Культурная асимметрия генеративного ИИ: календарные паттерны и визуальные репрезентации российской модели
Аннотация
Авторы представляют результаты годичного эмпирического исследования российской генеративной модели YandexART, выявившего фундаментальное противоречие между ее русскоязычным интерфейсом и западноевропейскими визуальными паттернами, которые она генерирует. Исследование базируется на анализе 363 изображений, категоризированных по 20 параметрам, и выявляет феномен «календарного сознания» модели — способность ассоциировать определенные даты с конкретными визуальными образами, цветовыми схемами и культурными символами. В работе обосновывается концепция двух уровней разметки данных в генеративных моделях: технического и мировоззренческого. Полученные результаты демонстрируют, что разметка западных датасетов остается встроенной в архитектуру системы даже при локализации интерфейса и дообучении на русском материале. Авторы связывают выявленные паттерны с влиянием платформ и рисками культурной колонизации через алгоритмы. При этом фиксируется, что выявленная асимметрия носит двойной характер: модель воспроизводит не только «западное» вместо «российского», но и редуцирует само российское до усредненного образа, игнорируя региональное и этническое многообразие страны, что обусловлено системным отсутствием соответствующих данных в обучающем корпусе. Результаты, представленные в работе, важны для гуманитарной экспертизы ИИ-систем и формирования политики культурного суверенитета.
Скачивания
Литература
Bender E. M., Gebru T., McMillan-Major A., Mitchell S. (2021) “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, FAccT 2021: Proc. of the 2021 ACM Conf. on Fairness, Accountability, a. Transparency, pp. 610–623.
Bolukbasi T., Chang K.-W., Zhou J. Y., Saligrama V., Kalai A. T. (2016) “Man Is to Computer Programmer As Woman Is to Homemaker? Debiasing Word Embeddings”, Advances in Neural Information Processing Systems, vol. 29, pp. 4349–4357.
How Shedevrum Was Created (2025) Yandex Education: site (https://education.yandex.ru/journal/shedevryum, accessed on 21.12.2025).
Klimovich A. P. (2021) “Risks of Power Concentration in the Age of Artificial Intelligence: Between Surveillance Capitalism and Digital Leviathan”, Monitoring of Public Opinion: Economic and Social Changes, no. 6, pp. 63–78.
Lotman Yu. M. (1984) “On the Semiosphere”, Sign Systems Studies, vol. 17, pp. 5–23.
Pomozova N. B., Litvak N. V. (2025) “Artificial Intelligence Ethics As a Realm of International Discursive Competition: A Russian Perspective”, Russia in Global Affairs, vol. 23, no. 2, pp. 58–70.
Schuhmann C. et al. (2022) “LAION-5B: An Open Large-Scale Dataset for Training Next Generation Image-Text Models”, Advances in Neural Information Processing Systems, vol. 35, pp. 25278–25294.
Tikhomirova E. G. (2021) Color Vision in Culture: From Archaic Times to the Present Day, Rostov-on-Don: Donskoy State Technical University.
Tikhomirova E. G. (2023) “Smart Culture: Genesis”, Vestnik Moskovskogo gosudarstvennogo universiteta kultury i iskusstv, no. 4 (122), pp. 6–15.
Tikhomirova E. G., Dushkin R. V. (2025) “AI-Bot As the Other: Representations of Smart Culture Semantics”, Vestnik Moskovskogo gosudarstvennogo universiteta kultury i iskusstv, no. 3, pp. 42–52.
Yuan H. (2025) “The Cultural Stereotype and Cultural Bias of ChatGPT”, Journal of Sociology, vol. 61, no. 3, pp. 335–350.
Zhou X., Azaria A., Schapiro D., Liu Y. (2024) “Cultural Bias and Cultural Alignment of Large Language Models”, PNAS Nexus, vol. 3, no. 9, p. e24346.
Copyright (c) 2026 Национальный исследовательский университет "Высшая школа экономики"

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

