АНАЛИЗ ТОНАЛЬНОСТИ РУССКОЯЗЫЧНЫХ ТЕКСТОВ С ПОМОЩЬЮ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

Статья посвящена определению эмоциональной тональности русскоязычных текстов с помощью нейросетевых моделей, в частности DeepSeek. В условиях цифровизации выявление маркеров, репрезентирующих тональность высказывания (отрицательную или положительную), становится актуальным, потому что, во-первых, экономит время исследователя, а во-вторых, делает его беспристрастным, так как исключает авторскую интерпретацию. Однако существующие языковые модели, преимущественно «обученные» на англоязычных корпусах, демонстрируют ограниченную точность при работе с русскоязычными текстами, особенно при определении положительной тональности высказываний. Проблема выявления маркеров тональности текста осложняется стилистическим разнообразием языковых средств, демонстрирующих положительную или отрицательную эмоциональность пользовательского (виртуального) дискурса. Таким образом, проверка работы DeepSeek с текстами в условиях русскоязычной цифровой среды позволяет выявить типичные искажения в интерпретации ею оценочного контекста высказывания и наметить пути совершенствования имеющихся нейросетевых моделей для анализа русскоязычного дискурса.

This article focuses on determining the emotional sentiment of Russian-language texts using neural network models, particularly DeepSeek. In the context of digitalization, identifying markers that represent the tone of a statement (negative or positive) has become increasingly relevant for two main reasons: first, it saves researchers’ time, and second, it ensures impartiality by eliminating authorial interpretation. However, existing language models, primarily trained on English-language corpora, show limited accuracy when applied to Russian texts-especially in detecting positive sentiment. The challenge of identifying tonal markers is further complicated by the stylistic diversity of linguistic expressions conveying positive or negative emotionality in user discourse. Thus, testing DeepSeek’s performance in a Russian-language digital environment helps reveal typical distortions in its interpretation of evaluative context and outlines potential improvements for existing neural network models in analyzing Russian discourse.