ИИ в исторической прагмалингвистике: анализ речевых актов в исторических текстах

Искусственный интеллект в исторической прагмалингвистике: анализ речевых актов в исторических текстах

Историческая прагмалингвистика — это дисциплина, изучающая использование языка в исторических контекстах, с фокусом на то, как языковые средства служили для совершения действий, влияния на адресата, построения социальных отношений и отражения культурных норм прошлого. Её ключевым объектом является речевой акт — минимальная единица речевого общения, целенаправленное высказывание в конкретной ситуации. Анализ речевых актов в исторических текстах сопряжён со значительными трудностями: фрагментарность источников, эволюция значений слов, утраченный культурный и ситуативный контекст, а также огромные массивы данных, требующие обработки. Интеграция методов искусственного интеллекта (ИИ) создаёт революционные возможности для преодоления этих барьеров, позволяя проводить масштабный, систематический и глубокий анализ прагматических измерений исторического дискурса.

Методологическая основа: речевые акты в историческом измерении

Теория речевых актов, разработанная Дж. Остином и Дж. Серлем, постулирует, что говорящий, произнося высказывание, совершает действие (например, утверждение, просьбу, приказ, обещание, клятву, оскорбление). В исторической прагмалингвистике исследователь сталкивается с необходимостью реконструкции трёх уровней:
Локутивный акт — само произнесение высказывания с его фонетическими, грамматическими и семантическими характеристиками.
Иллокутивный акт — коммуникативная цель высказывания (намерение говорящего).
Перлокутивный акт — фактическое воздействие высказывания на адресата в историческом контексте.
ИИ-инструменты позволяют работать с каждым из этих уровней, автоматизируя обработку локутивного уровня и помогая гипотезировать об иллокутивной силе и перлокутивном эффекте на основе анализа больших данных.

Применение технологий ИИ для анализа исторических речевых актов

1. Обработка естественного языка (NLP) и аннотирование текстов

Современные NLP-конвейеры адаптируются для работы с историческими вариантами языков. Ключевые задачи включают:

• Лемматизация и морфологический анализ для исторических форм слов, требующая обучения моделей на специализированных корпусах (например, корпусах древнерусских или латинских текстов).
• Синтаксический разбор для выявления структур, характерных для определённых речевых актов (например, условные предложения в обещаниях, повелительное наклонение в приказах).
• Распознавание именованных сущностей (NER) для автоматической идентификации участников коммуникации (отправителей, адресатов), мест, дат, что критически важно для контекстуализации речевого акта.

2. Классификация и идентификация речевых актов

Это центральная задача, где методы машинного обучения показывают наибольшую эффективность. На размеченных историками-лингвистами выборках текстов (с аннотациями типов речевых актов) обучаются классификационные модели. Признаками для классификации могут служить:

• Лексические маркеры (глаголы типа «клянусь», «повелеваю», «прошу»).
• Синтаксические паттерны.
• Позиция высказывания в документе (начало, конец, после обращения).
• Соседние речевые акты (последовательности).

Используются алгоритмы от логистической регрессии и SVM до глубоких нейронных сетей (например, архитектуры на основе BERT, дообученные на исторических текстах).

3. Анализ семантических полей и векторные представления слов

Технологии word embeddings (Word2Vec, FastText) и контекстуальные эмбеддинги (Transformer-модели) позволяют выявлять историческую семантику и ассоциативные связи. Это помогает:

• Отследить эволюцию значения ключевых перформативных глаголов (как менялась сила клятвы или обещания со временем).
• Обнаружить синонимичные способы выражения одного и того же речевого акта в разные эпохи.
• Выявить имплицитные речевые акты, не маркированные явными формулами, через анализ контекстуального сходства с явными случаями.

4. Сетевой анализ коммуникативных связей

На основе данных, извлечённых ИИ (отправитель, адресат, тип речевого акта), строится графовая модель коммуникативного пространства исторического периода. Узлы — участники коммуникации, рёбра — речевые акты между ними с определёнными метками (приказ, просьба, жалоба). Это позволяет визуализировать и анализировать:

• Иерархические структуры (кто чаще отдаёт приказы кому).
• Каналы распространения информации.
• Роль посредников в коммуникации.

5. Реконструкция утраченного контекста

Модели ИИ, обученные на параллельных корпусах текстов (например, официальные документы и частная переписка одной эпохи), могут помогать в гипотетической реконструкции перлокутивного эффекта, предсказывая вероятные реакции или социальные последствия определённых типов высказываний, основываясь на аналогиях.

Примеры практического применения

Таблица 1: Применение ИИ-методов для анализа конкретных типов исторических речевых актов

Тип речевого акта	Источник (пример)	Задача анализа	Применяемые ИИ-методы
Клятва вассала	Средневековые феодальные договоры (омаж)	Выделение структуры, сравнение формуляров, анализ отклонений	Классификация последовательностей (RNN), анализ шаблонов
Царский указ	Указные грамоты Московской Руси	Определение иллокутивной силы (приказ vs. распоряжение), идентификация адресатов	NER, классификация на основе синтаксических признаков
Дипломатическое оскорбление	Переписка между государствами	Обнаружение имплицитных негативных оценок, сарказма	Анализ тональности (Sentiment Analysis) для исторической лексики, анализ контрастов
Молитва/заклинание	Религиозные и магические тексты	Реконструкция перформативной составляющей ритуала	Анализ повторяющихся последовательностей (n-грамм), кластеризация формул

Вызовы и ограничения

Внедрение ИИ в историческую прагмалингвистику не лишено серьёзных проблем:

• Проблема интерпретируемости (black box): сложные нейросетевые модели не всегда позволяют понять, на каком именно основании был классифицирован речевой акт, что противоречит принципам исторического источниковедения.
• Зависимость от качества разметки: модели обучаются на данных, аннотированных историками, что вносит субъективность. Необходима кросс-экспертная валидация.
• Дефицит данных: для многих исторических периодов и жанров текстов объём сохранившегося материала недостаточен для обучения современных моделей глубокого обучения. Требуются методы трансферного обучения и few-shot learning.
• Лингвистическая изменчивость: модели, обученные на текстах одного века, могут плохо работать с текстами другого века из-за эволюции языка.
• Реконструкция контекста: ИИ может анализировать текст, но не вне-текстовую ситуацию. Роль историка как интерпретатора контекста остаётся доминирующей.

Перспективы развития

Будущее направления лежит в области:

• Создания специализированных предобученных языковых моделей для ключевых исторических языков и периодов (например, «Middle English BERT», «Church Slavonic GPT»).
• Развития мультимодального анализа, где ИИ будет сопоставлять текст с материальными особенностями носителя (почерк, повреждения, расположение на странице) для более точной реконструкции прагматической ситуации.
• Разработки интерактивных инструментов, позволяющих историку в режиме диалога с ИИ уточнять параметры поиска и классификации речевых актов.
• Автоматического генерирования прагмалингвистически аннотированных корпусов исторических текстов как общедоступной исследовательской инфраструктуры.

Заключение

Интеграция искусственного интеллекта в методологию исторической прагмалингвистики трансформирует дисциплину, переводя её от выборочного анализа отдельных ярких примеров к системному изучению речевых актов в масштабах больших корпусов текстов. ИИ выступает не как замена эксперту-историку, а как мощный инструмент расширения его аналитических возможностей, позволяющий выявлять скрытые паттерны, количественно проверять гипотезы и работать с объёмами данных, ранее недоступными для ручной обработки. Ключевым условием успеха является междисциплинарное сотрудничество, где лингвисты и историки формулируют содержательные задачи, а специалисты по ИИ разрабатывают адекватные технологические решения. Это взаимодействие открывает новые пути для понимания того, как через речевые действия конструировалась социальная реальность прошлого.

Ответы на часто задаваемые вопросы (FAQ)

Может ли ИИ самостоятельно интерпретировать исторический речевой акт?

Нет, не может в полном смысле этого слова. ИИ может классифицировать высказывание по заданным категориям, найти сходные паттерны и выявить статистические закономерности. Однако окончательная интерпретация, связывающая формальные признаки высказывания с конкретными историческими обстоятельствами, мотивами автора и социальными последствиями, остаётся за исследователем-гуманитарием. ИИ предоставляет данные для интерпретации.

Как ИИ справляется с многозначностью и имплицитностью исторических высказываний?

Современные контекстуальные модели (например, на архитектуре Transformer) достаточно хорошо улавливают многозначность, анализируя окружение слова. Для работы с имплицитностью (например, когда просьба замаскирована под вопрос) используются методы, учитывающие широкий контекст, стиль документа, статус коммуникантов и исторические аналогии. Однако точность здесь ниже, чем при анализе явных маркеров, и требуется валидация экспертом.

Какие исторические периоды наиболее перспективны для анализа с помощью ИИ?

Наиболее перспективны периоды с большим количеством хорошо сохранившихся и оцифрованных текстов определённого типа: позднее Средневековье и Новое время (массивы судебных протоколов, деловая переписка, газеты). Античность и раннее Средневековье сложнее из-за фрагментарности источников, но и для них методы ИИ полезны для анализа имеющихся корпусов (например, папирусов или берестяных грамот).

Требует ли работа с такими ИИ-инструментами навыков программирования от историка-лингвиста?

Тенденция идёт к созданию удобных пользовательских интерфейсов (веб-платформ), где исследователь может загружать тексты, выбирать параметры анализа и получать результаты в табличном или графическом виде без написания кода. Однако для углублённой, методически продвинутой работы базовое понимание принципов работы моделей и навыки обработки данных (например, в Python) становятся значительным преимуществом и постепенно входят в набор компетенций современного гуманитария.

Не приводит ли автоматический анализ к утрате «чувства текста» и индивидуального подхода?

Напротив, при правильном использовании ИИ позволяет это «чувство» обогатить. Обрабатывая тысячи документов, ИИ выделяет аномалии, уникальные отклонения от шаблона, которые исследователь мог бы пропустить при выборочном чтении. Таким образом, индивидуальные и нетипичные случаи получают больше шансов быть обнаруженными, а их анализ становится более репрезентативным на фоне массового материала.