Социопрагматика традиционно рассматривает язык в его социальном измерении: как в конкретных высказываниях проявляются отношения власти и солидарности, дистанция и близость, нормы вежливости, коммуникативные роли и ожидания адресата. Медиатексты – будь то газетная публицистика начала XX века или современные новости и посты в социальных сетях – дают особенно богатый материал для такого анализа, поскольку они не только отражают, но и формируют представления о допустимых формах общественного общения. Появление инструментов искусственного интеллекта позволяет по-новому взглянуть на эти вопросы: работать сразу с тысячами текстов, выявлять устойчивые прагматические паттерны и сопоставлять различные медиапространства.

Одно из ключевых направлений – автоматическое распознавание прагматических маркеров. Современные модели обработки естественного языка, обученные на больших корпусах, способны достаточно надёжно выделять запросы, угрозы, обещания, предупреждения, советы и другие типы речевых актов [1]. В медийном дискурсе это особенно важно, поскольку прагматическая функция высказывания нередко важнее его буквального содержания. В политической колонке начало может быть оформлено как информирование, однако с точки зрения прагматики текст выполняет функцию агитации или мобилизации. Алгоритмы, учитывающие сочетание лексики, синтаксической структуры и модальных средств, позволяют картировать распределение речевых актов в корпусах газет и журналов и тем самым выявлять доминирующие стратегии воздействия.

Социопрагматика интересуется не только отдельными актами, но и речевыми ролями, реализуемыми в тексте. Автор может говорить от лица наставника, эксперта, участника движения, представителя «народа» или, наоборот, дистанцированного наблюдателя. Эти позиции кодируются выбором местоимений, типом обращений, характером оценочной лексики, степенью категоричности. Методы машинного обучения дают возможность классифицировать тексты по типу коммуникативной роли, не ограничиваясь поверхностными жанровыми пометами [2]. Так, в джадидской прессе начала XX века доминирует роль «просветителя»: автор объясняет, убеждает, разъясняет, обращается к читателю как к ученику, которому предстоит «открыть глаза» или «выйти из темноты невежества». Автоматически выявляя комбинации таких маркеров, можно проследить, когда и в каких изданиях эта роль укрепляется или уступает место более агитационному или бюрократическому стилю.

Особую область исследования составляет прагматика вежливости. Классические работы П. Браун и С. Левинсона показали, насколько важно для анализа общения учитывать стратегии позитивной и негативной вежливости, способы сохранения «лица» адресата [2]. ИИ-инструменты позволяют в массовом порядке фиксировать, как устроены обращения, какие формулы смягчения используются, как часто автор прибегает к косвенным речевым актам или, напротив, к прямым повелительным конструкциям. В исторической прессе это даёт возможность заметить, как меняется тон общения с читателем: от подчеркнуто уважительных формул в религиозно ориентированных изданиях до более прямой, иногда резкой риторики модернистских и политизированных газет [3].

Не менее значимым оказывается анализ аргументации. В медиатекстах убеждение редко строится в форме формальной логической схемы, но элементы тезиса, обоснования, иллюстрации, контраргумента и вывода при внимательном рассмотрении всё равно присутствуют. Корпусные методы и алгоритмы автоматического выделения аргументативных фрагментов позволяют описывать преобладающие типы аргументации в конкретном периоде: апелляцию к авторитетам, моральное оправдание, ссылку на опыт «простого народа» или опору на статистику и «научные факты» [4]. Сопоставление корпусов разных лет даёт возможность увидеть, как постепенно растёт доля рационализирующих аргументов и уменьшается вес чисто морализаторских или традиционалистских ходов.

С социопрагматикой тесно связан и анализ тональности. Инструменты sentiment analysis сегодня стали привычными для современных медиатекстов, но их можно адаптировать и для исторических корпусов, с учётом специфики лексики и орфографии. На уровне прессы целой эпохи это позволяет реконструировать эмоциональное поле общественной дискуссии: периоды оптимизма и надежды, волны тревоги и резкой критики [5]. Важно, что такие оценки можно расчленить по темам: отношение к образованию может оставаться преимущественно позитивным, тогда как риторика вокруг войны или налогов оказывается значительно более негативной. Социопрагматический интерес здесь сосредоточен на том, как эмоции соединяются с социальными ролями и идеологическими позициями.

Современные медиатексты всё чаще существуют в мультимодальном формате, и это тоже имеет социопрагматическое измерение. Визуальные элементы – фотографии, инфографика, карикатуры, анимация – несут не меньше прагматической нагрузки, чем текст: через ракурс, композицию, мимику персонажей и символические элементы они задают интерпретацию событий и отношений между участниками [6]. Технологии компьютерного зрения в сочетании с анализом текста позволяют изучать, какие визуальные метафоры и жесты доминируют в том или ином медийном поле, как они соотносятся с вербальными стратегиями, усиливают ли или, наоборот, смягчают речевую агрессию, какую социальную дистанцию между автором и героем сюжета они конструируют.

Отдельный круг вопросов связан с реконструкцией коммуникативных норм эпохи. Социопрагматический анализ показывает, что то, что в одной временной точке воспринимается как допустимый публичный стиль, в другой момент может казаться оскорбительным или, наоборот, чрезвычайно осторожным. С помощью ИИ можно количественно описать смену норм обращения к адресату, изменение допустимой степени прямоты критики, превращение ранее обязательных формул уважения в редкий риторический приём [7]. Для исследований узбекской и шире центральноазиатской прессы начала XX века это особенно важно, поскольку именно тогда происходила резкая смена политического строя, образовательных стандартов, языковой политики и, как следствие, медийных привычек.

При всех этих возможностях автоматические методы остаются ограниченными. Прагматическое значение высказывания зачастую зависит от фоновых знаний, иронии, контекста публикации, межтекстовых связей – факторов, которые не всегда могут быть адекватно смоделированы алгоритмом. Исторические тексты содержат архаичные выражения и культурно специфические намёки, которые не встречаются в современных обучающих корпусах, а значит, легко ускользают от моделей [8]. Эмоциональная окраска также может быть двойственной и не сводиться к простой оппозиции «позитив/негатив». Поэтому результаты ИИ-анализа всегда нуждаются в критической проверке и интерпретации со стороны исследователя, знакомого с историей, культурой и дискурсивными традициями изучаемого периода.

Тем не менее совмещение социопрагматического подхода и инструментов искусственного интеллекта открывает плодотворное поле для совместной работы лингвистов, историков, специалистов по медиа и компьютерных лингвистов. Автоматизированные методы берут на себя тяжёлую работу по обработке и первичной структуризации огромных массивов медиатекстов, а исследователь получает возможность сосредоточиться на интерпретации, сравнении и построении более сложных теоретических моделей. В перспективе можно ожидать появления корпусов с прагматической разметкой, моделей, обученных на исторических данных, и систем, которые будут учитывать сразу несколько уровней – от лексического и грамматического до дискурсивного и мультимодального.

Таким образом, ИИ в связке с социопрагматикой не просто расширяет технический арсенал анализа, но и меняет масштаб исследовательского взгляда: от отдельных примеров – к системным описаниям коммуникативных практик, от интуитивных наблюдений – к поддержанным корпусом обобщениям, которые, в свою очередь, требуют вдумчивого, контекстуально осведомлённого чтения.