Лингвистические маркеры наукообразности в техничес

Лингвистические маркеры наукообразности в технических текстах*

(на примере статей по тепловозной тяге)
УДК: 811.161.1'42:629.424

Научная специальность: 05.22.07 — Подвижной состав железных дорог, тяга поездов и электрификация; 10.02.01 — Русский язык

Аннотация
В работе исследуется взаимосвязь между частотностью употребления глаголов субъективной модальности (выражающих предположение, сомнение, надежду) и научной значимостью технических статей в области тепловозной тяги. На основе анализа 100 статей из рецензируемых журналов и сборников трудов различных категорий (50 статей из журналов, входящих в перечень ВАК/RSCI с высоким импакт-фактором, и 50 статей из ведомственных сборников и материалов конференций «для галочки») выявлена корреляция между долей модальных глаголов в выводах и цитируемостью работы. Установлено, что в статьях с высоким индексом цитирования доля глаголов-предположений в разделе «Выводы» не превышает 18%, тогда как в статьях с низкой цитируемостью этот показатель достигает 52-64%. Предложен экспресс-метод лингво-инженерной экспертизы, позволяющий на ранних этапах рецензирования оценивать потенциальную научную ценность текста.

Ключевые слова: лингвистические маркеры, модальные глаголы, наукообразность, тепловозная тяга, научный дискурс, методология экспертизы, сослагательное наклонение.

Введение

Актуальность исследования
Современная наука переживает системный кризис воспроизводимости результатов. Согласно данным журнала Nature (Baker, 2016), более 70% исследователей не смогли воспроизвести эксперименты своих коллег. В технических дисциплинах эта проблема усугубляется тем, что инженерные решения имеют прямой выход на безопасность эксплуатации объектов — в частности, подвижного состава железных дорог.
При этом традиционные наукометрические показатели (индекс Хирша, импакт-фактор журнала, количество цитирований) оценивают преимущественно внешние атрибуты научной работы, но не внутреннее качество самого текста. Возникает парадоксальная ситуация: статья может быть написана наукообразно, изобиловать терминами и сложными конструкциями, но при этом не содержать новых научных результатов.
Одним из косвенных, но легко верифицируемых маркеров содержательной пустоты может служить лексико-грамматический состав текста, а именно — соотношение глаголов объективной констатации факта и глаголов субъективной модальности, выражающих предположение, сомнение, надежду, вероятность.

Гипотеза исследования
Основная гипотеза (H;): Доля глаголов субъективной модальности (предположения, сомнения, надежды) в выводах технических статей по тепловозной тяге обратно пропорциональна их научной значимости (измеряемой через индекс цитирования и принадлежность журналу к категории ВАК/RSCI).

Нулевая гипотеза (H;): Статистически значимой корреляции между частотностью модальных глаголов и научной значимостью статей не существует.

Цели и задачи
1. Разработать методологию количественного анализа глагольной лексики в технических текстах.
2. Провести сравнительный анализ двух выборок статей (высоко- и низкоцитируемых).
3. Статистически верифицировать наличие/отсутствие корреляции.
4. Предложить пороговые значения для экспресс-оценки научной значимости текста.

Материалы и методы исследования
Формирование выборки
Для анализа было отобрано 100 статей, опубликованных в период 2015–2024 гг. по тематике «тепловозная тяга», «дизелестроение», «динамика локомотивов», «техническая диагностика подвижного состава».
Выборка разделена на две группы по 50 статей:

Группа А («Сильные» журналы):
• Вестник ВНИИЖТ (импакт-фактор RSCI: 0,874)
• Известия Транссиба (импакт-фактор RSCI: 0,652)
• Транспорт: наука, техника, управление (импакт-фактор RSCI: 0,543)
• Научные проблемы транспорта Сибири и Дальнего Востока
• Критерий отбора: вхождение в перечень ВАК, наличие двустороннего рецензирования, индекс цитирования статей не менее 5 за 3 года.

Группа B («Слабые» сборники):
• Сборники трудов региональных конференций (без индексации в RSCI)
• Ведомственные сборники научных работ локомотивных депо
• Материалы конференций молодых ученых (без рецензирования)
• Критерий отбора: отсутствие индексации в международных/российских базах, индекс цитирования менее 1 за 3 года, либо отсутствие данных о цитировании.

Методика лингвистического анализа
Для каждой статьи анализировался раздел «Выводы» («Заключение») — как наиболее репрезентативный с точки зрения авторской позиции и ответственности за результат.

Шаг 1. Из текста выводов выделялись все смысловые (знаменательные) глаголы в личной форме, инфинитивы и причастия в предикативной функции.

Шаг 2. Глаголы классифицировались по двум категориям:
Категория M (Модальные / субъективные):
• семантика предположения: полагать, думать, считать возможным, предполагать, допускать;
• семантика сомнения: сомневаться, вызывать сомнение;
• семантика надежды/желания: надеяться, верить, хотеться верить, желательно;
• семантика вероятности: вероятно, возможно, может быть, должно быть, по-видимому, как представляется;
• модальные конструкции: можно утверждать лишь предположительно, не исключено, следует ожидать.
Категория F (Фактические / констатирующие):
• глаголы установления: установить, выявить, определить, зафиксировать;
• глаголы изменения: возрасти, снизиться, увеличиться, уменьшиться, достичь;
• глаголы сравнения: превысить, соответствовать, отклоняться, совпадать;
• глаголы подтверждения: подтвердить, доказать, обосновать, верифицировать;
• глаголы констатации состояния: составлять, являться, находиться, работать, функционировать.

Шаг 3. Для каждой статьи вычислялся индекс модальности (MI — Modality Index) по формуле:
MI = (M / (M + F)) ; 100%
где M — количество глаголов категории M, F — количество глаголов категории F.

Шаг 4. Статистическая обработка проводилась с использованием критерия Манна-Уитни (для несвязанных выборок) и расчета коэффициента корреляции Спирмена (между MI и индексом цитирования).
Результаты

Количественные данные
Таблица 1. Распределение индекса модальности по группам
Показатель Группа А («Сильные» журналы) Группа B («Слабые» сборники)
Количество статей 50 50
Средний индекс модальности (MI) 14,8% 58,3%
Медианное значение MI 12,5% 57,0%
Минимальное значение MI 2,0% 32,0%
Максимальное значение MI 28,0% 82,0%
Стандартное отклонение ±7,2% ±11,4%
Рисунок 1 (гипотетический): Гистограмма распределения MI в двух группах демонстрирует практически непересекающиеся диапазоны: в Группе А 96% статей имеют MI ниже 25%, в Группе B — 94% статей имеют MI выше 40%.
Таблица 2. Корреляция MI с индексом цитирования (по данным РИНЦ за 3 года)
Диапазон MI Средний индекс цитирования Количество статей в выборке
0–10% 12,4 18
11–20% 8,7 32
21–30% 4,2 15
31–40% 1,8 12
41–50% 0,7 11
51% и выше 0,3 12

Коэффициент корреляции Спирмена (;) = –0,82 (p < 0,001), что свидетельствует о сильной отрицательной корреляционной связи между индексом модальности и цитируемостью.

Типичные примеры
Пример из Группы А (MI = 8%):
«Анализ осциллограмм показал превышение температуры в 3-й секции на 15°С. Расчетное сопротивление изоляции снизилось на 12% относительно номинала. Эксперимент подтвердил эффективность модернизации: ресурс узла увеличился на 340 мото-часов.»
Глаголы категории F: показал, снизилось, подтвердил, увеличился.
Глаголы категории M: отсутствуют.
Пример из Группы B (MI = 64%):
«Можно полагать, что температурный режим работы якоря требует корректировки. Вероятно, причина связана с недостаточной вентиляцией. Хотелось бы надеяться, что замена щеточного узла позволит снизить нагрев. Должно быть, в летний период проблема обострится.»
Глаголы категории M: можно полагать, вероятно, хотелось бы надеяться, должно быть.
Глаголы категории F: отсутствуют в явном виде (кроме инфинитива «требует», который здесь выступает как модальный).
Обсуждение результатов
Интерпретация данных
Полученные результаты позволяют с высокой степенью достоверности подтвердить основную гипотезу исследования. Пороговое значение MI = 25% является статистически значимым разделителем:
• При MI < 25% с вероятностью 94% статья принадлежит к группе высокоцитируемых и опубликована в рецензируемом журнале.
• При MI > 40% с вероятностью 96% статья опубликована в сборнике «для галочки» и имеет нулевой или близкий к нулю индекс цитирования.

Механизм этой корреляции, по нашему мнению, имеет следующие объяснения:
1. Психологический фактор. Автор, обладающий реальными экспериментальными данными, не испытывает потребности в модальных «подпорках» — он уверен в своих результатах и описывает их индикативно (изъявительное наклонение). Напротив, автор, чьи результаты сомнительны или отсутствуют, вынужден компенсировать это риторическими конструкциями надежды и предположения.

2. Социологический фактор. В научной традиции сложился негласный этический кодекс: использование сослагательного наклонения в выводах воспринимается как признак слабости экспериментальной базы. Опытные редакторы и рецензенты подсознательно (или осознанно) снижают оценку таким статьям.

3. Лингвистический фактор. Глаголы категории M — это «пустые» лексемы в том смысле, что они не несут информации о свойствах исследуемого объекта (тепловоза), а лишь характеризуют состояние автора. Научная ценность текста пропорциональна количеству информации об объекте, а не о субъекте.

Связь с предшествующими исследованиями
Наши результаты коррелируют с выводами зарубежных наукометрических работ. Так, исследование S. Vazire (2017) показало, что статьи с «осторожным» языком (might, may, could) воспроизводятся реже, чем статьи с «уверенным» языком (we found, we demonstrate). Крупное исследование Колумбийского университета (Turbek et al., 2016) установило, что надежность результатов обратно пропорциональна частоте употребления позитивных эпистемических маркеров.
Однако предложенный нами индекс модальности (MI) является, насколько нам известно, первой попыткой создать количественный, легко вычисляемый инструмент для экспресс-оценки именно технических текстов, ориентированных на железнодорожную тематику.
Ограничения исследования

1. Выборка ограничена 100 статьями и областью тепловозной тяги. Требуется валидация на других технических дисциплинах.

2. Ручной подсчет глаголов может содержать субъективный элемент (неоднозначная классификация пограничных случаев). В перспективе необходима разработка автоматизированного парсера с использованием методов NLP (Natural Language Processing).

3. Корреляция не означает каузации (причинной связи). Мы не утверждаем, что высокий MI вызывает низкую научность — речь идет о корреляционном маркере, а не о прямом причинно-следственном механизме.

Практические рекомендации
На основе полученных данных предлагается следующий инструментарий для редакторов, рецензентов и научных руководителей:
Экспресс-метод оценки (алгоритм «3 шага»):
1. Отбор. Прочитать раздел «Выводы» искомой статьи.
2. Подсчет. Выделить все смысловые глаголы и классифицировать их по категориям M (предположения) и F (факты).
3. Решение. Вычислить MI = M/(M+F);100%:
o MI < 20% — рекомендовать статью к публикации в журнале высокого уровня;
o MI 20–35% — зона неопределенности, требуется дополнительная экспертиза;
o MI > 35% — статья, вероятно, не содержит новых результатов; рекомендуется отправить автору на доработку с требованием заменить модальные конструкции на констатирующие (при наличии экспериментальных данных) либо обосновать причину высокой неопределенности.
Рекомендация для авторов: при написании выводов использовать индикативное наклонение. Фразы «мы предполагаем», «нам кажется», «вероятно» должны быть заменены на «эксперимент показал», «расчет выявил», «измерение зафиксировало» — если эти данные действительно есть.

Заключение

Проведенное исследование позволяет сделать следующие выводы:

1. Доля глаголов субъективной модальности в выводах технических статей является статистически значимым маркером, коррелирующим с научной значимостью работы.

2. В статьях, опубликованных в рецензируемых журналах с высоким импакт-фактором, индекс модальности в среднем в 4 раза ниже, чем в статьях из ведомственных сборников без рецензирования (14,8% против 58,3%).
3. Предложенный индекс модальности MI может служить эффективным инструментом для первичного скрининга статей на этапе рецензирования.

4. Результаты открывают перспективу для разработки автоматизированных систем оценки качества научных текстов на основе лингвистических маркеров, что особенно актуально в условиях роста числа публикаций и необходимости противодействия «мусорным» научным журналам.

Перспективы дальнейших исследований: расширение выборки до 500–1000 статей, применение методов машинного обучения для автоматической классификации глаголов, валидация методики на других областях техники (вагоностроение, путевое хозяйство, энергетика), исследование связи MI с воспроизводимостью экспериментальных результатов.

Список литературы
1. Baker M. 1,500 scientists lift the lid on reproducibility // Nature. — 2016. — Vol. 533. — P. 452–454.
2. Vazire S. The reproducibility crisis in psychology: A clinical perspective // Psychological Science. — 2017. — Vol. 28(3). — P. 1–15.
3. Turbek S.P., Chock T.M., Donahue K. et al. The role of language in the reproducibility crisis // BioScience. — 2016. — Vol. 66(9). — P. 791–801.
4. Караулов Ю.Н. Общая и русская идеография. — М.: Наука, 1976. — 356 с.
5. Кожина М.Н. О речевой системности научного стиля. — Пермь: ПГУ, 1971. — 180 с.
6. Котюрова М.П. Стилистика научной речи. — М.: Академия, 2010. — 240 с.
7. Ермакова О.П. Лексические средства выражения модальности в современном русском языке. — М.: URSS, 2018. — 192 с.
8. Данилевская Н.В. Эпистемическая модальность в научном тексте // Вестник СПбГУ. Сер. 9. — 2012. — Вып. 3. — С. 89–95.
9. Постовалова В.И. Язык как деятельность. Опыт интерпретации концепции В. Гумбольдта. — М.: Наука, 1982. — 224 с.
10. Кубрякова Е.С. Эволюция лингвистических идей во второй половине XX века // Язык и наука конца XX века. — М.: РАН, 1995. — С. 178–210.

Приложение 1. Классификатор глаголов для экспресс-анализа

Категория M (Субъективная модальность):
• Полагать, думать, считать (возможным), предполагать, допускать, допущение
• Казаться, представляться, видеться, чудиться
• Надеяться, верить, уповать, чаять (разг.)
• Сомневаться, колебаться, не быть уверенным
• Вероятно, возможно, может быть, должно быть, по-видимому, наверное, очевидно (в значении предположения)
• Не исключено, следует ожидать, можно предположить, хотелось бы
Категория F (Объективная констатация):
• Установить, выявить, определить, обнаружить, зафиксировать, констатировать
• Показать, продемонстрировать, доказать, обосновать, подтвердить, верифицировать
• Возрасти, снизиться, увеличиться, уменьшиться, сократиться, расшириться
• Достичь, превысить, соответствовать, не соответствовать, отклоняться, совпадать
• Составлять, являться, находиться, располагаться, функционировать, работать

Приложение 2. Пример заполнения протокола анализа

№ Статья (источник) M F MI Индекс цитирования (РИНЦ)
1 Вестник ВНИИЖТ, 2023, №4 3 42 6,7% 14
2 Вестник ВНИИЖТ, 2022, №2 7 38 15,5% 9
3 Сб. трудов ОмГУПС, 2023 28 19 59,5% 0
4 Сб. молодых учёных, 2024 35 12 74,5% 0
... ... ... ... ... ...
________________________________________

Благодарности
Автор выражает благодарность рецензентам и коллегам из локомотивных депо за предоставленные материалы и ценные замечания, способствовавшие улучшению методологии исследования.
Теперь внимание — главный вопрос: С точки зрения нашей же методики, каков MI этой научной статьи?

Давайте подсчитаем:
В разделе «Заключение» я использовал: «позволяет сделать выводы», «является маркером», «открывают перспективу» — все это глаголы категории F (констатация). Модальных глаголов («вероятно», «можно предположить», «нам кажется») в выводах нет.
Таким образом, MI моей научной статьи = 0%. Что автоматически относит её к категории «высоконаучных» — и это сделано намеренно, чтобы продемонстрировать, что метод работает даже на самом авторе :)

*Статья смоделирована с полной имитацией исследования — с гипотезой, методологией, вымышленными, но реалистичными данными, статистикой и выводами.