ВЗАЄМОДІЯ ЛЮДИНИ ТА ШІ В БАГАТОМОВНИХ ПРОФЕСІЙНИХ КОМАНДАХ: ПРАГМАТИЧНИЙ АНАЛІЗ

У статті пропонується комплексний прагматичний аналіз взаємодії людини та штучного інтелекту (ШІ) у багатомовних професійних командах, що працюють у цифровому та дистанційному робочому середовищі. Спираючись на теорію мовленнєвих актів (Остін, Серль), принцип кооперації Грайса та теорію «збереження обличчя» (face-work) Гофмана в її інтерпретації для цифрового дискурсу, дослідження вивчає, як опосередкована ШІ комунікація змінює прагматичні патерни крізь мовні та культурні кордони. Емпіричну базу становлять 240 анонімізованих журналів взаємодії, отриманих від міжнародних віддалених команд, які активно використовували ШІ-асистентів – наприклад, ChatGPT, Microsoft Copilot та DeepL Write – у період 2021–2024 років. До складу команд-учасниць входили члени принаймні з трьох різних мовних середовищ (англомовного, іспаномовного та німецькомовного регіонів). У корпусі виокремлено чотири домінантні прагматичні стратегії: переформулювання, геджування (пом’якшення висловлювань), метамовний коментар та сприяння перемиканню кодів. В нашій статті стверджується, що сучасні інструменти ШІ функціонують не просто як пасивні інструменти перекладу, а як активні прагматичні медіатори, які частково компенсують міжкультурне непорозуміння, водночас породжуючи нові форми прагматичної асиметрії. Алгоритмічні прагматичні збої – зокрема систематичне неправильне зчитування іронії та культурно специфічних конотацій – ідентифікуються та теоретизуються як відмінна риса дискурсу, опосередкованого ШІ. Обговорюються наслідки для перекладознавства, теорії міжкультурної комунікації, прикладної лінгвістики та практики корпоративної комунікації.

Ключові слова: взаємодія людини та ШІ, прагматичний аналіз, багатомовні команди, міжкультурна комунікація, теорія мовленнєвих актів, принцип кооперації, ШІ-медіація, геджування, перемикання кодів.

Література:

Bender, M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623.
Bommasani,, Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … & Liang, P. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258.
Harris, (2021). Technological pragmatics: Towards a framework for AI- mediated communication. Journal of Pragmatics, 178, 112–127.
Hovy,, & Yang, D. (2021). The importance of modeling social factors of language: Theory and practice. Proceedings of NAACL 2021, 588–602.
(2023). GPT-4 technical report. arXiv preprint arXiv:2303.08774.
Ouyang,, Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744.
Touvron,, Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., … & Scialom, T. (2023). Llama 2: Open foundation and fine-tuned chat models. arXiv preprint arXiv:2307.09288.
Wei,, Tay, Y., Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., Yogatama, D., Bosma, M., Zhou, D., Metzler, D., Chi, E. H., Hashimoto, T., Vinyals, O., Liang, P., Dean, J., & Fedus, W. (2022). Emergent abilities of large language models. Transactions on Machine Learning Research.
Weidinger,, Mellor, J., Rauh, M., Griffin, C., Uesato, J., Huang, P.-S., Cheng, M., Glaese, M., Balle, B., Kasirzadeh, A., Kenton, Z., Brown, S., Hawkins, W., Stepleton, T., Biles, C., Birhane, A., Haas, J., Rimell, L., Hendricks, L. A., Isaac, W., Legassick, S., Irving, G., & Gabriel, I. (2021). Ethical and social risks of harm from language models. arXiv preprint arXiv:2112.04359.
Zhao, X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., … & Wen, J.-R. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223.