ЖАСАНДЫ ИНТЕЛЛЕКТ ЖҮЙЕЛЕРІ АРҚЫЛЫ ГЕНЕРАЦИЯЛАНҒАН МӘТІНДЕРДІ АНЫҚТАУДЫҢ СЕМАНТИКАЛЫҚ ӘДІСТЕРІ

Asel S. Yerbolova, Василий Громов, Akerke Saparovna Akanova

2026

Closed access Metadata (CSL-JSON)
DOI 10.51775/2790-0886_2026_72_1_309
Data confidence 70 medium
How this score is calculated

It is built from checkable properties of the record itself: whether the article has a DOI, how many independent sources confirmed its data, whether the required fields are filled in, and how recent the latest confirmation is. Disagreement between sources and a missing identifier lower it. A value of 80 or above means the record was published without further checking; 60 to 79 means it is published at reduced confidence, with a manual check advisable. A record verified by an editor by hand is never pushed below 90 by a recalculation. This scores our data about the article, not the article itself.

Abstract

Генеративті жасанды интеллекттің, әсіресе, үлкен тілдік модельдердің (LLM) дамуымен бірге, табиғи тілдік ортаны бұрмалау және ақпараттық кеңістікті автоматтандырылған мазмұнмен толтыру тәуекелдері де артты. Бұл мәселені шешу үшін адам жазған мәтіндер мен жасанды интеллект жүйелері арқылы генерацияланған мәтіндерді дәл ажырататын әдістерді әзірлеу қажет. Осы мақалада боттар жасаған мәтіндерді анықтаудың жаңа тәсілі ұсынылды. Бұл тәсіл табиғи тілді өзін-өзі ұйымдастыратын сыни жүйе ретінде қарастырады. Мұның негізінде геометриялық қасиеттерді зерттеу жатыр. Зерттеу барысында семантикалық векторлық кеңістіктегі n-граммаларды кластерлеу және мәтіндерді «энтропия-күрделілік» жазықтығында талдау әдістері қолданылды. Ғылыми тәжірибе қазақ, орыс, ағылшын, неміс, француз және вьетнам тілдерінде жүргізілді. Әр тіл үшін әдеби мәтіндерден тұратын репрезентативті корпустар құрылды, және арнайы дайындалған (GPT-2, YaLM) және (дайын (LSTM, mGPT) модельдер арқылы генерацияланған мәтіндер жиынтығы жасалды. Семантикалық кеңістікті модельдеу мақсатында TF-IDF матрицасының сингулярлық декомпозициясы (SVD) әдісі және Word2Vec (CBOW) арқылы алынған векторлық эмбеддингтер пайдаланылды. Әр тіл үшін «энтропия-күрделілік» жазықтығында адам жазған әдеби мәтіндердің негізгі жиыны хаос режиміне сәйкес келетін аумақты айқындап, боттар генерациялаған мәтіндерден елеулі түрде ерекшеленетіні анықталды. Рұқсат етілген n (n-грамманың реті) және d (векторлық кеңістік өлшемі) өлшемдерінің ауқымдары әр тіл үшін өзіндік ерекшеліктерге ие болып, бұл тілдердің фракталдық құрылымдарының айырмашылығын көрсетеді. Жіктеу нәтижелері бойынша «энтропия-күрделілік» жазықтығындағы мәтіндердің орнын пайдалану арқылы қарапайым жіктеуіштер (SVM, DT, RF) барлық зерттелген тілдерде жоғары тиімділікпен (F1-өлшемі 0.8-ден 0.98-ге дейін) жұмыс істеуге мүмкіндік беретіні анықталды. Алынған нәтижелер табиғи тілді күрделі жүйе ретінде талдаудың генеративті ЖИ арқылы жасалған контентті бақылау және анықтау мәселелерін шешуде перспективалы екенін көрсетеді. Зерттеу ақпараттық қауіпсіздікті нығайту және адам тілінің табиғи құрылымын сақтау бағыттарында әрі қарайғы зерттеулерге негіз болады.