ПЕРЕВОД В ЭПОХУ ЦИФРОВЫХ МЕДИА: РОЛЬ АВТОМАТИЧЕСКОГО ПЕРЕВОДА В РАСПРОСТРАНЕНИИ ПОЛИТИЧЕСКОЙ ИНФОРМАЦИИ (НА МАТЕРИАЛЕ США)

УДК 81.25

АННОТАЦИЯ

Статья посвящена анализу особенностей передачи политического дискурса средствами автоматического перевода на материале американских СМИ. Актуальность исследования обусловлена активным внедрением технологий машинного перевода в цифровую медиакоммуникацию и ростом объёмов многоязычного контента, что усиливает роль переводческих инструментов в формировании глобальной информационной повестки. В работе рассматриваются проблемы семантической точности и прагматической адекватности при переводе политически значимых текстов, включая передачу идеологически маркированной лексики и сохранение коммуникативного намерения автора. На основе сравнительного анализа оригинальных текстов и их машинных переводов, а также методов дискурсивного и контекстуального анализа выявлены типичные семантические, стилистические и прагматические искажения. Установлено, что автоматический перевод, несмотря на технологическую эффективность, нередко ослабляет воздействующий потенциал политических высказываний и приводит к частичной утрате их идеологической нагрузки. Сделан вывод о том, что подобные трансформации способны влиять на интерпретацию политической информации международной аудиторией, что обусловливает необходимость критического подхода к использованию технологий машинного перевода и их дальнейшего совершенствования.

ABSTRACT

The article is devoted to analyzing the characteristics of conveying political discourse through automatic translation based on American media materials. The relevance of the study is driven by the active implementation of machine translation technologies in digital media communication and the growing volume of multilingual content, which strengthens the role of translation tools in shaping the global information agenda. The study examines issues of semantic accuracy and pragmatic adequacy in translating politically significant texts, including the rendering of ideologically marked vocabulary and the preservation of the author’s communicative intent. Based on a comparative analysis of original texts and their machine translations, as well as methods of discourse and contextual analysis, typical semantic, stylistic, and pragmatic distortions are identified. It is found that automatic translation, despite its technological efficiency, often weakens the persuasive impact of political statements and leads to a partial loss of their ideological load. The conclusion is drawn that such transformations can influence the interpretation of political information by international audiences, which necessitates a critical approach to the use of machine translation technologies and their further improvement.

Ключевые слова: автоматический перевод, политический дискурс, СМИ США, цифровые медиа, машинный перевод, медиакоммуникация.

Keywords: machine translation, political discourse, US media, digital media, media communication, translation studies.

ВВЕДЕНИЕ

Современный этап развития медиакоммуникации характеризуется активной цифровизацией информационного пространства и ростом объёмов многоязычного контента. В ряде исследований отмечается значительная роль американских СМИ в формировании глобальной политической повестки, что обусловлено их широким международным охватом и влиянием на информационные потоки [5; 21]. Вместе с тем данная роль не является безальтернативной и реализуется наряду с деятельностью других национальных и транснациональных медиаструктур. В условиях быстрого распространения информации особое значение приобретает автоматический перевод, обеспечивающий доступ к новостям для международной аудитории.

Актуальность исследования обусловлена широким внедрением систем машинного перевода в новостную коммуникацию и необходимостью оценки их влияния на качество передачи политического дискурса.

Цель исследования — выявить особенности передачи политической информации средствами автоматического перевода на материале СМИ США.
Задачи исследования:

1. Проанализировать специфику политического дискурса в новостных текстах;
2. Рассмотреть особенности автоматического перевода как инструмента медиакоммуникации;
3. Выявить типичные семантические и прагматические искажения при переводе политических текстов;
4. Оценить влияние данных искажений на интерпретацию информации.

Материалы и методы

Материалом исследования послужили новостные тексты американских СМИ, в частности публикации CNN и The Washington Post, содержащие политически значимые высказывания. Для анализа отбирались фрагменты текстов, включающие политическую лексику и элементы оценочного дискурса.

В качестве основного метода использовался сравнительный анализ оригинальных текстов и их переводов, выполненных с помощью систем автоматического перевода. Также применялись методы дискурсивного анализа и контекстуального анализа, позволяющие выявить особенности передачи прагматических и идеологических компонентов текста.

Методологическую основу исследования составили положения теории перевода, медиалингвистики и исследований в области автоматической обработки текста.

Автоматический перевод, реализуемый с помощью таких систем, как Google Translate, DeepL и других платформ, основан на применении алгоритмов машинного обучения и нейросетевых моделей [13; 15]. Эти технологии позволяют оперативно обрабатывать большие объёмы текстовой информации и обеспечивать её доступность для широкой аудитории, не владеющей языком оригинала [14]. В результате политические тексты, включая заявления официальных лиц, аналитические статьи и новостные сообщения, становятся частью глобального информационного потока практически в режиме реального времени.

Однако использование автоматического перевода в сфере политической коммуникации сопряжено с рядом теоретических и практических проблем. Прежде всего, это связано со спецификой политического дискурса, который характеризуется высокой степенью идеологической нагруженности, наличием имплицитных смыслов, метафоричностью и прагматической направленностью. Политический текст не только информирует, но и воздействует на аудиторию, формируя определённые интерпретационные рамки и ценностные установки. В этой связи точность передачи содержания выходит за рамки лексико-грамматического соответствия и включает сохранение прагматического и идеологического потенциала высказывания [3].

Автоматические системы перевода, несмотря на значительный прогресс в области компьютерной лингвистики и обработки естественного языка [20], зачастую не способны в полной мере учитывать контекстуальные и культурные особенности политического текста. Это может приводить к искажению исходного смысла, утрате стилистических характеристик и даже изменению коммуникативного намерения автора [18]. Особенно это заметно при переводе политически чувствительной лексики, терминов с оценочной коннотацией, а также речевых актов, направленных на убеждение или манипуляцию [1].

В американских СМИ, рассматриваемых в ряде работ как один из значимых участников формирования глобальной информационной повестки [21], автоматический перевод используется как вспомогательный инструмент для расширения аудитории и повышения доступности контента. Однако при этом возникает вопрос о степени доверия к подобным переводам и их влиянии на восприятие политической информации зарубежными реципиентами. Неточности и семантические сдвиги, возникающие в процессе машинного перевода, могут способствовать формированию искажённого представления о политических событиях, акторах и позициях [1].

Таким образом, автоматический перевод в цифровых медиа выступает не только как технологический инструмент, но и как значимый фактор медиадискурса, влияющий на интерпретацию и распространение политической информации. Его исследование требует междисциплинарного подхода, объединяющего достижения переводоведения, медиалингвистики и цифровых гуманитарных наук [21]. Анализ особенностей функционирования автоматического перевода на материале американских СМИ позволяет выявить как его потенциал, так и ограничения в контексте современной политической коммуникации.

В материале CNN приводится заявление [7] : «We will not tolerate any aggression against our allies» Автоматический перевод: «Мы не будем терпеть никакой агрессии против наших союзников». Возможный вариант перевода: «Мы не допустим никакой агрессии в отношении наших союзников».
Анализ показывает, что конструкция will not tolerate в политическом дискурсе США выполняет функцию дипломатического давления. В предложенном варианте перевода данный прагматический компонент передаётся более чётко за счёт использования глагола «не допустим», усиливающего категоричность высказывания. Анализ показывает, что конструкция will not tolerate в политическом дискурсе США выполняет функцию дипломатического давления. В переводе этот прагматический компонент ослабляется, и высказывание становится менее экспрессивным.

В статье The Washington Post используется термин [8] : «The regime has escalated violence in the region» Перевод: «Режим усилил насилие в регионе». Слово regime несёт негативную оценку и используется как инструмент политической маркировки. В автоматическом переводе эта идеологическая нагрузка частично нейтрализуется.

В новостях The Washington Post фиксируется выражение [8]: «Defending democracy abroad is our priority». Перевод: «Защита демократии за рубежом является нашим приоритетом». Хотя перевод точен формально, он не передает скрытую политическую функцию выражения – внешнеполитического вмешательства.

Результаты и обсуждение

Проведённый анализ показал, что автоматический перевод в целом обеспечивает достаточно высокую степень лексической точности при передаче содержания новостных текстов [17]. Однако на уровне прагматики и дискурса выявляются существенные отклонения.

Во-первых, наблюдаются прагматические сдвиги при переводе политических заявлений. Например, выражения, содержащие элементы давления или дипломатической риторики, в переводе часто приобретают более нейтральный характер. Это снижает воздействующий потенциал высказывания.

Во-вторых, выявлена проблема передачи идеологически маркированной лексики. Такие слова, как regime, democracy, aggression, в оригинальном тексте несут оценочную нагрузку, однако в автоматическом переводе эта коннотация частично утрачивается, что приводит к изменению восприятия текста.

В-третьих, автоматический перевод не всегда корректно передаёт скрытые прагматические смыслы, включая имплицитные значения и политические стратегии (например, оправдание внешнеполитических действий через риторику защиты демократии).

Таким образом, результаты исследования подтверждают, что автоматический перевод, несмотря на технологическую эффективность, ограничен в передаче сложных дискурсивных характеристик политического текста.

Заключение

В ходе исследования было установлено, что автоматический перевод играет важную роль в распространении политической информации в цифровых медиа, обеспечивая её доступность для широкой аудитории. Однако при переводе политического дискурса возникают семантические и прагматические искажения, способные влиять на интерпретацию содержания.

Выявленные особенности свидетельствуют о необходимости критического подхода к использованию машинного перевода в медиасреде. Перспективы дальнейших исследований связаны с разработкой более совершенных моделей перевода, способных учитывать контекстуальные и идеологические особенности политических текстов.

Список литературы:

1. Алексеева И. С. Профессиональный тренинг переводчика. — СПб. : Союз, 2001. — 288 с.
2. Баранов А. Н. Автоматическая обработка текста и машинный перевод. — М. : Наука, 2007. — 312 с.
3. Гарбовский Н. К. Теория перевода. — М. : Изд-во МГУ, 2007. — 544 с.
4. Комиссаров В. Н. Теория перевода (лингвистические аспекты). — М. : Высшая школа, 1990. — 253 с.
5. Кожина М. Н. Язык и дискурс средств массовой информации. — М. : Флинта, 2012. — 320 с.
6. Миньяр-Белоручев Р. К. Общая теория перевода и устный перевод. — М. : Воениздат, 1980. — 237 с.
7. Нелюбин Л. Л. Введение в технику перевода (когнитивный и лингвистический аспекты). — М. : Флинта : Наука, 2009. — 216 с.
8. Сдобников В. В., Петрова О. В. Теория перевода. — М. : АСТ : Восток–Запад, 2006. — 448 с.
9. Федоров А. В. Основы общей теории перевода (лингвистические проблемы). — М. : Филология три, 2002. — 416 с.
10. Швейцер А. Д. Теория перевода: статус, проблемы, аспекты. — М. : Наука, 1988. — 215 с.
11. CNN Politics. Fake AI calls raise concerns over political communication [Электронный ресурс]. — URL: https://edition.cnn.com/2025/07/12/politics/fake-ai-calls-us-officials (дата обращения: 04.05.2026).
12. The Washington Post. LLM poisoning and manipulation in political context [Электронный ресурс]. — URL: https://www.washingtonpost.com/technology/2025/04/17/llm-poisoning-grooming-chatbots-russia/ (дата обращения: 04.05.2026).
13. Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. — 2017. — Vol. 30.
14. Ott M., Edunov S., Baevski A. et al. Scaling Neural Machine Translation // Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. — 2019. — С. 4463–4473.
15. Koehn P. Neural Machine Translation. — Cambridge : Cambridge University Press, 2020. — 393 p.
16. Liu Y., Zhang J., Zong C. Multilingual Neural Machine Translation: A Survey // Computational Linguistics. — 2020. — Vol. 46, № 3. — С. 1–34.
17.  Zhang X. Political Bias in Machine Translation // AI & Society. — 2022. — Vol. 37. — С. 1–12.
18. Bender E. M., Gebru T., McMillan-Major A., Shmitchell S. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? // Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. — 2021. — С. 610–623.
19.  European Commission. Language Technologies Report. — Luxembourg : Publications Office of the European Union, 2023. — 120 p.
20.  Toral A., Way A. What Level of Quality Can Neural Machine Translation Attain? // Machine Translation. — 2018. — Vol. 32, № 4. — С. 303–323.
21.  Кузнецова Е. В. Машинный перевод в медиадискурсе: современные тенденции // Вестник МГУ. Серия 9. Филология. — 2021. — № 4. — С. 112–120.
22. Смирнов А. А. Политический дискурс и проблемы перевода в цифровую эпоху // Филологические науки. — 2022. — № 6. — С. 45–53.

References

1. Alekseeva I. S. [Professional translator training]. St. Petersburg: Soyuz; 2001. 288 p. (In Russ.)
2. Baranov A. N. [Automatic text processing and machine translation]. Moscow: Nauka; 2007. 312 p. (In Russ.)
3. Garbovskiy N. K. [Translation theory]. Moscow: Izd-vo MGU; 2007. 544 p. (In Russ.)
4. Komissarov V. N. [Translation theory (linguistic aspects)]. Moscow: Vysshaya Shkola; 1990. 253 p. (In Russ.)
5. Kozhina M. N. [Language and media discourse]. Moscow: Flinta; 2012. 320 p. (In Russ.)
6. Minyar-Beloruchev R. K. [General translation theory and interpreting]. Moscow: Voenizdat; 1980. 237 p. (In Russ.)
7. Nelyubin L. L. [Introduction to translation techniques (cognitive and linguistic aspects)]. Moscow: Flinta; Nauka; 2009. 216 p. (In Russ.)
8. Sdobnikov V. V., Petrova O. V. [Translation theory]. Moscow: AST; Vostok–Zapad; 2006. 448 p. (In Russ.)
9. Fedorov A. V. [Fundamentals of general translation theory (linguistic problems)]. Moscow: Filologiya tri; 2002. 416 p. (In Russ.)
10. Shveitser A. D. [Translation theory: status, problems, aspects]. Moscow: Nauka; 1988. 215 p. (In Russ.)
11. CNN Politics. [Fake AI calls raise concerns over political communication] [Electronic resource]. Available at: https://edition.cnn.com/2025/07/12/politics/fake-ai-calls-us-officials (accessed: 04.05.2026).
12. The Washington Post. [LLM poisoning and manipulation in political context] [Electronic resource]. Available at: https://www.washingtonpost.com/technology/2025/04/17/llm-poisoning-grooming-chatbots-russia/ (accessed: 04.05.2026).
13. Vaswani A., Shazeer N., Parmar N., et al. [Attention is all you need]. Advances in Neural Information Processing Systems. 2017;30.
14. Ott M., Edunov S., Baevski A., et al. [Scaling neural machine translation]. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. 2019:4463–4473.
15. Koehn P. [Neural machine translation]. Cambridge: Cambridge University Press; 2020. 393 p.
16. Liu Y., Zhang J., Zong C. [Multilingual neural machine translation: a survey]. Computational Linguistics. 2020;46(3):1–34.
17. Zhang X. [Political bias in machine translation]. AI & Society. 2022;37:1–12.
18. Bender E. M., Gebru T., McMillan-Major A., Shmitchell S. [On the dangers of stochastic parrots: can language models be too big?]. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. 2021:610–623.
19. European Commission. [Language technologies report]. Luxembourg: Publications Office of the European Union; 2023. 120 p.
20. Toral A., Way A. [What level of quality can neural machine translation attain?]. Machine Translation. 2018;32(4):303–323.
21. Kuznetsova E. V. [Machine translation in media discourse: current trends]. Vestnik MGU. Seriya 9. Filologiya. 2021;(4):112–120. (In Russ.)
22. Smirnov A. A. [Political discourse and translation problems in the digital era]. Filologicheskie Nauki. 2022;(6):45–53. (In Russ.)