Архив

Синтетический контент: к проблеме классификации

Анна Жеребненко

Ссылка для цитирования: Жеребненко А.В. Синтетический контент: к проблеме классификации // Меди@льманах. 2025. № 5 (130). С. 23−32. DOI: 10.30547/mediaalmanah.5.2025.2332



УДК 004.8+004.9:001.8
DOI: 10.30547/mediaalmanah.5.2025.2332
EDN: TCBPHX

© Жеребненко Анна Вячеславовна
кандидат филологических наук, доцент кафедры журналистики, медиа и рекламы Института гуманитарных наук Алтайского государственного университета (г. Барнаул, Россия), zherebnenko.a@yandex.ru

Ключевые слова: синтетический контент, ИИ-алгоритмы, генеративный контент, технологии искусственного интеллекта, ИИ-контент.

В статье предпринята попытка концептуализации понятия «синтетический контент» в условиях терминологической неопределенности, сложившейся в академической и профессиональной средах. Разработана классификация синтетического контента, интегрирующая три основания систематизации: степень детерминированности процесса создания, уровень синтетичности и функциональное назначение.

 

Постановка исследовательской проблемы

Ключевым драйвером трансформации национальных и региональных медиасистем выступает цифровая эволюция (Макеенко, Вырковский, 2021), обусловившая переход от традиционной медиамодели XX в. к принципиально новой архитектуре, интегрирующей медиаиндустрию, телекоммуникации и информационные технологии (Вартанова, 2024). «Исследователи ввели в обиход термин "экосистема ИТ — телекоммуникации — медиа" не только обозна­чающий новую технологическую среду, в которой существуют медиа, но и характеризующий комплекс современных произ­водственных, социальных и культурных реа­лий» (Вартанова, 2024: 10–11).

Значимым технологическим прорывом, преобразующим отечественную медиасреду, стало стремительное развитие технологий искусственного интеллекта. Новый вызов цифровой эпохи обусловил появление принципиально иного вида цифрового контента, отличающегося от традиционных форм способом создания и характеристиками. Контент, созданный искусственным интеллектом, стал неотъемлемой составляющей современного медиапространства. Технологии генеративного ИИ, позволя­ющие создавать текст, изображения, аудио и видео, произвели революцию в сфере медиа и коммуникаций.

Как отмечают исследователи Московской научной школы, крупный медиабизнес уже активно интегрирует ИИ-решения в производственные процессы (Давыдов, Замков, Крашенинникова, Лукина, 2023). Ожидается, что к 2026 г. более 80% компаний внедрят генеративный ИИ и будут использовать приложения с поддержкой генеративных ИИ-мо­делей для создания контента (De Cicco, Francioni, Curina, Cioppi, 2025). Данная тенденция подтверждается исследованием Стэнфордского университета, согласно которому уровень внедрения генеративных возможностей ИИ за период 2023–2024 гг. возрос с 33% до 71%¹. Подобная динамика обусловлена снижением производственных затрат². Эффективность и креативность ИИ-решений позволяет существенно сократить потребление человеческих и материальных ресурсов, тем самым повышая рентабельность медиапроизводства (Li, 2025).

Примечательно, что область применения генеративных технологий расширилась от доминировавшей первоначально текстовой генерации до мультиформатного контента. Это указывает на переход от экспериментального использования к системной интеграции генеративных алгоритмов в медиапроизводство (Singla, Yee, Hall, Sukharevsky et al., 2025). Внедрение технологий искусственного интеллекта приобретает характер системного тренда, оказывающего решающее воздействие на структурную перестройку российской медиаиндустрии. Медиапространство «все больше наполнятся синтетическим контентом»³. Данная трансформация носит настолько масштабный характер, что ряд исследователей приходит к выводу о начале вытеснения подобным синтетическим контентом оригинальных авторских произведений, создавая феномен так называемой «культуры замены» (Зверева, Стрыгина, 2025: 11–12). Следовательно, можно рассуждать о формировании новой парадигмы контент-производства, где доминирующие ранее формы профессионального и пользовательского контента постепенно дополняются новым типом — синтетически генерируемым контентом⁴.

Несмотря на растущую распространенность контента, созданного с участием технологий искусственного интеллекта, в академической и профессиональной средах феномен не определен. Отсутствие устоявшейся дефиниции обусловлено как стремительным развитием генеративных технологий, так и принципиальной сложностью классификации гибридной формы контента, находящихся на стыке человеческого и «машинного мышления». В индуст­риальном поле данная терминологическая неопределенность усугубляется маркетинговыми стратегиями, где обозначение продукта как «созданного с помощью ИИ» зачастую используется без содержательной конкретизации степени и характера участия ИИ-решений в производственном процессе. Таким образом, на данный момент можно констатировать формирование обширного семантического поля вокруг синтетически генерированного контента при отсутствии общепринятого определения, что представляет собой значительный методологический вызов для исследователей и требует дальнейшей концептуализации и терминологической унификации.

 

История вопроса

Как отмечает Е.Л. Вартанова, цифровизация является определяющим вектором современного этапа развития медиасистем, что находит непосредственное отражение в изменении структуры и принципов функционирования медиа (Вартанова, 2024), «где в производство и распространение контента вовлечены одновременно различные субъекты разной природы» (Вартанова, 2022: 10–11). Наглядным подтверждением этого сегодня выступают технологии искусственного интеллекта, которые активно внедряются в производство и позволяют автоматизировать создание практически любых форматов контента, — текста, изображений, видео и аудио (Sun, Sheng, Zhou, Wu, 2024).

Зарождение технологий генеративного искусственного интеллекта относится к середине XX в., однако вплоть до начала 2010 гг. его развитие сдерживалось недос­таточным уровнем вычислительных мощностей и ограниченностью алгоритмических подходов. Прорыв в данной области стал возможен благодаря интенсивному развитию методов глубокого обучения и появлению масштабируемых алгоритмических архитектур, что ознаменовало переход от теоретических изысканий к фазе практического применения ИИ-решений (Wang, Pan, Yan, Su et al., 2023).

Стремительный рост генеративных возможностей систем искусственного интеллекта демонстрирует исследование М. Росера (Roser, 2022). Автор проводит сравнительный анализ изображений, сгенерированных ИИ-технологией, в период с 2014 по 2023 г. Представленная хронологическая визуализация фиксирует качественные изменения: от примитивных изображений c низким расширением до высокодетализированных, фотореалистичных иллюстраций. Уже к 2017 г. сгенерированные изображения достигли уровня перцептивной схожести с фотографией, что означает преодоление ключевого технологического барьера (см. рис.).

 

 

Качественно новый этап развития наступил в 2022 г. с развитием крупномасштабных ИИ-моделей, которые радикально расширили функциональные и креативные возможности генерации контента (Wang, Pan, Yan, Su et al., 2023). На этом этапе развитие технологий характеризовалось значительным расширением предметного диапазона и семантической сложности. Ранние модели были сфокусированы на синтезе изображений лиц, тогда как современные генеративные сети стали способны интерпретировать и визуализировать текстовые запросы высокой сложности. Как показывает финальный элемент хронологии, абст­рактные запросы стали воплощаться в когерентные и визуально убедительные изображения (Roser, 2022).

Современный этап развития возможностей ИИ-алгоритмов характеризуется значительной зрелостью в генерации мультимедийного контента. Технологии искусственного интеллекта демонстрируют устойчивую эффективность в создании разноформатных продуктов (Sun, Sheng, Zhou, Wu, 2024). Эту тенденцию, по мнению экспертов, усиливает внедрение в практику массовых коммуникаций «нейросетей и чат-ботов, способных вести равноправный диалог с пользователями на естественном языке» (Давыдов, Замков, Крашенинникова, Лукина, 2023). В результате формируются принципиально новые модели человеко-машинного взаимодействия, основанные на логике кооперации и совместного творчества (De Cicco, Francioni, Curina, Cioppi, 2025). Очевидным становится переход от узкоспециализированных задач синтеза к генерации контента произвольной тематики, что обусловливает становление новой парадигмы в автоматизированном медиапроизводстве. Так в медиапространстве постепенно зарождается новый тип контента, синтетически генерируемый ИИ-алгоритмами.

 

Обзор теоретической литературы

В современном научном дискурсе технологии генеративного ИИ рассматриваются в качестве инновационного инструмента для создания контента, дополняющего традиционный пользовательский и профессиональный форматы (Chen, She, Sun, 2024). Анализируая схожую идею, А.В. Замков вводит понятие «новостной медиаробот», под­разумевая под ним интеллектуальную систему, предназначенную для автоматизации ключевых этапов медиапроизводственного цикла (генерации и презентации контента). Главной отличительной чертой предлагаемой концепции выступает интерпретация контента как особой формы воплощения социального знания (Замков, 2019).

Непосредственно с вопросом о природе генерируемого ИИ-системой контента соотносится позиция Р. Мильера, который определяет генеративные медиапродукты как полностью синтезированные с помощью ИИ-алгоритмов данные (Milliere, 2022). В настоящее время генеративный контент в основном включает в себя видео-, аудиоизображения и текст, но также распространяется на дополненную реальность (игры, инструменты для примерки товаров и т.д.) или полностью иммерсивные виртуальные среды.

Коллектив авторов из Китая при определении синтетического контента вводит важное уточнение: ИИ-контент создается алгоритмом в соответствии с конкретными инструкциями (Liu, Wu, Chu, Qu, 2025). Именно этот принцип координированного человеко-машинного творчества, при котором ИИ-алгоритм автономно генерирует контент на основе указаний пользователя, обусловил трансформацию парадигмы профессионального медиапроизводства (Zhang, Wang, Ruan, Yang, 2024).

Акцент на управляемости процесса создания находит развитие в классификации Р. Мильера. Автор предлагает систематизирующий подход, классифицируя синтетический контент по характеру его создания на безусловный и обусловленный. Безусловный контент синтезируется без явных управляющих ограничений, что приводит к созданию медиапродукта, отражающего общее распределение обучающего набора данных, но без контроля над конкретными атрибутами продукта (Milliere, 2022). В противоположность этому обусловленный контент создается под влиянием детерминирующих входных данных, что обеспечивает целенаправленный контроль над его содержанием и свойствами. В качест­ве подобных управляющих условий могут выступать метка определенного класса объектов (например, «собака»), семантический макет или развернутое текстовое описание желаемого результата (Milliere, 2022). Конкретизируя, что понимается под таким генерируемым продуктом, Е.М. Исаев и М.В. Кокорева вводят термин «автоматизированный контент», которым обозначают результаты автоматической генерации новостей с помощью ИИ-алгоритмов, способных быстро и эффективно создавать тексты на основе установленных правил или машинного обучения. Этот контент включает шаблонные новости, которые создаются автоматически (Исаев, Кокорева, 2019).

Ключевой проблемой в исследовании синтетического контента является отсутствие определенных границ между синтетическим и несинтетическим контентом. К. Харрис рассуждает о необходимости учета «степени синтетичности» медиапродукта, которая варьируется в зависимости от уровня вмешательства ИИ-алгоритмов в процесс производства контента. Автор объясняет, что генезис значительной части синтетического контента носит гибридный характер. Генеративные ИИ-системы обучаются на массивах несинтетических данных, а их продукт зачастую представляет собой компиляцию или трансформацию существу­ющих данных. Ярким примером служат технологии deepfake, где синтетический элемент наслаивается на несинтетическую основу. В качестве другого примера автор приводит автоматизированную постобработку фото, встроенную в камеру смартфона. В этом случае контент, созданный традиционным способом, также содержит синтетический компонент. В связи с этим исследователь предлагает в качестве синтетического рассматривать контент, в создании которого генеративные ИИ-решения сыграли детерминирующую, а не вспомогательную роль (Harris, 2024).

В этом контексте Р. Мильер обоснованно вводит категорию «частично синтетического контента», к которому относит «модифицированный путем искажения, комбинирования, добавления или вычитания с помощью технологий ИИ медиаконтент», созданный на основе авторских данных (Жеребненко, 2025: 264). Иллюстративным примером служит манипуляция визуальными данными. К их числу относится лицевая манипуляция, включающая редактирование атрибутов (изменение возраста, пола, выражения лица, прически, добавление или удаление аксессуаров) и полную замену лица на цифровых изображениях и видео. В более общем плане — это манипуляция объектами, подразумевающая трансформацию их ориентации, размера, текстуры, формы и цвета (Milliere, 2022).

Порождаемый таким гибридным производством, синтетический контент провоцирует «диссонанс между объективной реальностью и ее цифровой репрезентацией», что, по замечанию Е.В. Олешко, ведет к тому, что «публика все больше испытывает когнитивные искажения и кризис доверия к контенту в принципе» (Олешко, 2025: 166). Этот кризис доверия становится системным эффектом, наиболее наглядно проявляющимся в феноменах, которые исследователь И. Калпокас (Kalpokas, 2020) предлагает рассматривать, не ограничиваясь техническими аспектами создания, а ориентируясь на изучение их интеграции в современные медийные экосистемы и трансформации традиционных моделей производства и восприятия медиапродуктов.

В отличие от подхода К. Харриса, И. Кал­покас использует категорию «синтетический контент» для обозначения таких феноменов, как deepfake («глубокие подделки»), виртуальные инфлюенсеры и расширенная реальность (XR), акцентируя их способность не просто модифицировать контент, но и генерировать принципиально новую реальность, которая «может быть гораздо более ориентирована на пользователя» (Kalpokas, 2020: 1). В этом контексте частично синтетический контент становится инструментом персонализации реальности, где границы между физическим и цифровым, подлинным и искусственным размываются.

Deepfake, как наиболее релевантный пример частичного синтеза, демонстрирует, как технологии на основе генеративных алгоритмов позволяют создавать контент, который «уже невозможно отличить от подлинного человеческим восприятием» (Kalpokas, 2020: 3). При этом синтетические элементы (например, замена лица или манипуляция объектами) наслаиваются на несинтетическую основу, что соответствует определению Р. Мильера (Milliere, 2022). Отечественный исследователь Е.Н. Винокурова называет такой продукт «интерактивным генеративным контентом дезинформационного содержания» (Винокурова, 2025: 189), созданный ИИ-алгоритмами в режиме интер­активного диалога с пользователем-творцом. Ключевыми характеристиками данного феномена выступают интерактивность, понимаемая как диалоговый характер со-творчества человека и ИИ-технологий, и генеративность, указывающая на способность алгоритмов перерабатывать обширные массивы данных, включая дезинформацию, в новые смысловые версии. К другим фундаментальным свойствам частично синтетического контента автор относит гиперперсонализированность, которая обеспечивает адаптацию контента к профилю целевой аудитории для повышения эффективности манипулятивного воздействия, а также идеологизированность, проявляющуюся в двух аспектах: как проводника определенной идеологии и как продукта предвзятости ИИ-технологий (Винокурова, 2025). Однако такие манипуляции ведут к формированию «климата неопределенности», при котором даже к видеодоказательствам теряется доверие, а общество фрагментируется на изолированные информационные пузыри.

Другая вариация частично синтетического контента — виртуальные инфлюенсеры, которые сочетают искусственно сгенерированные визуальные элементы с заимст­во­ванными поведенческими паттернами и социальным контекстом. Третий тип — расширенная реальность, которая доводит логику частичного синтеза до максимума, интегрируя синтетические элементы в физическое пространство. Здесь ИИ-модификации применяются не к отдельным объектам, а к целым средам, создавая иммерсивные миры, которые подменяют естественный повседневный опыт (Kalpokas, 2020).

 

Результаты исследования

На основании проведенного анализа можно констатировать, что проникновение технологий генеративного искусственного интеллекта в сферу медиа и коммуникаций формирует принципиально новую парадигму производства контента, основанную на координированном творчестве человека и машины. Ключевой категорией выступает синтетический контент, в качестве классификационных оснований которого можно рассматривать детерминированность процесса генерации продукта, степень синтетичности и функциональное назначение контента (см. табл.).

Таблица. Классификация синтетического ИИ-контента

Источник: составлено автором.

 

Степень детерминированности процесса генерации отражает меру контроля и предсказуемости со стороны человека-творца. Безусловная генерация характерна для исследовательских задач и обучения моделей, где важен сам процесс изучения возможностей ИИ-модели. Обусловленная генерация лежит в основе практического применения ИИ-технологий в медиаиндустрии, где требуется точное соответствие результата техническому заданию или творческому замыслу. Этот параметр демонстрирует спектр от полной автономии ИИ-алгоритмов до кооперативной, управляемой человеком модели создания контента.

Бинарное деление на синтетический и несинтетический медиапродукт уступает место более гибкому подходу, акцентирующему уровень вмешательства алгоритма и «степень синтетичности». Это находит отражение в концепции частично синтетического контента, которая наиболее адекватно описывает гибридную природу таких феноменов, как deepfake, виртуальные инфлюенсеры и расширенная реальность, где синтетические элементы наслаиваются на несинтетическую основу. Внедрение этих технологий, характеризующихся генеративностью, интерактивностью и гиперперсонализацией, приводит к фундаментальной трансформации медийных экосистем.

Функциональное назначение позволяет дифференцировать синтетический контент по его роли в коммуникативном процессе. Репродуктивный контент направлен на оптимизацию и масштабирование существующих медиапродуктов, в то время как генеративный — на новые смыслы. Данное различение имеет значение для прогнозирования трансформации медиарынка и креативных индустрий: репродуктивный ИИ-механизм способен автоматизировать рутинные операции, тогда как генеративный выступает катализатором возникновения новых жанров и форматов.

Интеграция трех предложенных оснований классификации демонстрирует, что синтетический контент не представляет собой монолитный феномен, а существует в виде сложного многомерного спектра форм. Это стирает традиционные границы между авторским и искусственным, оригинальным и производным, трансформируя устоявшиеся парадигмы медиапроизводства, дистрибуции и потребления.

 

Выводы

Очевидно, что формирующаяся архитектура медиасистемы, обусловленная появлением новой субъектности в лице генеративных ИИ-алгоритмов в сфере производства контента будет претерпевать множественные трансформации. Появление нового участника медиапроизводства — искусственного интеллекта — уже оказывает кардинальное влияние на содержательные характерис­тики, форматы, жанровое разнообразие и саму природу авторства в медиа. Это, в свою очередь, ведет к становлению новых, еще не до конца изученных стратегий репрезентации реальности.

Предложенный подход позволяет заложить системную основу для преодоления существующей терминологической неоднозначности через выделение классификационных оснований, таких как детерминированность процесса генерации продукта, степень синтетичности и функциональное назначение контента. Результатом данного исследования стала разработанная классификация синтетического контента, интегрирующая технологические, качественные и социально-функциональные параметры.

Перспективы дальнейших исследований видятся в разработке критериев идентификации и верификации синтетического контента и изучении его долгосрочного воздействия на коммуникативные практики в условиях цифровой трансформации медиасреды.

 

Примечания

¹ Kariuki N. (2025) Artificial Intelligence Index Report 2025. Режим доступа: https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter4_final.pdf (дата обращения: 20.08.2025). (дата обращения: 20.08.2025).

² Newman N., Cherubini F. (2025) Periodismo, medios y tecnología: tendencias y predicciones para 2025. Reuters Institute, 9 January. Режим доступа: https://reutersinstitute.politics.ox.ac.uk/es/periodismo-medios-y-tecnologia-tendencias-y-predicciones-para-2025 (дата обращения: 04.08.2025). (дата обращения: 04.08.2025).

³ Newman N., Ross Arguedas A., Robertson C.T., Nielsen R.K. et al. (2025) Digital News Report 2025. Reuters Institute for the Study of Journalism. Режим доступа: https://ora.ox.ac.uk/objects/uuid:24de5b16-d5bb-40da-a55c-4e7c28ab6dff/files/s7p88cj997 (дата обращения: 01.08.2025). (дата обращения: 01.08.2025).

⁴ Artificial Intelligence White Paper (2022). China Academy of Information and Communications Technology (CAICT), April. Режим доступа: https://cset.georgetown.edu/wp-content/uploads/t0442_AI_white_paper_2022_EN.pdf (дата обращения: 01.08.2025).

 

Библиография

Вартанова Е.Л. К вопросу о последствиях цифровой трансформации медиасреды // Меди@льманах. 2022. № 2. С. 8–14. DOI: 10.30547/mediaalmanah.2.2022.814

Вартанова Е.Л. Цифровой переход: от технологических к сущностным трансформациям медиа? // Меди@льманах. 2024. № 2. С. 8−15. DOI: 10.30547/mediaalmanah.2.2024.815

Винокурова Е.Н. Характеристики интерактивного генеративного контента как основного средства ведения современных информационных войн (на материале анализа литературных антиутопий) // NOMOTHETIKA: Философия. Социология. Право. 2025. Т. 50. № 1. С. 185−195. DOI: 10.52575/2712-746X-2025-50-1-185-195

Давыдов С.Г., Замков А.В., Крашенинникова М.А., Лукина М.М. Использование технологий искусственного интеллекта в российских медиа и журналистике // Вестн. Моск. ун-та. Сер. 10: Журналистика. 2023. № 5. С. 3–21. DOI: 10.30547/vestnik.journ.5.2023.321

Жеребненко А.В. Синтетический пользовательский контент // Динамика медиасистем. 2025. Т. 5. № 1. С. 262–269. DOI: 10.47475/2949-3390-2025-5-1-262-269

Зверева Е.А., Стрыгина О.А. Правовые аспекты авторства медиатекстов, созданных алгоритмами искусственного интеллекта // Российская школа связей с общественностью. 2025. № 37. С. 10–30. DOI: 10.24412/2949-2513-2025-37-10-30

Замков А.В. Новостной медиаробот: теоретические аспекты интеллектуальной системы генерации контента // Вопросы теории и практики журналистики. 2019. Т. 8. № 2. С. 260–273. DOI: 10.17150/2308-6203.2019.8(2).260-273

Исаев Е.М., Кокорева М.В. Роботизация новостной журналистики в России: новые принципы работы редакции и трансформация журналистской этики // Коммуникации. Медиа. Дизайн. 2019. Т. 4. № 3. С. 85–102.

Макеенко М.И., Вырковский А.В. Возможности влияния неинституционализированных производителей развлекательного и познавательного контента на аудиторию // Вестн. Моск. ун-та. Сер. 10: Журналистика. 2021. № 5. С. 74−99. DOI: 10.30547/vestnik.journ.5.2021.7499

Олешко Е.В. Спам и нейросети в визуальном контенте: деформация информационной картины мира пользователя // Цифровая журналистика: технологии, смыслы и особенности творческой деятельности: сб. мат. II междунар. науч.-практ. конф. Екатеринбург: Изд-во Урал. ун-та, 2025. С. 165–168.

 

Chen Y., She S., Sun Y. (2024) Is AI-Generated Content Better? A Study Based on Ant Forest Game Content Recommendation. In: Proceedings of the 2024 Guangdong-Hong Kong-Macao Greater Bay Area International Conference on Digital Economy and Artificial Intelligence. New York: ACM, pp. 749–755. DOI: 10.1145/3675417.3675543

De Cicco R., Francioni B., Curina I., Cioppi M. (2025) AI, Human or a Bblend? How the Edu­cational Content Creator Influences Consumer Engagement and Brand-Related Outcomes. Journal of Services Marketing 39 (10): 52–70. DOI: 10.1108/JSM-10-2024-0539

Harris K.R. (2024) Synthetic Media Detection, the Wheel, and the Burden of Proof. Philosophy & Technology 37: 1–20. DOI: 10.1007/s13347-024-00821-0

Kalpokas I. (2020) Problematising Reality: The Promises and Perils of Synthetic Media. SN Social Sciences 1 (1): 1–11. DOI: 10.1007/s43545-020-00010-8

Li W. (2025) A Study on Factors Iinfluencing Designers’ Behavioral Intention in Using AI-Generated Content for Assisted Design: Perceived Anxiety, Perceived Risk, and UTAUT. International Journal of Human—Computer Interaction 41 (2): 1064–1077. DOI: 10.1080/10447318.2024.2310354

Liu R., Wu T., Chu J., Qu P. (2025) Enhancing Human Computer Collaboration in Design Process: How AI-Generated Content Elevates Students’ Creativity. Thinking Skills and Creativity 48. Режим доступа: https://www.sciencedirect.com/science/article/abs/pii/S1871187125002160 (дата обращения: 04.08.2025).

Milliere R. (2022) Deep Learning and Synthetic Media. Synthese 200 (231): 1–27. DOI: 10.1007/s11229-022-03739-2

Roser M. (2022) The Brief History of Artificial Intelligence: The World Has Changed Fast—What Might Be Next? Our World in Data, 6 December. Режим доступа: https://ourworldindata.org/brief-history-of-ai (дата обращения: 12.08.2025).

Singla A., Yee L., Hall B., Sukharevsky A. et al. (2025) The State of AI: How Organizations are Rewiring to Capture Value. McKinsey & Company, 12 March. Режим доступа: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата обращения: 28.07.2025).

Sun Y., Sheng D., Zhou Z., Wu Yi. (2024) AI Hallucination: Towards a Comprehensive Classification of Distorted Information in Artificial Intelligence-Generated Content. Humanities and Social Sciences Communications 11 (1): 1–14. DOI: 10.1057/s41599-024-03811-x

Wang Y., Pan Y., Yan M., Su Z. et al. (2023) A Survey on ChatGPT: AI—Generated Contents, Challenges, and Solutions. IEEE Open Journal of the Computer Society 4: 280–302. DOI: 10.1109/OJCS.2023.3300321

Zhang J.J., Wang Y.W., Ruan Q., Yang Y. (2024) Digital Tourism Interpretation Content Quality: A Comparison between AI-Generated Content and Professional-Generated Content. Tourism Management Perspectives 53: 101–279. DOI: 10.1016/j.tmp.2024.101279

Дата поступления в редакцию: 09.09.2025
Дата публикации: 20.10.2025