The article is devoted to the study of the impact of generative artificial intelligence models on the modern Russian language and the transformation of linguistic norms. It examines the phenomenon of algorithmic normativity, manifested in the averaging of syntactic structures, the growth of formulaic constructions, and a reduction in the stylistic variability of texts.

Keywords: linguistic norm, generative artificial intelligence, algorithmic normativity, contemporary Russian language, text generation, digital communication, stylistic variability.

Цифровая трансформация гуманитарного знания актуализировала проблему речевой нормы в условиях активного внедрения генеративных языковых моделей. Если ранее автором и транслятором нормативности выступало сообщество образованных говорящих и институциональные регуляторы, то в XXI веке появляется дополнительный субъект алгоритмического текстопорождения. Следовательно, возникает вопрос: использует ли ИИ существующую норму или участвует в формировании новой? Исследования нормы в русистике конца XX века опираются на представление о её динамической природе. По определению С. И. Ожегова, норма — «совокупность наиболее устойчивых, традиционно закреплённых реализаций языковой системы» [1, с. 15]. Однако уже в работах Л. В. Щербы подчёркивалась вариативность и историческая изменчивость языкового употребления [2, с. 42]. В цифровую эпоху эта изменчивость приобретает своеобразный ускоренный характер. Целью данной статьи является выявление направлений трансформации речевой нормы современного русского языка под влиянием генеративных моделей ИИ и предложение концептуального осмысления феномена алгоритмической нормативности. Проблема нормы в отечественной лингвистике рассматривалась в трудах В. В. Виноградова, Б. Н. Головина, Н. С. Валгиной и др. В. В. Виноградов связывал норму с культурой речи и стилистической дифференциацией языка [3, с. 67]. Норма, по его мнению, не тождественна системе языка, а представляет собой отобранные и социально санкционированные варианты. Б. Н. Головин подчёркивал социальную природу нормы и её зависимость от коммуникативной целесообразности [4, с. 98]. Следовательно, изменение коммуникативной среды неизбежно влечёт трансформацию нормативных установок. Цифровая коммуникация изменила параметры текстопорождения: скорость создания текста, его тиражируемость и анонимность. С появлением генеративных моделей (в частности, систем, разрабатываемых компанией OpenAI) алгоритм начал воспроизводить тексты, ориентированные на статистически вероятностную «среднюю» языковую модель. Эта усреднённость становится фактором влияния на речевую практику пользователей. Генеративная модель обучается на больших массивах текстов и воспроизводит наиболее вероятные языковые последовательности. В отличие от автора-человека, обладающего индивидуальным стилем, алгоритм стремится к статистической типичности. Сравним два отрывка студенческого эссе на тему «Роль чтения в жизни человека». Отрывок 1 (авторский текст): «Книга — это не просто источник информации, а пространство личного переживания. Читая, человек словно вступает в диалог с автором, спорит, соглашается или внутренне возражает». Отрывок 2 (с использованием ИИ): «Чтение играет важную роль в формировании личности человека, способствует развитию мышления, расширяет кругозор и повышает уровень культуры». Во втором случае наблюдаются признаки клишированности, абстрактной лексики и композиционной предсказуемости. Синтаксическая структура линейна, аргументация строится по шаблону «тезис-перечисление функций». Подобная модель соответствует нормативной литературной речи, однако лишена индивидуально-авторской маркированности. Таким образом, алгоритм не нарушает норму, но способствует её стандартизации.

Основными видами трансформации речевой нормы можно считать следующие:

1. Усреднение синтаксической структуры: на основе анализа студенческих работ выявлено снижение количества сложноподчинённых предложений с несколькими уровнями подчинения в текстах, созданных с использованием ИИ. Предложения становятся короче, логически прозрачными, менее вариативными.
2. Рост клишированных моделей: частотными становятся конструкции типа: «В современном мире…», «Следует отметить, что…», «Таким образом, можно сделать вывод…».Подобные формулы традиционно относятся к научному стилю, однако их чрезмерная концентрация формирует эффект текстовой однотипности.
3. Снижение экспрессивности: если в текстах без использования ИИ встречаются метафоры, разговорные интонации, индивидуальные синтаксические инверсии, то алгоритмически сгенерированные фрагменты тяготеют к нейтральной стилистике [5, с.123].

Представляется целесообразным ввести понятие алгоритмической речевой нормы — совокупности языковых реализаций, воспроизводимых генеративной моделью на основе статистически доминирующих образцов. Данная норма может иметь признаки высокой грамматической корректности, стилистической нейтральности, логической структурированности, тенденции к повторяемости композиционных схем. В отличие от традиционной алгоритмическая норма конструируется через обработку больших данных и лишена культурно-ценностной селекции. Возникает методический вопрос: должна ли образовательная практика учитывать данный тип нормативности? Если алгоритм закрепляет усреднённый стандарт, то преподаватель сталкивается с необходимостью оценки не только правильности, но и степени авторской самостоятельности текста. Современная образовательная среда требует пересмотра критериев оценки письменных работ, акцентируя внимание на оригинальности аргументации; глубине анализа и интерпретации; межтекстовых логических связях; индивидуальной стилистике, соответствующей возрастным и статусным категориям.

Таким образом, норма в эпоху ИИ смещается от формальной корректности к критериям интеллектуальной самостоятельности. Генеративные языковые модели способствуют её стандартизации и усреднению. Формируется феномен алгоритмической нормативности, характеризующийся высокой степенью грамматической корректности при сниженной стилистической вариативности. В перспективе необходимы более масштабные корпусные исследования, позволяющие количественно зафиксировать изменения в синтаксисе, лексике, композиции текстов. Особую актуальность приобретает разработка методических стратегий преподавания русского языка и литературы в условиях сосуществования человеческого и алгоритмического текстопорождения.

Литература:

1. Ожегов С. И. Словарь русского языка.- М.: Русский язык, 1984.- 295 с.
2. Щерба Л. В. Языковая система и речевая деятельность.- Л.:Наука, 1974. — 428 с.
3. Виноградов В. В. Русский язык. Грамматическое учение о слове. — М.: Высшая школа, 1972. — 616 с.
4. Головин Б. Н. Основы культуры речи.-– М.: Просвещение, 1980. — 333с.
5. Валгина Н. С. Теория текста. — М.: Логос, 2003. — 280 с.