Linguistics and Artificial Intelligence: A Synthesis of Methods and Prospects for Scientific Integration
DOI:
https://doi.org/10.69760/gsrh.0250205003Keywords:
artificial intelligence, computational linguistics, natural language processing, neural networks, language models, transformers, machine learningAbstract
This article explores the current state and future prospects of artificial intelligence (AI) technologies in the field of natural language analysis, as well as their impact on the theoretical and practical dimensions of general linguistics. The aim of the study is to conduct a comprehensive analysis of the potential applications of neural networks and machine learning for solving fundamental linguistic problems and to identify key challenges faced by contemporary linguistics amid the rapid development of AI technologies.
The research methodology is based on a comparative analysis of existing approaches to natural language processing, a systematic review of modern deep learning architectures, and a critical examination of their applicability to linguistic problem-solving. Particular attention is paid to transformer models, word vector representation methods, and semantic analysis algorithms.
The results demonstrate the significant potential of AI systems in automating morphological, syntactic, and semantic text analysis, as well as in solving tasks related to machine translation and natural language generation. Promising directions are identified for integrating AI-based methods with traditional linguistic approaches, including corpus linguistics and formal semantics.
The conclusion emphasizes the necessity of rethinking foundational theoretical concepts in linguistics in light of the new capabilities offered by AI technologies. The study highlights the importance of interdisciplinary collaboration between linguists and AI specialists to develop more accurate and linguistically grounded models of natural language processing capable of accounting for the complexity and multi-layered organization of human language.
References
Алиев, Р. (2022). Инновационная методика векторизации морфологически богатых языков: применение к русскому и славянским языкам. Журнал компьютерной лингвистики и интеллектуальных технологий, 15(2), 112–130. Баку: Изд-во Азербайджанской академии наук.
Авдеева, Е. А., & Лаптев, Д. С. (2023). Серия последовательно обучаемых моделей BERT для моделирования стадий овладения русским синтаксисом. Вестник компьютерной лингвистики, 15(2), 45–58.
Култыгин, О. П. (2023). Применение нейронных сетей для анализа и синтеза научных текстов. Москва: Московский финансово-промышленный университет «Синергия». С. 319–325.
Кустова, Е. (2024). Преимущества нейросетевых моделей в разрешении полисемии: анализ на основе Национального корпуса русского языка. Труды Института русского языка им. В. В. Виноградова РАН, 12, 78–95. М.: Наука.
Мамедов, Э. (2023). Гибридный подход на основе рекуррентных сетей и механизмов внимания для аннотирования исторических текстов. Сборник статей Международной конференции по цифровой гуманитаристике, 201–215. Баку: Азербайджанский университет языков.
Новиков, А. В., & Смирнова, О. П. (2024). Гибридная система для морфологического анализа русского языка с использованием нейросетевого компонента. Журнал искусственного интеллекта и лингвистики, 16(1), 112–130.
Пустовойтов, В. Н., Белоус, Н. Н., & Шубабко, Е. Н. (2024). Ключевые принципы использования технологий искусственного интеллекта в общем образовании. Современные проблемы науки и образования, (4), 55.
Сидорова, К. А., & Буряченко, В. В. (2023). Методы анализа текстов работ обучающихся с открытым ответом на основе искусственного интеллекта. Москва: Российское научно-техническое общество радиотехники, электроники и связи им. А. С. Попова. С. 311–316.
Солдатенко, А. К., & Корохова, Е. В. (2024). Моделирование структуры системы автоматизации коммуникаций на основе технологий машинного обучения. Москва: ООО «Издательство Академическая среда». С. 71–76.
Соломатин, Е. Б., & Гольцов, Д. А. (2021). Как искусственный интеллект повышает эффективность расследований при анализе массивов данных и текстов: российская аналитическая система PolyAnalyst. Москва: Академия управления Министерства внутренних дел Российской Федерации. С. 52–63.
Фомина, И. К., & Татаурова, А. С. (2022). Повышение эффективности модели классификации определения тональности текста. Актуальные проблемы экономики и управления, 1(33), 55–58.
Шахнарович, В. (2023). Трансформерные архитектуры для выявления латентных семантических связей в больших корпусах. Вестник Московского государственного университета. Серия 9: Филология, (4), 45–56.
Зубанова, А. Е., Култыгин, О. П., Люблинская, Н. Н., [и др.]. (2023). Применение нейронных сетей для анализа текстовой информации о состоянии рынка. Информационные системы и технологии, 1(135), 53–64.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Global Spectrum of Research and Humanities
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
