Master's student at the Department of Philology, Linguodidactics, and Translation
магистрант кафедры филологии лингводидактики и перевода
This article explores the capabilities and limitations of neural networks in processing textual objects of Russian literature within educational contexts. The study material comprises responses generated by ChatGPT-4o to questions based on a university-level Russian literature curriculum for philology students. The analysis focuses on three key aspects: interpretation of V. Shukshin’s short story “Srezal”, analysis of A. Solzhenitsyn’s “One Day in the Life of Ivan Denisovich”, and classification of trends in 20th-century Russian poetry. The results indicate that while ChatGPT produces structurally coherent answers mimicking academic discourse, their quality varies by task type. The most significant discrepancies with original texts occur in literary analysis: the AI introduces factual errors (misnamed characters, distorted plot details) and oversimplifies narrative conflicts. Conversely, its accuracy improves when listing historical-literary facts (poetic movements, authors’ names). The study underscores that integrating AI into literary education necessitates robust verification protocols. The article proposes a framework for critical engagement with neural networks, emphasizing source cross-referencing and the cultivation of students’ analytical competencies.
Настоящая статья посвящена исследованию возможностей и ограничений нейросетевых технологий при работе с текстовыми объектами русской литературы в образовательном процессе. Материалом исследования послужили ответы нейросети ChatGPT-4o на вопросы, составленные на основе учебной программы по истории русской литературы для студентов-филологов. В фокусе анализа – три ключевых аспекта: интерпретация рассказа В. Шукшина «Срезал», анализ рассказа А. Солженицына «Один день Ивана Денисовича» и систематизация направлений в русской поэзии второй половины XX века. Результаты демонстрируют, что ChatGPT способен генерировать структурно целостные ответы, имитирующие академический стиль, однако качество анализа варьируется в зависимости от типа задания. Наибольшие расхождения с оригинальными текстами выявлены в интерпретации художественных произведений: нейросеть допускает фактологические ошибки (искажение имён персонажей, сюжетных деталей), а также поверхностные трактовки конфликтов. В то же время при перечислении историко-литературных фактов (направления поэзии, имена авторов) точность значительно выше. Исследование подтверждает, что использование ИИ в обучении литературе требует разработки чётких методик верификации. В статье предлагается модель критической работы с нейросетевыми инструментами, включающая перекрёстную проверку источников и акцент на развитии аналитических навыков у студентов.