляются новые, периферийные,
которые и становятся значимыми для термина). В научнотехнических сферах семы лексического фона, отражающие факто-
84
ры внеязыковой действительности, оказываются более важными
для семантики термина, чем собственно понятийные.
2. Метафоризация. Для метафорических терминов можно
реконструировать линии семантического пересечения со словами
литературного языка. При этом термины ИИ наделяются, как правило, свойствами, присущими человеку.
3. Спецификация дифференциальных признаков. В результа-
те этого процесса происходит обогащение семантики специального слова новыми семами, появляются дополнительные конкретизирующие признаки.
4. Сужение значения за счет ведения слов-ограничителей.
Такими словами являются маркеры принадлежности к определенному профессиональному полю, в нашем случае — принадлежности к терминологии искусственного интеллекта. Толкование общелитературного слова и дефиниция термина в целом практически
идентичны, но определение термина содержит отсылку к некоторому терминополю.
5. Отсечение семантики общеупотребительного слова. У
литературного слова отсекается его лексическое значение и привязывается строго научное определение — дефиниция.
В исследуемом материале представлено 116 терминовсловосочетаний, привлеченных из литературного языка. Данные
выражения либо употребляются носителями русского языка без
ощущения их терминологичности, либо входят в такое большое
количество профессиональных полей, что установить их отраслевую принадлежность не представляется возможным. Хотя в общефилологических словарях они и имеют помету «спец.» или иное
указание на ограничение сферы употребления, эти значения не
совпадают с терминологическими значениями при специальном
употреблении.
Большая часть привлеченных терминов-словосочетаний сохраняет свое общелитературное значение. Среди этой группы терминов выделяем следующие:
1. Родовидовые термины. Большая часть представленных
родовых терминов является словами широкого объема — это об-
85
щенаучные или общетехнические термины, относящиеся к категориальным. С когнитивной точки зрения, метатермины выполняют
функцию строевых слов в структурной схеме членения объективной действительности. Только в рамках термина-словосочетания
семантика метатерминов приобретает определенность. Рассматриваемые нами термины находятся на тематическом уровне. Их типичная структура — двухсловная. Она включает интегрирующий и
дифференцирующий компонент. Термины тематического и субтематического уровней являются специальными лексемами с высокой степенью терминологизации, наиболее информативными лексемами, именно они фиксируют, хранят и передают специальную
профессиональную информацию.
2. Терминологические словосочетания на основе метафоры.
Метафора в терминологии ИИ является скорее исключением, чем
правилом. Наличием метафорических терминов характеризуются
старые терминологии, начавшие появляться по мере дифференциации трудовой деятельности. Метафоризации могут подвергаться
как ядерные, так и периферийные семы в толковании слов. В анализируемых нами словосочетаниях их структурные компоненты
сами по себе не являются метафорами. Метафоризация происходит одновременно с терминологизацией, то есть с закреплением за
термином определенного контекста — дефиниции. Выделяем две
разновидности метафорических терминов: а) метафоризация имени существительного; б) метафоризация имени прилагательного.
Процесс транстерминологизации в сфере ИИ оказался обусловленным экстралингвистическим факторами. Определяющей
выбор лексем стала государственная политика в области приоритетных направлений внедрения ИИ. К приоритетным отнесены
биометрические технологии, естественные языки, кибербезопасность, медицина, промышленность, транспорт, умный город, энергетика. С точки зрения языкового субстрата в исследуемом материале выделяем следующие терминологические системы-доноры:
термины сферы безопасности, транспорта, медицины, сельского
хозяйства, образования, лингвистики.
86
Транстерминологизированные единицы ИИ группируются
по трем основным категориям: термины-обозначения специальных
денотатов, специальных действий, процессов, специальных признаков. В основе новых ГОСТов по искусственному интеллекту
лежат, как правило, более ранние ГОСТы, ставшие донорами для
процесса транстерминологизации.
Отмечаем следующие механизмы транстерминологизации:
изменение уровня классификации слова, упрощение дефиниции,
изменение плана выражения термина, изменение плана содержания термина.
Поскольку ИИ — это те или иные технологии, обновляющиеся достаточно быстро, многие термины быстро устаревают. Основными причинами изменения словника современной терминологии ИИ стали, во-первых, перманентное развитие новых технологий и метаязыка их описания, во-вторых, тенденция к
гармонизации, ориентация на интернациональную терминологию,
понятную специалистам-носителям разных языков. Характеризуем
терминологию ИИ как междисциплинарную и трансдисциплинарную. Статус теории и практики ИИ как междисциплинарной науки
обусловил низкий процент собственных терминов в специальном
профессиональном поле — около 12 %. В нашем исследовании мы
предлагаем определить совокупность специальной лексики ИИ как
субтерминологию — исходя из значения иноязычной приставки
суб- — «вторичность, побочность, подчиненность». Предполагаем,
что это тенденция новейшего времени, обусловленная возрастанием роли междисциплинарного подхода к изучению объекта.
Поскольку термин представляет собой единство лексемы и
дефиниции, в нашем исследовании собственными считаем термины, содержащие сему «искусственный интеллект». Все собственные термины можно разделить на две группы: имеющие дифференциальный признак «искусственный интеллект» как 1 — часть
плана выражения и 2 — часть плана содержания.
87
ГЛАВА 3. ТЕРМИН «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
В РАЗНЫХ ДИСКУРСАХ
3.1. НАУЧНЫЙ ДИСКУРС
С 80 гг. ХХ в. дискурс стал рассматриваться как комплексное коммуникативное явление, а теория дискурса совместила традиционное изучение текста с исследованиями внелингвистических
характеристик (экстралингвистических, когнитивных, психологических). Для анализа текста важным стал анализ пропозиции. Понятие дискурса связало речь, текст и ситуацию. На современном
этапе дискурс рассматривается как синергия текста с внеязыковыми факторами (личностными, культурными, социальными и под.)
[Петрова, 2021: 251; Айвазян, 2012: 4–5].
В.З. Демьянков считает, что разговор о дискурсе должен
концентрироваться вокруг некоторого опорного концепта, который называют топиком дискурса или дискурсным топиком [Демьянков, 2003: 120]. Следовательно, по В.З. Демьянкову, анализ дискурса предполагает, что интерпретатор компонует пропозиции в
общее значение, а новая информация инкорпорируется в «рамки
уже полученной промежуточной, или предварительной интерпретации…» [Там же]. В нашем исследовании исходим из определения дискурса как «совокупности текстов с общим топиком» [Курдюмов, 2009: 89]. В таком понимании — как совокупности научных текстов с общим содержательно-тематическим ключом —
изучение научного дискурса восходит к работам по теории функциональных стилей речи, развиваемых прежде всего М.Н. Кожиной с 60-х гг. ХХ века. Исследователями были определены основные характеристики научной речи. Ю.В. Сложеникина, например,
называет ориентацию на официальный, регламентированный характер отношений, нейтральный тип речи, преобладание монолога
как типа речи, отвлеченность, обобщенность, логичность, последовательность, доказательность, наличие специальных формаль-
88
ных средств выражения научной мысли, высокую информативность, точность, ясность, понятность, доступность — с учетом
предполагаемого адресата, безличность, объективность, отсутствие элементов образности, специальная «наукообразность» изложения [Сложеникина, 2003: 5–14]. При этом в исследованиях
подчеркивается связь языка науки с экстралингвистическими факторами и когнитивной поисково-исследовательской деятельностью
ученого.
В настоящее время среди разных типов институциональных
дискурсов: политического, дипломатического, юридического и
др. — выделяется научный дискурс, к изучению которого обратились с 70-х гг. ХХ в. в связи со становлением дискурсологии как
лингвистической науки. К определению научного дискурса есть
несколько подходов. А.С. Новиков делает акцент на уже сложившейся системе научного знания. Эта система знаний опирается на
доказательность, рациональность, методологичность, универсальность, результативность. Внешним фактором научного дискурса
выступает особый познающий субъект в виде научного сообщества [Новиков, 2015]. Вопросам результативности, то есть эффективного представления научных результатов научному сообществу, выбору оптимальных речевых стратегий научной коммуникации посвящена монография В.Е. Черняевской «Научный
дискурс: выдвижение результата как коммуникативная и языковая
проблема» [Черняевская, 2017].
Л.А. Ахтаева, наоборот, делает акцент на новом знании. Ее
определение научного дискурса таково: «это процесс выражения в
тексте нового знания, а также его обоснование посредством взаимосвязанных рассуждений, то есть диалог между старым и новым
знанием, в рамках которого происходит постепенное формирование нового, концептуального научного знания» [Ахтаева, 2010:
148]. Отметим также диалогический подход ученого к определению научного дискурса.
В.В. Фещенко в определении научного дискурса подчеркивает его коммуникативно-эвристическую природу: это «совокупность вербальных высказываний, сформированная в результате
89
взаимодействия членов научного сообщества посредством научного результата (текста), с учетом эвристических факторов порождения и восприятия этих высказываний в конкретных научных дисциплинарных областях» [Фещенко, 2021: 194].
Сложность подхода к дискурсу, его нелинейный характер
обусловили разные методики дискурсивного анализа. В нашем исследовании будем придерживаться следующего алгоритма дискурс-анализа:
1. Определение круга научных источников методом сплош-
ной выборки для создания корпуса языкового материала.
2. Изучение предметно-содержательной стороны текста.
3. Установление средств воздействия на адресата, ключевых
элементов лексической системы текста.
4. Определение аксиологического компонента исследуемого
дискурса.
5. Определение целеполагания автора, предназначения текста.
6. Языковые и стилистические особенности текста.
В качестве языкового материала были привлечены научные
монографии, статьи, учебные пособия — около 50 источников.
Целевая аудитория данных текстов и участники дискурса — специалисты в сфере ИИ, научные работники, преподаватели, программисты, сотрудники мест, оснащенных элементами ИИ и под.
Статьи носят проблемный характер, связанный с появлением систем искусственного интеллекта в разных отраслях человеческой
деятельности. О.М. Корчажкина характеризует настоящее время
как эпоху конвергенции наук и технологий, и ИИ — как «науку и
технологию … комплексной высокотехнологичной области знаний» [Корчажкина, 2021: 22]. ИИ является одним из важных признаков шестого технологического уклада в русле четвертой промышленной революции, характеризующейся системным человекомашинным взаимодействием [Там же]. Универсальный характер
технологий ИИ обусловил разнообразную тематику научных исследований, в предметно-содержательном плане отметим некоторые: правовое регулирование в сфере ИИ, ИИ в государственном
управлении, ИИ как фактор эффективности современной экономи-
90
ки, ИИ в развитии социальных механизмов, технологии ИИ в обучении, новые возможности медицинских технологий с применением ИИ, перспективы промышленного развития в связи с внедрением систем ИИ, вопросы безопасности в условиях применения ИИ и
некоторые другие.
К анализу дискурса ИИ можно применить понятие хронотопа. Дискурс ИИ обычно оказывается заключенным в некоторые
временные рамки. Авторы подчеркивают новизну данного феномена в жизни общества выражениями «в последнее время», «в последние годы», «в настоящий момент». ИИ заявляется как самое
современное направление общественного развития. Стадия становления теории и практики ИИ обозначается глаголами и причастиями несовершенного вида: «складывается комплексная отрасль». Наречие «сегодня» в результате лингвистической конверсии расширяет свои временный рамки, обозначает в научных
изданиях период размышления ученого: «сегодня нет точного ответа на такого рода вопросы», «такая перспектива выглядит сегодня иллюзорной», «искусственный интеллект даже в существующем сегодня виде может представлять потенциальную опасность».
Всеобъемлемость ИИ в жизни социума зачастую передается
разными частями речи с пространственной семантикой: «широко
обсуждается вопрос», «обширный круг научных исследований»,
«широкая междисциплинарная область знаний», «безграничные
возможности умных технологий», «быстро распространяющееся
явление», «индустрия высоких технологий», «повышают производительность труда», «выводят на более высокий уровень», «распространение ИИ», «громадный потенциал использования ИИ».
Предложение «Машины, содержащие ИИ, представлены практически повсеместно вокруг нас» [Скурко, 2022: 176] содержит сразу
2 маркера локации — наречие «повсеместно» и предлог «вокруг».
Предельная география — мировая: «исчерпывающая инвентаризация алгоритмов во всемирном масштабе» [Столяров, 2022: 226]. В
научных текстах появляется метафора порога — перехода к новым
технологиям: «так называемый “порог вхождения”, становится все
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]