Cultural codes of authentic / AI-generated folk tales

Cover Page

Cite item

Full Text

Abstract

the article examines cultural codes in Russian folk tales and their AI-generated analogues using the large language model GigaChat. The study aims to identify and analyze the ways in which cultural codes are represented in authentic and AI-generated fairy tales. To achieve this goal, a structural-semantic and content analysis was conducted, focusing on distinguishing features between the two types of tales across three interrelated parameters: narrative elements, cultural codes, and linguistic devices. The findings reveal that some cultural codes in folk tales differ from the ones in AI-generated tales: these are archaic realities, superstitions, religious rituals, and social satire. These codes are expressed through plot-related features: absurdity, moral lessons, conflicts and humor, as well as linguistic devices, including archaisms, verbal dynamism, descriptive passages, and onomatopoeia. The results of the study confirmed that a simplification of cultural codes in AI-generated tales takes place. Myth is replaced by generic magic, detached from the rituals, customs, taboos, and superstitions inherent to Russian tradition. Social criticism is replaced by an idealized portrayal of social roles. The moral and educational lessons, that are aimed at intergenerational upbringing, are oversimplified and excessively spelled out.

About the authors

O. V Evseev

Center for Foreign Language and Communication Technologies; University of Tyumen

References

  1. Балич Н.Л. Этнокультурные практики – основа воспроизводства культурного кода восточных славян // Социологический альманах. 2017. № 8. С. 193 – 207.
  2. Белинский В.Г. Полное собрание сочинений. Т. 5. Спб.: Типография М. М. Стасюлевича, 1901. 593 с.
  3. Богатырева Ж.В., Куземина Е.Ф. Значение функциональной специфики сказки в становлении личности // Вестник Академии права и управления. 2015. С. 241 – 246.
  4. Букина Н.В. Культурный код как язык культуры // Вестник ЧитГУ. 2008. № 2 (47). С. 69 – 73.
  5. Данилов А.Н. Программирующая роль культуры в теории социальной эволюции // Социологические исследования. 2023. № 2. С. 63 – 71.
  6. Идразова Э.С.А. Общая характеристика сказок и их особенности // Lingua-Universum. 2014. № 6. С. 42 – 45.
  7. Клименкова А.M. Культурные коды как факторы формирования ценностных ориентаций // Вестник РУДН. Серия: Социология. 2013. № 2. С. 5 – 12.
  8. Котляров И.В. Культурный код: к новой системе ценностей (социально-философские тренды) // Мир науки. Социология, филология, культурология. 2022. Т. 13. № 3. URL: https://sfk-mn.ru/PDF/48SCSK322.pdf (дата обращения: 25.03.2025)
  9. Новиков Н.В. Сатира в русской волшебной сказке записи XIX – начала XX века // Русский фольклор: материалы и исследования. М.; Л., 1957. Т. 2. С. 40 – 61.
  10. Худяков И.А. Великорусские сказки. М.: Издание К. Солдатенкова и Н. Щепкина, 1860. 148 с.
  11. Bhandari P., Brennan H. Trustworthiness of Children Stories Generated by Large Language Models // The 16th International Natural Language Generation Conference. Prague, 2023. P. 352 – 361.
  12. Bianchi F., Zou J. Large Language Models are Vulnerable to Bait-and-Switch Attacks for Generating Harmful Content // arXiv. 2024. 9 p. URL: https://arxiv.org/abs/2402.13926 (дата обращения: 07.03.2025)
  13. Boonstra L. Prompt Engineering. 2025. 68 p. URL: https://www.kaggle.com/whitepaper-prompt-engineering (дата обращения: 25.03.2025)
  14. Fiske J. Television Culture. L.: Routledge, 2010. P. 424.
  15. GigaChat [Электронный ресурс]. URL: https://giga.chat/gigachat/ (дата обращения: 25.03.2025)
  16. Jurafsky D., Martin J.H. Speech and Language Processing. 2025. P. 591. URL: https://web.stanford.edu/~jurafsky/slp3/ed3book.pdf (дата обращения: 25.03.2025)
  17. Makridis G., Oikonomou A., Koukos V. FairyLandAI: Personalized Fairy Tales utilizing ChatGPT and DALLE-3 // arXiv. 2024. 11 pp. URL: https://arxiv.org/abs/2407.09467 (дата обращения: 25.03.2025)
  18. Wang R. et al. Role Prompting Guided Domain Adaptation with General Capability Preserve for Large Language Models // Findings of the Association for Computational Linguistics: NAACL. 2024. P. 2243 – 2255, Mexico City. URL: https://aclanthology.org/2024.findings-naacl.145/ (дата обращения: 25.03.2025)

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).