ЦИФРОВАЯ ИНТЕРТЕКСТУАЛЬНОСТЬ И МАШИННОЕ ОБУЧЕНИЕ: АВТОМАТИЧЕСКОЕ ВЫЯВЛЕНИЕ ЛИТЕРАТУРНЫХ АЛЛЮЗИЙ В СОВРЕМЕННОЙ АНГЛИЙСКОЙ ХУДОЖЕСТВЕННОЙ ЛИТЕРАТУРЕ
Ключевые слова:
цифровая интертекстуальность, машинное обучение, литературная аллюзия, современная английская художественная литература, обработка естественного языка, distant reading, семантическое сходство, компьютерная филология, интеллектуальный анализ текстов, цифровые гуманитарные науки.Аннотация
В данной статье рассматривается роль технологий машинного обучения в автоматическом выявлении литературных аллюзий в современной английской художественной литературе. В цифровую эпоху интертекстуальность больше не ограничивается интуитивным распознаванием текстуальных перекличек отдельным исследователем, а может изучаться с помощью вычислительных методов, выявляющих лексические, семантические и структурные связи между текстами. В статье анализируются возможности и ограничения методов обработки естественного языка (NLP), моделей семантического сходства и подхода distant reading для обнаружения явных и скрытых аллюзий. Доказывается, что машинное обучение позволяет исследователям обрабатывать большие литературные корпуса, выявлять скрытые интертекстуальные закономерности и сопоставлять современную художественную литературу с предшествующими литературными традициями. Вместе с тем подчёркивается, что автоматическое выявление не может полностью заменить человеческую интерпретацию, поскольку литературная аллюзия часто зависит от культурной памяти, авторского замысла, иронии и контекстуальных нюансов. В заключении делается вывод о том, что наиболее эффективным является гибридный подход, сочетающий вычислительный анализ и традиционную филологическую интерпретацию.
Библиографические ссылки
1. Barré J. Latent structures of intertextuality in French fiction: How literary recognition and subgenres are framing textuality // Proceedings of the Computational Humanities Research Conference. – 2024. – URL: https://arxiv.org/abs/2410.17759
2. Ciotti F. Distant reading in literary studies: A methodology in quest of theory // Testo e Senso. – 2021. – Vol. 23. – P. 195–215.
3. Fu B., Zhang Y., Li H. A novel text reuse detection method for ancient Chinese literature based on large language models // Applied Sciences. – 2025. – Vol. 15, No. 19. – Art. 10475. – DOI: 10.3390/app151910475.
4. Hatzel H.O., Stiemer H., Biemann C., Gius E. Machine learning in computational literary studies // it – Information Technology. – 2023. – Vol. 65, No. 4–5. – P. 200–217. – DOI: 10.1515/itit-2023-0041.
5. Lau P.K., McManus S.M. Mining asymmetric intertextuality // arXiv. – 2024. – URL: https://arxiv.org/abs/2410.15145
6. Leavy S. Curatr: A machine learning approach to semantic search and curation in digital humanities // arXiv. – 2023. – URL: https://arxiv.org/abs/2306.08020
7. Nantke J. Intertextuality research // Digital Humanities and Literary Studies. – Heidelberg: Heidelberg University Publishing, 2024.
8. Salmi H. Textuality as amplification: Reconsidering close reading and distant reading // Rethinking History. – 2024. – Vol. 28, No. 3. – P. 327–346. – DOI: 10.1080/13642529.2024.2360318.
9. Shi B., Zhang L., Wang Y. SCAD: Self-supervised contrastive learning for allusion detection in classical poetic texts // Humanities and Social Sciences Communications. – 2026. – Vol. 13. – Article 6627. – DOI: 10.1057/s41599-026-06627-z.
10. Xing Y., Liu J., Chen M. Modelling intertextuality with n-gram embeddings // arXiv. – 2025. – URL: https://arxiv.org/abs/2509.06637.
