Система распознавания речи как инструмент создания аудио- и видеоматериалов и текстов для обучения РКИ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 37.01:007

СИСТЕМА РАСПОЗНАВАНИЯ РЕЧИ КАК ИНСТРУМЕНТ СОЗДАНИЯ АУДИО- И ВИДЕОМАТЕРИАЛОВ И ТЕКСТОВ ДЛЯ ОБУЧЕНИЯ РКИ

1 9

© А.М. Широкова1, И.А. Главатских2

ООО «Стэл Компьютерные Системы», 105082, Москва, Б. Почтовая, 55/59.

Рассматривается возможность формирования обучающих материалов на основе аудио- и видеоинформации, предоставляемой открытым цифровым источником. Аргументируется удобство их организации в виде речевого корпуса, описывается структура, технические и функциональные характеристики системы «Аудиопротокол», разработанной при непосредственном участии авторов статьи. Обсуждается возможность использования новой системы для увеличения доступного объема и пополнения тематического и жанрового разнообразия обучающих записей звучащей речи. Ил. 3. Табл. 3. Библиогр. 8 назв.

Ключевые слова: автоматическое распознавание речи; обучающий материал; речевой корпус; обработка речи.

SPEECH RECOGNITION SYSTEM AS A TOOL TO CREATE EDUCATIONAL AUDIO/VIDEO DATA AND TEXTS FOR TEACHING RUSSIAN AS A FOREIGN LANGUAGE A.M. Shirokova, I.A. Glavatskih

Stel Computer Systems LLC,

55/59, Bolshaya Pochtovaya St., Moscow, 105082, Russia.

The paper considers the possibility to form educational materials on the basis of audio and video information provided by an open digital source. It proves the benefits of data organization in the form of a speech corpora and describes the structure, technical and functional characteristics of the system "Audioprotocol" developed with the participation of the authors. The article discusses the possibility to use the new system in order to enlarge the available volume and widen the genre and topic diversity of educational speech recordings. 3 figures. 3 tables. 8 sources.

Key words: automatic speech recognition; educational material; speech corpora; speech processing.

Аудирование речевых образцов является неотъемлемой составляющей процесса обучения иностранному языку. Использование аутентичных аудиомате-риалов способствует формированию навыков восприятия и производства естественной иностранной речи, созданию в сознании обучаемых адекватной модели звукового строя изучаемого языка, фиксации его произносительных и ритмико-интонационных особенностей. Как правило, целесообразно дополнение аудиозаписей соответствующими им текстами (орфографическими транскриптами).

В образовательной практике в России и мире отчетливо заметна ориентация на интерактивность и инновационность обучающих средств и методик. Развитие информационных технологий и открытый доступ к постоянно пополняющемуся разнообразию Интернет-ресурсов обусловливает актуальность поиска новых решений и обновление сложившихся методических шаблонов, формирование новых технологических и содержательных требований к обучающим средствам и материалам [1].

Данная работа посвящена описанию новых возможностей для создания образовательных аудио- и видеоресурсов. Предлагаемая нами автоматизация сбора и обработки речевых данных, основанная на перспективных разработках отечественных специалистов, позволит, на наш взгляд, существенно увеличить доступный результирующий объем обучающих записей звучащей речи, а также пополнить их тематический и жанровый спектр.

Интернет в настоящее время активно используется как источник и средство получения аудио- и видеоинформации, которая часто находится в бесплатном и открытом доступе. Предполагается, что собранные таким образом аудио- и видеоданные, содержащие

3

речь носителей русского языка, прошедшие стадию предварительного отбора, в частности, проверку на качество и тематическую рубрикацию, адекватно отражают современную речевую и социокультурную реальность и могут быть эффективно использованы в процессе обучения русскому языку.

Для создания представительного банка обучаю-

1Широкова Анна Михайловна, научный сотрудник отдела речевых технологий, тел.: 79057673773, e-mail: annuche@mail.ru, anna_a@stel.ru

Shirokova Anna, Scientific Researcher of the Speech Technologies Department, tel.: +79057673773, e-mail: annuche@mail.ru, an-na_a@stel.ru

2Главатских Игорь Александрович, начальник отдела речевых технологий, тел.: +79057673768, e-mail: glavatskih_ia@stel.ru Glavatskih Igor, Head of the Speech Technologies Department, tel.: +79057673768, e-mail: glavatskih_ia@stel.ru

3В рамках данной работы рассматривается материал русского языка, хотя описываемая методика применима и к другим

языкам.

щих аудиоматериалов целесообразно использовать опыт разработки речевых корпусов, специальная организация которых обеспечивает удобство хранения и обработки больших объемов звуковой и иной информации. Речевой корпус - это структурированная совокупность речевых фрагментов, которая обеспечена программными средствами доступа к ним. Речевой фрагмент как базовая единица корпуса представляет собой оцифрованный фрагмент речевого сигнала, который сопровождается ассоциированной информацией определенного типа (типов) [2]. Как отмечено в [3], формирование речевых корпусов представляет собой определенный технологический процесс, в котором можно выделить следующие этапы:

• подготовка фонетического обеспечения для формирования речевого корпуса;

• разработка стандартов для транскрипции речевого сигнала на разных уровнях;

• подготовка текстового материала;

• разработка программного обеспечения для формирования речевого корпуса;

• подбор дикторского состава;

• запись речевых фрагментов, произнесенных дикторами;

• проверка качества записи речевых фрагментов;

• создание детальных инструкций по разметке и фонетической интерпретации (транскрипции) речевых сигналов;

• фонетическая верификация речевых фрагментов и их разметка;

• верификация разметки и аннотаций речевого материала, полученных автоматически;

• обработка результатов верификации.

Создание различных типов аннотаций к звуковым

файлам - наиболее трудоемкая и затратная по времени экспертная работа, традиционно выполняемая вручную.4 Для оптимизации временных затрат и облегчения кропотливого ручного труда в рамках проектов по созданию речевых корпусов часто разрабатывается соответствующий инструментарий, позволяющий существенно уменьшить долю чисто технических, несодержательных операций. Так, в ИСА РАН была создана открытая, гибкая и многофункциональная программная оболочка для проведения работ в области исследования речи, сопровождения речевых баз данных, простой визуализации и обработки речевых сигналов. Эта же оболочка используется для обеспечения процесса создания речевых баз данных, который включает в себя накопление звуковых файлов и разметку этих файлов экспертами на фонетически и акустически значимые сегменты [4]. Система документирования (стенографирования) информации, разработанная в ЦРТ, - «компьютерный транскрайбер Цезарь» - программный продукт, предназначенный для записи и ускоренной текстовой расшифровки фоно-

Возможно, это в меньшей степени относится к орфографической записи, однако, учитывая обработку больших объе-

грамм речи в отложенном и в реальном времени, реализован на базе текстового редактора Microsoft Office Word [5]. Нашей группой разработано собственное программное средство, имеющее аналогичное назначение, но более широкие возможности. Его функционал позволяет, кроме прочего5, одновременно загружать6 большой массив аудиоданных и иметь несколько различных уровней разметки, отображаемых в одном окне и синхронизированных с осцилограммой (спектрограммой) аудиосигнала.

Описанное выше специализированное программное обеспечение является удобным инструментом, упрощающим и ускоряющим процесс формирования текстовых и иных аннотаций звуковых записей. Конкретные разработки аналогичного типа отличаются целевой ориентацией, уровнем сложности и числом поддерживаемых функций, степенью продуманности интерфейса. Однако следует признать, что это разные способы автоматизации ручной экспертной обработки, и потому ключевая роль самого эксперта остается по-прежнему неизменной.

Речевые корпусы, наряду с рассматриваемым здесь учебно-иллюстративным применением, имеют принципиально важное значение в области автоматической обработки речи. Создание систем синтеза речи, основанных на методах выделения единиц разной размерности, требует использования представительных речевых баз. Современный подход к распознаванию речи, базирующийся на статистическом моделировании ее акустических характеристик, предполагает обучение системы на больших объемах речевых данных.

На сегодняшний день в области речевых технологий уже достигнуты ощутимые результаты, предлагаются готовые, работающие решения. Нашими специалистами создана система распознавания русской речи, интегрированная в коммерческий программный продукт «Аудиопротокол» [6]. Данное программное обеспечение (далее ПО) объединяет в себе несколько функционально разнородных возможностей. В первую очередь, обеспечивается автоматизированное взаимодействие с медийным пространством (открытыми Интернет-ресурсами и телеканалами), автоматическое получение аудио- и видеоинформации, а также предварительная автоматическая рубрикация данных в зависимости от источника (новости, фильмы и т.д.). Второй компонент ПО позволяет с довольно высокой точностью распознавать и документировать речь, звучащую в полученных аудио- и видеоматериалах.

Характеристика системы

Остановимся более подробно на структуре и функциональных характеристиках системы «Аудио-протокол», обеспечивающей автоматический захват и распознавание речи в аудио- и/или видеоданных, опубликованных цифровым информационным источ-

Например, активация горячих клавиш, настройка автосохранения, быстрый выбор из заданных свойств сигнала.

6Простым движением мыши, что реализовано во многих

современных программных п

рогра

проду

ктах.

ником открытого доступа.

Входные и выходные данные

Входными данными ПО «Аудиопротокол» являются:

• аудио- и видеоданные, опубликованные на поддерживаемых открытых источниках;

• файлы формата wav, тр3, тр4, webm, содержащие аудио- и видеоданные;

• поток аудио- и/или видеоданных, поступающий с микрофона или камеры, подключенных к персональному компьютеру пользователя.

В ПО «Аудиопротокол» реализована возможность ввода аудио- и видеоданных следующими способами:

• мониторинг канала цифрового телевидения;

• мониторинг сайта в сети Интернет;

• разовая загрузка данных по внешней ссылке;

• загрузка данных по локальной информационной сети из одного или нескольких файлов, указанных пользователем;

• загрузка потока данных с периферийного устройства, подключенного к компьютеру пользователя.

Выходными данными ПО «Аудиопротокол» являются файлы следующих форматов:

• mp3 (содержат аудиоданные), mp4 (содержат видеоданные);

• docx, М (содержат результирующую орфографическую транскрипцию с временной разметкой на слова).

Принципиальное устройство и структурная схема

В состав ПО «Аудиопротокол» включены программы, перечисленные ниже в табл. 1.

На рис. 1 представлен процесс мониторинга целевого сайта и обработки полученных данных.

В ПО «Аудиопротокол» обработка данных выполняется в несколько этапов, перечисленных в табл. 2.

Таблица 1

Перечень программ в составе ПО «Аудиопротокол»_

Название Назначение

Программа захвата данных Обеспечивает мониторинг и захват данных на входных разъемах ТВ-тюнера и с сайтов в сети Интернет

Программа обработки данных Выполняет сохранение данных, распознавание речи и сохранение результатов

Рис. 1. Процесс мониторинга целевого сайта и обработки полученных данных

Таблица 2

Этапы обработки данных_

Этап Результат Пояснение

1. Ввод данных Данные введены Выполняется ввод данных тем или иным методом. Оператор устанавливает настройки выполнения следующих этапов 2-4.

2. Распознавание речи и ключевых слов Данные разделены на фрагменты, для каждого фрагмента создана разметка на слова Этап выполняется автоматически в несколько действий: а) разделение данных на фрагменты тем или иным методом; б) распознавание речи во фрагментах данных. в) создание разметки на словах для каждого фрагмента.

3. Создание разметки данных Для данных создана разметка на слова Разметки всех фрагментов данных включаются в состав единой разметки.

4. Сохранение результатов Данные сохранены Этап выполняется автоматически в несколько действий: а) введенные на этапе 1 данные сохраняются в файл mp3 или mp4; б) создается карточка файла, в которой размещаются: - текстовая разметка данных, созданная на этапе 3; - настройки, по которым были выполнены этапы 2-4.

Рассмотрим более детально технологию распознавания речи, применяемую в ПО «Аудиопротокол», представив структурную схему процесса распознавания (рис. 2).

На этапе параметризации сигнала выполняется предварительная обработка входных звуковых данных, в результате которой они представляются в виде векторов наблюдений, состоящих из значений заданных коэффициентов, рассчитанных в единицу времени. В блоке формирования локальной модели языка априорная модель языка сужается с учетом актуального словаря системы, пересчитываются ^граммные вероятности слов7. В блоке «Конкатенатор» слова представляются в виде цепочек, формирующихся из состояний трифонов8 со значениями плотности распределения вероятностей, посчитанными на этапе обучения системы. Каждой цепочке приписана уни-граммная вероятность слова, выделенная из локальной модели языка. Алгоритм декодирования Ви-терби находит для поступающей на вход последовательности векторов наблюдений множество наиболее вероятных последовательностей слов по критерию максимального правдоподобия. На этапе расчета вероятности модели языка этим последовательностям приписываются значения вероятности в локальной модели языка. В блоке принятия решения о последовательности слов наиболее вероятная последовательность слов выбирается на основе выходных акустических вероятностей (результат работы алгоритма Витерби) и вероятностей модели языка.

Выше мы лишь в самых общих чертах пояснили некоторые специальные моменты процедуры распознавания речи, поскольку задачи нашей статьи не предполагают изложение методики распознавания в целом; более полное и общее описание современной технологии автоматического распознавания речи можно найти в работах по данной тематике [7, 8].

Функциональные характеристики

В ПО «Аудиопротокол» реализованы следующие возможности:

• мониторинг и захват данных, опубликованных открытым источником информации в сети Интернет и цифровым телевизионным каналом;

• автоматическое распознавание речи и ключевых слов на русском языке в аудио- и видеоданных;

• воспроизведение аудио- и видеоданных с синхронным графическим маркированием слов в разметке;

• автоматическое формирование статистики встречаемости слов в аудио- и видеоданных, загруженных в ПО «Аудиопротокол»;

• отбор данных по ключевому слову или по дате загрузки;

• экспорт аудио- и видеоданных в файлы типа wav, mp3, mp4, webm;

7Условные вероятности совместного появления слов.

8 Представление фонем, содержащее информацию о левом и правом контексте. Фактически, частотность._

• экспорт разметки в файл MSWord или txt;

• редактирование разметки данных.

Технологические параметры

Основные технические требования:

• скорость: локальная сеть должна обеспечивать передачу пакетов данных в по протоколу Ethernet со скоростью не менее 1 Гбит/с;

• программная совместимость: рекомендуется использовать браузер «GoogleChrome» версии 29.0.1547 и выше.

Важные технологические характеристики:

• быстродействие: в десять раз быстрее времени звучания;

• точность: до 85% правильно распознанных слов.

Приведем несколько замечаний об условиях успешной работы системы. Как видно из таблицы 2, средняя точность составляет 75-80% правильно распознанных слов, однако она существенно падает при распознавании беглой речи, при невнятном, неотчетливом произнесении (ср. результаты распознавания речи диктора 2Ж). Более высокая точность распознавания может быть достигнута путем адаптации акустической модели на речевых данных конкретного диктора (ср. результаты распознавания речи диктора 5М, для которого была проведена адаптация). Распознавание речевых данных определенной тематики, где используется более узкий, специализированный набор лексики, дает лучшую точность за счет уменьшения словаря системы. Тип микрофона влияет на качество звуковых данных, а следовательно, и на точность распознавания: узконаправленный микрофон максимизирует соотношение сигнал/шум для целевого источника звука. Соответствующие тесты не проводились, но ожидается, что точность распознавания речи на данных дикторов-неносителей будет ниже, чем на данных дикторов-носителей. Результаты могут быть улучшены посредством применения вышеупомянутой акустической адаптации. Также ясно, что сложная акустическая обстановка, шумы различного происхождения, заглушающие голос говорящего, наложение голосов нецелевых дикторов, в общем случае, ведут к значительному снижению точности распознавания речи.

Возможности использования и перспективы развития

Итак, согласно приведенному выше описанию, программный продукт «Аудиопротокол» можно использовать как средство автоматической генерации речевого корпуса, имеющего заданный стандарт иерархической организации и хранения аудио- и видеоданных и соответствующих файлов разметки. Он включает в себя многофункциональный инструментарий, обеспечивающий доступ к этим данным и их обработку. Фактически множество перечисленных выше этапов формирования речевого корпуса, требующих участия человека, сводится к следующим:

• проверка качества записи речевых фрагментов;

• фонетическая верификация речевых фрагментов;

Установки предварительной обработки

Параметризация сигнала (расчет коэффициентов MFCC, PLP, LPCC)

Произносительный словарь системы

I

Сло ва

Слова с транскрипциями

Параметры

ПРВ* состояний трифонов

Конкатенатор

Вектора наблюдений

I

ПРВ слов

Формирование

локальной модели языка

Выделение униграммных вероятностей слов

Модель языка

Алгоритм декодирования Витерби

параметры

Установки распознавания

Множество последовательностей слов со своими вероятностями

Множество последовательностей слов

Расчет вероятности модели языка

Матрица переходов в локальной модели

_I

Блок принятия решения о последовательности слов

Вероятности последовательностей

слов с точки зрения модели языка

* - Плотность распределения вероятностей Рис. 2. Структурная схема процесса распознавания в ПО «Аудиопротокол»

Таблица 3

Результаты работы системы распознавания, указан процент ошибочно распознанных слов. Тестовый материал: 5 текстов, озвученных 5 дикторами, в скобках указан пол диктора

Диктор 1 (Ж) Диктор 2 (Ж) Диктор 3 (М) Диктор 4 (М) Диктор 5 (М)

Текст 1 27,7 32,4 21,5 23,5 14,9

Текст 2 28,9 41,4 22,8 25,1 19,6

Текст 3 24,4 37,6 20,0 20,0 12,6

Текст 4 23,6 34,4 22,7 22,4 14,5

Текст 5 24,4 41,1 16,5 21,8 16,9

Среднее 25,8 37,38 20,5 22,56 15,7

• верификация разметки и аннотаций речевого материала, полученных автоматически;

обработка результатов верификации.

Существует принципиальная возможность создания в автоматическом режиме приведенных ниже типов аннотаций:

• орфографическая запись;

• фонемная/фонетическая транскрипция;

• акустико-фонетическая разметка сигнала.

Потенциально это решается встраиванием периферийных функций в состав ПО и не требует изменения его исходной архитектуры. В настоящей версии результат распознавания фиксируется в виде орфографической транскрипции. Благодаря высокой скорости обработки распознанная последовательность лексических единиц выдается пользователю синхронно с воспроизводимой речью, при этом звучащий в данный момент времени фрагмент речи (слово или группа слов) выделяется другим цветом шрифта. Следует отметить, что орфографическая запись генерируется без знаков препинания, восстановление которых потребовало бы дополнительного использования инструментов извлечения синтаксической и просодической информации. На сегодняшний день, по материалам научных источников, разработаны статистические методы анализа синтаксической структуры текста, однако возможность их интегрирования в нашу систему пока не рассматривалась. Также ведутся исследования по моделированию просодических характеристик речи, однако, по известным нам данным, технологии использования высокоуровневых признаков находятся еще в стадии формирования и не имеют широкого практического применения.

Важная с точки зрения обучения РКИ просодическая информация - о позиции ударения в слове -принципиально доступна на уровне произносительного словаря системы; при необходимости может быть реализовано ее отражение в итоговой орфографической записи.

Интерактивность взаимодействия пользователя с системой выражается в ее функциональных характеристиках, наиболее показательными в этом смысле являются:

• возможность ручной коррекции распознанного текста;

• возможность поиска по различным парамет-

рам;

ля.

возможность записи с микрофона пользовате-

Составные элементы системы определяют ее функциональную самодостаточность.

Во-первых, это готовый инструмент для автоматического сбора больших объемов аудио- и видеоинформации, размещенной в открытом доступе и транслируемой открытыми источниками в сети Интернет и каналами цифрового ТВ. Таким образом может быть обеспечено постоянное обновление данных для создания современных обучающих материалов, выбор актуальных тем, разнообразие сюжетов.

Во-вторых, значительная часть работы по структурному формированию и содержательному наполнению базы осуществляется автоматически, в частности, за создание текстовых аннотаций для аудио- и видеоданных отвечает система автоматического распознавания речи.

Кроме того, предусмотрена автоматическая сортировка данных по источнику и по ключевым словам. Это позволяет облегчить, частично автоматизировав, жанровую и тематическую рубрикацию материалов.

Функция поиска слов в орфографических транскрипциях, имеющая программный интерфейс, представленный на рис. 3, обеспечивает автоматический переход к соответствующему фрагменту звукового сигнала, делая возможным целевое прослушивание и точечное изучение произношения, облегчающее освоение фонетики иностранного языка на материале речи носителей. Следует отметить, что удобство организации работы с образцами звучащей речи может слу-

установлению и задержанию

Рис. 3. Интерфейс системы «Аудиопротокол», функция поиска

жить подспорьем в проведении специальных фонетических исследований, требующих изучения большого количества фонетических контекстов, например, при анализе допустимой вариативности произнесения в речи носителей.

В заключение стоит сказать, что нашей группой

разрабатываются системы распознавания речи на различных языках, в частности, английском, французском, испанском и других, поэтому аналогичные программные продукты в перспективе могут быть реализованы для разных языков.

Статья поступила 11.07.2014 г.

Библиографический список

1. Сафонова В.В. Современный русский аудио- и видеотекст в контексте межкультурного языкового образования // Русский язык как инославянский. Белград. 2012. Вып. IV. С. 78-90.

2. Кривнова О.Ф. Области применения речевых корпусов и опыт их разработки: труды XVIII сессии Российского акустического общества РАО. Таганрог, 2006. С. 81-84.

3. Кривнова О.Ф., Богданов Д.С., Подрабинович А.Я. Современный инструментарий для разработки речевых технологий // Информационные технологии и вычислительные системы. 2004. № 2. С. 11-24.

4. Арлазаров В.Л., Богданов Д.С., Паклин М.Л., Розанов А.О., Финкельштейн Ю.Л. Инструментальная система для исследования и обработки речевых сигналов и создания речевых

баз данных: сб. Интеллектуальные технологии ввода и обработки информации М.: Эдиториал УРСС, 1998. С. 15-26.

5. Компьютерный транскрайбер «Цезарь» [Электронный ресурс]. URL: www.speechpro.ru/product/transcription/cesar

6. Онлайн демо-версия программного продукта «Аудиопро-токол» [Электронный ресурс]. URL: speech.stel.ru:8080 (данные для онлайн-регистрации: логин guest, пароль 1).

7. Gales M, Young S. The application of hidden Markov models in speech recognition, Foundations and Trends in Signal Processing. Vol. 1. 2007. No. 3. Pp. 195-304.

8. Sankar A., Lee C.-H. A maximum-likelihood approach to stochastic matching for robust speech recognition // IEEE Transactions on Speech and Audio Processing. Vol. 4. 1996. No. 3. Pp. 190-202.

УДК 81.1

ВЛАСТЬ ДИСКУРСА ПРИ ИНТЕРПРЕТАЦИИ СОБЫТИЙ-АТТРАКТОРОВ МЕДИЙНОГО ПРОСТРАНСТВА

Л о

© И.А. Якоба1, Е.В. Лесниковская2

Иркутский государственный технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.

2Евразийский лингвистический институт, филиал Московского государственного лингвистического университета, 664025, Россия, г. Иркутск, ул. Ленина, 8.

Приведены результаты прикладного эмпирического лингвистического исследования когнитивных механизмов и языковых средств «силового» воздействия медийного дискурса в Интернет-среде. Исследование проводилось в русле критического дискурс-анализа. Выявлено преобладание использования дискурсивных стратегий и языковых средств, способствующих аксиологическому конструированию действительности для осуществления социальной власти в современном обществе. Библиогр. 7 назв.

Ключевые слова: конструирование дискурса; интерпретация; вербализация власти; сила воздействия.

DISCOURSE POWER IN MEDIA SPACE EVENTS-ATTRACTORS INTERPRETATION I.A. Iakoba, E.V. Lesnikovskaya

Irkutsk State Technical University, 83 Lermontov St., Irkutsk, 664074, Russia.

Eurasian Linguistic Institute (Branch of Moscow State Linguistic University), 8 Lenin St., Irkutsk, 664025, Russia.

The article reports on the results of the applied linguistic empirical research of cognitive mechanisms and language means of media discourse power impact in the Internet environment. The study based on the critical discourse analysis has revealed the predominant use of the discourse strategies and linguistic means promoting axiological construction of reality for social power implementation in the modern society. 7 sources.

Key words: discourse construction; interpretation, power verbalization; force of impact.

1Якоба Ирина Александровна, кандидат социологических наук, доцент кафедры иностранных языков, тел.: (3952) 405203, e-mail: irina_yakoba@mail.ru

Iakoba Irina, Candidate of Sociology, Associate Professor of the Department of Foreign Languages, tel.: (3952) 405203, e-mail: irina_yakoba@mail.ru

2Лесниковская Екатерина Викторовна, кандидат социологических наук, доцент кафедры американистики, e-mail: elesnikovskaya@gmail.com

Lesnikovskaya Ekaterina, Candidate of Sociology, Associate Professor of the American Studies Department, e-mail: elesnikovskaya@gmail.com