Details

Работа посвящена исследованию гендерно маркированных токсичных номинаций в русскоязычном интернет-дискурсе. Цель исследования – провести лингвистический и вычислительный анализ тональности гендерно маркированных оскорблений (номинаций) в русскоязычном интернет-дискурсе и на его основе скорректировать автоматическую модель оценки токсичности текста. В теоретической части рассматриваются современные подходы к изучению гендера как дискурсивной категории, гендерно маркированной инвективной лексики, дегуманизации и языка ненависти, а также методы автоматического анализа тональности и токсичности на основе трансформерных моделей. В практической части разработана типология дегуманизирующих номинаций из 9 категорий и 91 лексем; на её основе сформирован корпус из 101 966 комментариев. С помощью автоматического анализа было выявлено, что наиболее частотной категорией является интеллектуальная дегуманизация, однако максимальные значения токсичности характерны для внешне-оценочных и сексуализирующих номинаций. Для изучения восприятия дегуманизирующих высказываний проведён эксперимент с участием 80 носителей русского языка. Женщины оценивали фемининно маркированные номинации значительно более негативно, чем мужчины (-3,024 против -2,102), тогда как оценки маскулинных инвектив в обеих группах практически совпали. Сопоставление результатов эксперимента с предсказаниями модели «rubert-tiny-toxicity» показало, что базовая модель систематически занижает токсичность фемининно маркированных категорий. После дообучения на специализированной выборке MAE снизилась с 2,00 до 0,96, R² вырос с -0,72 до 0,68, а доля предсказаний с ошибкой не более одного балла увеличилась с 16,0% до 61,5%. Результаты подтверждают, что гендерная направленность номинации влияет на её воспринимаемую негативную окраску неравномерно и определяется типом дегуманизации.

This study investigates gender-marked dehumanizing nominations in Russian-language internet discourse. It aims to identify the relationship between dehumanization type, the gendered target of the insult, and its perceived toxicity, as well as to adapt the model to better reflect native speaker perception of such expressions. The theoretical section reviews current approaches to gender as a discursive catаegory, gender-marked invective vocabulary, dehumanization and hate speech, and methods of automated sentiment and toxicity analysis using transformer-based models. The empirical part presents an original typology of dehumanizing nominations com-prising 9 categories and 91 lexemes. The typology served as the basis for compiling a corpus of 101,966 comments. Automated analysis showed that intellectual dehumani-zation was the most frequent category, while appearance-based and sexualizing insults received the highest toxicity scores. A perception experiment with 80 native Russian speakers revealed that female respondents rated feminine-marked insults substantially more negatively than male respondents (-3.024 vs. -2.102), while ratings for masculine insults were nearly identical across groups. Comparison of the experiment results with predictions from the rubert-tiny-toxicity model showed that the baseline model systematically underrates the toxicity of feminine-marked categories. Fine-tuning on a specialized sample reduced MAE from 2.00 to 0.96, raised R² from -0.72 to 0.68, and increased the proportion of predictions within one point of the target from 16.0% to 61.5%. The findings confirm that perceived toxicity varies across dehumanization types and depends on the gender target of the insult.