Методы и технологии когнитивной адаптации специализированных социально-экономических текстов для целевой аудитории: обзор и перспективы разработки информационных систем

Е В Исаева; П С Ермакова

doi:10.22213/2618-9763-2025-3-92-103

Авторы

Е. В. Исаева Пермский государственный национальный исследовательский университет
П. С. Ермакова Национальный исследовательский технологический университет МИСИС

DOI:

https://doi.org/10.22213/2618-9763-2025-3-92-103

Ключевые слова:

T5, Bart, симплификация текста, генерация текста, автоматизация обработки текста, восприятие информации, когнитивная адаптация текста, обработка естественного языка, адаптация социально-экономических текстов

Аннотация

В статье рассматривается проблема когнитивной адаптации специализированных социально-экономических текстов для целевой аудитории. Для решения проблемы выбран междисциплинарный подход на стыке когнитивно-дискурсивной лингвистики, терминоведения, информационных технологий, компьютерной лингвистики и обработки естественного языка. Приводится системное описание методов для автоматизации процесса адаптации текстов и создания комплексных информационных систем, генерирующих вторичные тексты, оптимизированные для восприятия конкретной группой реципиентов. Особое внимание уделяется вопросам когнитивной нагрузки и концептуальной плотности текста, а также семантической инвариантности вторичного текста. Дается сравнение методов с обоснованием эффективности их использования для различных этапов проектирования информационной системы, обеспечивающей автоматизацию данного процесса. Рассматриваются инструменты статистической оценки сложности текста, классификации целевой аудитории, общего упрощения текста и адаптации терминологии, реализованные на языке программирования Python. В качестве иллюстрации предполагаемого решения приводится пример полуавтоматического (с использованием нейронной сети с последующей экспертной корректировкой) преобразования фрагмента специализированного социально-экономического текста из научной статьи. В результатах предлагается блок-схема прототипа разрабатываемой информационной системы. Представленное исследование может послужить основой для разработки информационной системы, которая может быть полезной государственным и муниципальным органам для улучшения коммуникации с гражданами, средствам массовой информации для повышения читаемости публикаций и вовлеченности аудитории, образовательным учреждениям для преподавания сложных социально-экономических дисциплин, бизнесу для объяснения финансовых, юридических и социальных аспектов своей деятельности и др. Предложенный подход является универсальным и может быть масштабирован на другие предметные области.

Биографии авторов

Е. В. Исаева, Пермский государственный национальный исследовательский университет

кандидат филологических наук, доцент

П. С. Ермакова, Национальный исследовательский технологический университет МИСИС

студент

Библиографические ссылки

Blinova O., Tarasov N. A hybrid model of complexity estimation: Evidence from Russian legal texts // Front ArtifIntell. 2022. Vol. 5. DOI: 10.3389/frai.2022.1008530

RoBERTa: A Robustly Optimized BERT Pretraining Approach / Y. Liu [et al.]. 2019. URL: https://arxiv.org/pdf/1907.11692 (дата обращения: 11.07.2025).

Rajabi Z., Valavi M. R., Hourali M. A Context-Based Disambiguation Model for Sentiment Concepts Using a Bag-of-Concepts Approach // Cognit Comput. 2020. Vol. 12, no. 6. Pp. 1299-1312. DOI: 10.48550/arXiv.2008.03020

Sequence-to-Sequence Models for Automated Text Simplification / R. M. Botarleanu [et al.] // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Springer, 2020. Vol. 12164 LNAI. Pp. 31-36. DOI: 10.1007/978-3-030-52240-7_6

FastText.zip: Compressing text classification models / A. Joulin [et al.]. 2016. DOI: https://doi.org/10.48550/arXiv.1612.03651

Improving access to COVID-19 information by ensuring the readability of government websites / T. Serry [et al.] // Health Promotion Journal of Australia. John Wiley and Sons Inc. 2023. Vol. 34, no. 2. Pp. 595-602. DOI: 10.1002/hpja.610

Kostadimas D., Kermanidis K. L., Andronikos T. Exploring the Effectiveness of Shallow and L2 Learner-Suitable Textual Features for Supervised and Unsupervised Sentence-Based Readability Assessment // Applied Sciences. 2024. Vol. 14, no. 17. Pp. 7997. DOI: 10.3390/app14177997

Implementing Deep Learning-Based Approaches for Article Summarization in Indian Languages / R. Tangsali [et al.] // CEUR Workshop Proc. CEUR-WS, 2022. Vol. 3395. Pp. 449-453. URL: https://ceur-ws.org/Vol-3395/T6-10.pdf (дата обращения: 11.07.2025).

A Method to Automate the Discharge Summary Hospital Course for Neurology Patients / V. C. Hartman [et al.] // Journal of the American Medical Informatics Association. Oxford University Press, 2023. Vol. 30, no. 12. Pp. 1995-2003. DOI: https://doi.org/10.1093/jamia/ocad177

Chernyshev D., Dobrov B. Investigating the Pre-Training Bias in Low-Resource Abstractive Summarization // IEEE Access. 2024. Vol. 12. Pp. 47219-47230. DOI: 10.1109/ACCESS.2024.3379139

Васильев Д. Д., Пятаева А. В. Использование языковых моделей T5 для задачи упрощения текста // Программные продукты и системы. 2023. Т. 20. С. 228-236. DOI: 10.15827/0236-235X.142.228-236. EDN: AYXLBW

Умарова Д. З. Принципы отбора и адаптации текстов по специальности // Бюллетень науки и практики. 2023. Т. 9, № 11. С. 371-375. DOI: 10.33619/2414-2948/96/48/. EDN: CWVNCC

Anggawijaya M. H., Adika D. Enhancing Target Text Comprehension for Lay Audience through Paraphrasing // JurnalHumaya: Jurnal Hukum, Humaniora, Masyarakat, dan Budaya. UniversitasTerbuka, 2023. Vol. 3, no. 1. Pp. 1-14. DOI: 10.33830/humaya.v3i1.4282

Vlasenko N. I., Tolmacheva I. А. Translation features of technical texts (examples of economic texts) // Russian Linguistic Bulletin. 2020. No 4 (24). Pp. 126-128. DOI: 10.18454/RULB.2020.24.4.20. EDN: WKYBSJ

Хунцзюнь Д. Роль когнитивной лингвистики в понимании процессов восприятия и интерпретации текста при переводе // Управление образованием: теория и практика. 2024. Т. 14, № 1-2. С. 265-273. DOI: 10.25726/c3852-9347-4601-eво

Imperial J. M. BERT Embeddings for Automatic Readability Assessment // ACL Anthology. 2021. Pp. 611-618. URL: https://aclanthology.org/2021.ranlp-1.69/(дата обращения: 11.07.2025).

Speer R., Havasi C. ConceptNet 5: A Large Semantic Network for Relational Knowledge. Springer, Berlin, Heidelberg, 2013. Pp. 161-176. DOI: 10.1007/978-3-642-35085-6_6

Демьянков В. З. Приемлемость, уместность и адаптация текста // Вопросы когнитивной лингвистики. 2019. № 4. С. 4-19. DOI: 10.20916/1812-3228-2019-4-9-19. EDN: TXHKWL

Ионова С. В. Принципы интердискурсивной адаптации текстов // Научный вестник Воронежского государственного архитектурно-строительного университета. Серия: Современные лингвистические и методико-дидактические исследования. 2006. № 5. С. 50-59.

Демьянков В. З. Приемлемость, уместность и адаптация текста // Вопросы когнитивной лингвистики. 2019. № 4. С. 4-19. DOI:10.20916/1812-3228-2019-4-9-19. EDN: TXHKWL

Хафизова Э. И. Адаптация сложности текстов и текстовых заданий // Молодой ученый. 2021. № 354. С. 266-268.