Германские языки | Филологический аспект №11 (139) Ноябрь 2026
УДК 811.112.2’38
Дата публикации 21.11.2026
Лингвистические маркеры машинной генерации в немецкоязычном тексте: сопоставительный анализ письма человека и больших языковых моделей
Дунаева Юлия Сергеевна
кандидат филологических наук, доцент, кафедра «Иностранные языки и профессиональная коммуникация», Саратовский государственный технический университет имени Гагарина Ю. А., г. Саратов, Российская Федерация, E-mail: balakireva94@list.ru; AuthorID: 1019063; SPIN-код: 2713-5623
Аннотация: Статья посвящена проблеме лингвистической идентификации текстов, порождаемых большими языковыми моделями, на материале немецкого языка. Актуальность исследования обусловлена стремительным распространением генеративного искусственного интеллекта: текст, внешне неотличимый от написанного человеком, может быть создан за секунды, что обостряет проблему верификации авторства в образовании, науке и медиасфере. Цель работы — выявить лингвистические маркеры машинной генерации в немецкоязычном тексте на уровне лексики, синтаксиса и дискурса и определить, какие из них устойчиво отличают машинный текст от авторского. Материалом послужили ответы больших языковых моделей на стандартизированные инструкции (prompts) на немецком языке и тексты, созданные носителями языка и изучающими немецкий язык студентами лингвистических направлений. Сопоставление проводилось методами количественного частотного анализа (длина предложений, частотность модальных частиц, состав лексики) и качественного дискурс-анализа. Новизна исследования состоит в сопоставительном описании письма человека и больших языковых моделей именно на немецком материале, поскольку большинство существующих работ выполнено на английских данных, а немецкая языковая система с её развитой системой модальных частиц и рамочной конструкцией делает стилевые отклонения особенно наглядными. Показано, что машинный текст характеризуется гипернормативностью, обеднением модальных частиц, лексической стандартизацией и шаблонностью дискурсивной структуры. Результаты могут применяться в лингводидактике, переводоведении и при разработке автоматических детекторов машинного текста для немецкого языка.
Ключевые слова: искусственный интеллект; большая языковая модель; немецкий язык; лингвостилистика; модальные частицы; текстовая аналитика; корпус текстов; порождение текста.
PhD in Philology, Associate Professor, Department of Foreign Languages and Professional Communication, Yuri Gagarin Saratov State Technical University, Saratov, Russian Federation
Abstract: The article addresses the problem of the linguistic identification of texts generated by large language models in German. The relevance of the study stems from the rapid spread of generative artificial intelligence: a text outwardly indistinguishable from human writing can be created within seconds, which intensifies the problem of authorship verification in education, science and the media. The aim of the study is to identify linguistic markers of machine generation in German texts at the lexical, syntactic and discourse levels and to determine which of them reliably distinguish machine-generated texts from human writing. The material comprises responses of large language models to standardized prompts in German and texts produced by native speakers of German and by students of linguistic programmes. The comparison employed quantitative frequency analysis (sentence length, frequency of modal particles, lexical composition) and qualitative discourse analysis. The novelty of the study lies in a comparative description of human and machine writing specifically on German material, since most existing studies rely on English data, while the German linguistic system, with its rich inventory of modal particles and frame constructions, makes stylistic deviations particularly salient. It is shown that machine texts display hypernormativity, a scarcity of modal particles, lexical standardisation and a template discourse structure. The results can be applied in language pedagogy, translation studies and the development of automatic detectors of machine-generated German text.
Keywords: artificial intelligence; large language model; German language; linguistic stylistics; modal particles; text analytics; text corpora; text generation.
Дунаева Ю.С. Лингвистические маркеры машинной генерации в немецкоязычном тексте: сопоставительный анализ письма человека и больших языковых моделей // Филологический аспект: международный научно-практический журнал. 2026. № 11 (139). Режим доступа: https://scipress.ru/philology/articles/lingvisticheskie-markery-mashinnoj-generatsii-v-nemetskoyazychnom-tekste-sopostavitelnyj-analiz-pisma-cheloveka-i-bolshikh-yazykovykh-modelej.html (Дата обращения: 21.11.2026)
Введение
Распространение генеративных моделей создало новую ситуацию в коммуникации: текст, внешне неотличимый от написанного человеком, может быть получен за секунды, что существенно меняет практику профессионального письма и обучения [1; 2]. Отсюда вырастает практическая потребность в надёжных средствах верификации авторства, которая опирается на лингвистическую традицию стилометрии и анализа текста. Германоязычное пространство, где общественная дискуссия о языковой культуре исторически остра, представляет особый интерес: немецкая языковая система обладает развитой системой модальных частиц, гибкой рамочной конструкцией и богатой словообразовательной деривацией [7], что делает её чувствительным индикатором стилевых отклонений.
Цель настоящей статьи — выявить лингвистические маркеры машинной генерации в немецкоязычном тексте на уровне лексики, синтаксиса и дискурса. Новизна работы состоит в сопоставительном описании письма человека и больших языковых моделей именно на материале немецкого языка, поскольку большинство существующих исследований выполнено на английском материале [3].
Материал и методика исследования
Материалом исследования послужили два массива текстов. Первый включал ответы больших языковых моделей на стандартизированные инструкции (prompts) на немецком языке (объяснение явлений, краткие эссе, письма). Второй массив составили тексты носителей языка и изучающих немецкий язык — студентов лингвистических направлений. Сопоставление проводилось на уровне частотности грамматических и стилистических признаков, а также качественного дискурс-анализа.
Методика включала количественный подсчёт признаков (длина предложений, частотность модальных частиц, тип лексики), а также качественный анализ стилевых и прагматических характеристик. Дополнительно учитывались данные исследований по детекции машинных текстов [4], что позволило сопоставить полученные результаты с выводами предшествующих работ.
Обзор литературы
Проблема детекции текстов, созданных языковыми моделями, активно разрабатывается в последние годы. В русскоязычной традиции вопросы применения искусственного интеллекта в лингводидактике и лингвистике освещаются в работах П. В. Сысоева и Е. М. Филатова [5; 6]. В немецкоязычной сфере исследования описывают возможности и ограничения больших языковых моделей применительно к немецкому языку [3; 4]. Вместе с тем собственно лингвостилистический анализ маркеров машинного текста на немецком материале представлен фрагментарно, что и определяет актуальность предпринятого исследования.
Результаты исследования
Анализ показал, что машинный немецкий текст характеризуется несколькими устойчивыми признаками. Во-первых, отмечается гипернормативность: модель склонна к построению грамматически безупречных, но стилистически однородных предложений. Рамочная конструкция реализуется без типичных для живой речи отступлений, что делает текст «слишком правильным».
Во-вторых, выявлено обеднение модальных частиц. Немецкая речь носителей отличается высокой частотностью частиц doch, ja, eben, mal, denn, выполняющих прагматические функции. Машинный текст, напротив, тяготеет к эксплицитной передаче модальности, что проявляется в резком снижении частотности этих частиц.
В-третьих, наблюдается стандартизация лексики: предпочтение отдаётся частотным и нейтральным единицам, тогда как редкие слова, идиоматика и диалектная лексика почти отсутствуют. Это позволяет говорить об «усреднённости» машинного стиля.
В-четвёртых, на уровне дискурса отмечается шаблонность дискурсивной структуры: машинный текст часто строится по универсальной схеме «введение — тезисы — вывод», тогда как авторские тексты демонстрируют более выраженную индивидуальную композицию.
Полученные результаты согласуются с выводами о том, что автоматическая детекция машинных текстов возможна при опоре на совокупность статистических и стилистических признаков [3; 4], однако надёжность отдельных признаков зависит от языка и жанра.
Обсуждение
Выявленные маркеры носят вероятностный характер: ни один из них в отдельности не может служить достаточным основанием для отнесения текста к машинному. Однако их сочетание — гипернормативность, дефицит модальных частиц, лексическая стандартизация и шаблонность дискурса — образует устойчивый стилевой профиль, который может быть использован как индикатор при первичной верификации авторства.
Практическое значение исследования связано с лингводидактикой и переводоведением. Преподаватель, оценивающий письменные работы студентов, получает ориентиры для различения авторского и машинного письма [8]; переводчик — основание для корректировки стиля автоматически полученного перевода. Кроме того, результаты могут быть использованы при разработке специализированных детекторов для немецкого языка.
Заключение
Проведённое исследование позволяет сделать вывод о том, что тексты, порождаемые большими языковыми моделями, обладают различимыми лингвистическими признаками на лексическом, синтаксическом и дискурсивном уровнях. Перспективы дальнейшей работы связаны с расширением корпуса текстов, включением других жанров, а также с экспериментальной проверкой выделенных маркеров на материале других германских языков.
Список литературы
1. Kasneci E., Sessler K., Küchemann S. et al. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences. 2023. Vol. 103. Art. 102274. DOI: 10.1016/j.lindif.2023.102274
2. Noy S., Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence // Science. 2023. Vol. 381, № 6654. P. 187–192. DOI: 10.1126/science.adh2586
3. Herbold S., Hautli-Janisz A., Heuer U. et al. A large-scale comparison of human-written versus ChatGPT-generated essays // Scientific Reports. 2023. Vol. 13. Art. 18617. DOI: 10.1038/s41598-023-45644-9
4. Pröhl T., Mohrhardt R., Förster N., Putzier E., Zarnekow R. Erkennungsverfahren für KI-generierte Texte: Überblick und Architekturentwurf // HMD Praxis der Wirtschaftsinformatik. 2024. Bd. 61, H. 2. S. 418–435. DOI: 10.1365/s40702-024-01051-w
5. Сысоев П. В., Филатов Е. М. Чат-боты в обучении иностранному языку: преимущества и спорные вопросы // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2023. Т. 28, № 1. С. 66–72. DOI: 10.20310/1810-0201-2023-28-1-66-72
6. Сысоев П. В. Принципы обучения иностранному языку на основе технологий искусственного интеллекта // Иностранные языки в школе. 2024. № 3. С. 6–17.
Список источников
7. Степанова М. Д., Чернышева И. И. Лексикология современного немецкого языка. М.: Академия, 2003. 256 с.
8. Steinhoff T. ChatGPT: Das Ende des Schreibunterrichts? // BiSS-Journal. 2024. № 19. S. 20–23. URL: https://www.biss-sprachbildung.de/wp-content/uploads/2024/06/BiSS-Journal_19.pdf (дата обращения: 18.11.2026).
