Научный архив: статьи

Внедрение искусственного интеллекта (ИИ) трансформирует корпоративные стратегии и повышает операционную эффективность бизнеса. Исследование посвящено анализу относительной результативности сегмента генеративного ИИ через сопоставление объемов продаж чипов, серверов и инфраструктуры центров обработки данных (аппаратного обеспечения, харда) с размерами сектора ИИ-решений (программного обеспечения, софта). Выдвигается гипотеза о догоняющем характере развития последнего: несмотря на активный рост, паритет между продажами комплектующих и выручкой от ИИ-продуктов пока не достигнут. Капитальные затраты технологических гигантов на создание инфраструктуры значительно возросли, из-за чего достижение баланса может потребовать десятилетий. Для оценки применяется метод оболочечного анализа (Data Envelopment Analysis, DEA), рассматривающий продажи харда как «входы» и выручку от софта как «выходы». DEA-анализ динамики генеративного ИИ в 2016–2024 гг. показывает ее нелинейный характер. Начиная с 2021 г. наблюдается перелом тенденции и снижение показателей эффективности, что подтверждает гипотезу о догоняющей модели развития программных решений. Колебания начинаются спустя три года после развертывания первых крупных языковых моделей, демонстрируя недостаточную отдачу в виде сопоставимого роста софтверного сектора. Оригинальность работы состоит в применении DEAанализа для комплексной сравнительной оценки рассматриваемых сегментов, что позволяет выявить дисбаланс между ними и определить потенциал для более эффективного освоения генеративных моделей

В статье исследуются перспективы автоматизации деятельности человека по применению права. Целью исследования является анализ теоретической возможности автоматизации процесса правоприменения посредством использования современных информационных технологий и новых подходов к формированию права. Методология исследования включает в себя системный подход, абстрагирование, анализ и синтез. В статье автор приводит перечень фундаментальных проблем, препятствующих автоматизации процесса правоприменения, вытекающих из особенностей современного права, процесса его создания и применения. К таким проблемам можно отнести отсутствие единой официальной базы данных источников права, несовершенство естественного языка, необходимость использования дополнительной информации о мире и обществе и др. Предлагаются возможные решения указанных проблем, основанные на применении машинного обучения и внедрении машиночитаемого права. В частности, автор рассматривает применение нейронных сетей для распознавания печатного текста, векторных моделей для организации семантического поиска по нормативным текстам, больших языковых моделей для осуществления когнитивных операций и хранения информации о мире и обществе, систем компьютерного зрения для оценки фактов объективной действительности. Сделан вывод, что современные технологии и новые подходы к формированию права потенциально позволяют если не достичь полной автоматизации правоприменения, то существенно приблизиться к данной цели.

На сегодняшний день большие языковые модели (LLM) интегрированы в управленческий и образовательный процесс высшей школы, тем самым меняя его логику, содержание и применяемые в нем методы и технологии. Становится сложнее отличить знание студентов от их информированности, достигнутой средствами использования LLM. В ближайшей перспективе информированность и личное знание студента будут сильнее интегрированы в сферы деятельности друг друга. Этот процесс обусловлен, в первую очередь, повсеместным внедрением LLM и его постоянным прогрессированием, что несомненно сказывается на распространении и использовании всеми участниками образовательного процесса в высшей школе. Из-за невозможности проведения грани между знанием студентов вытекает проблема невозможности использования устоявшихся методик оценки компетентности (автоматизированное тестирование, опрос, оценка результатов защиты курсовой или выпускной квалификационной работы и т. д.), которые ранее успешно использовались в университете цифрового общества. Нам видится спасение высшей школы как социального института через организацию образовательного процесса в логике теории управления знаниями по причине способности управлять личностными знаниями студентов высшей школы. Целью данной статьи является осмысление текущих парадигмальных изменений в теории управления знаниями и применимости её в условиях высшей школы эпохи развития LLM.

В современном обществе, получившем именование «Экономики знаний», нынешняя модель высшего образования, которая превратилась в важнейшую отрасль социальноэкономического воспроизводства, утрачивает свою адекватность вызовам времени. В значительной степени это происходит в силу вторжения в сферу образования информационных технологий, которые замещают традиционные формы образовательного процесса, вытесняя из него фактор «Личностного знания». В сложившийся ситуации свою эффективность также утрачивает нынешняя компетентностная модель профессионального образования. Реагируя на эту тенденцию, в систему высшего образования все более широко внедряются различные вариации модели управления знанием. В статье рассматривается имеющийся мировой опыт управления знаниями, представленный в таких моделях как: Knowledge Management (KM), Personal Knowledge Management (PKM) и Personal Information Management (PIM). Данные модели показывали свою эффективность на протяжении последних десятилетий, но сегодняшние условиях развития больших языковых моделей (LLM) расширяют сферу их возможностей. Прежде всего это позволяет перенести акценты с решения административно-организационных задач на сам образовательный процесс. В связи с этим актуален и вопрос, касающийся роли преподавателя высшей школы общества будущего.

Стремительное развитие технологий искусственного интеллекта и их широкое внедрение в различные сферы человеческой деятельности актуализируют проблему массового обучения работе с AI-инструментами, в частности, освоения техник промпт-инжиниринга. Традиционные образовательные подходы не успевают за темпами технологических изменений, что создает разрыв между потребностями рынка труда и компетенциями выпускников образовательных программ. Цель. Представить архитектуру и методологию проектирования системы интерактивных тренажеров с автоматизированной оценкой на основе больших языковых моделей для обучения различным аспектам работы с AI-инструментами; описать опыт практического внедрения разработанной системы в курсы повышения квалификации. Методология, методы и методики. Исследование основано на методологии педагогического дизайна и теории геймификации образовательного процесса. Архитектура системы реализована с использованием клиентских веб-технологий (HTML5, JavaScript) и интеграции с API больших языковых моделей (OpenRouter) для автоматизированной проверки открытых заданий. Апробация проведена в контексте курсов повышения квалификации по программе «Введение в нейросети: практическое освоение AI-платформ». Научная новизна. Разработана и описана архитектура системы интерактивных тренажеров, включающая шесть специализированных модулей: техники промпт-инжиниринга (Zero-shot, Few-shot, Chain-of-Thought и др.), этика искусственного интеллекта, генерация изображений и видео, создание презентаций, AI-аналитика данных. Научная новизна заключается в применении больших языковых моделей для автоматизированной проверки творческих заданий с формированием развернутой обратной связи без участия преподавателя. Система интегрирует механизмы геймификации (система достижений, прогрессивное открытие контента) для повышения мотивации. Практическая значимость. Представленная система может быть интегрирована в курсы повышения квалификации и программы высшего образования в различных предметных областях. Модульная архитектура обеспечивает возможность адаптации тренажеров под различные предметные области и образовательные контексты. Определены направления дальнейшего развития системы, включая интеграцию с LMS через SCORM-пакеты и разработку собственного плагина для аналитики образовательного процесса.

Статья посвящена трансформации высшего образования в реалиях повсеместной распространенности использования генеративного искусственного интеллекта и больших языковых моделей.

Объект исследования - образовательный процесс в современной цифровой среде; цель - поиск способов его адаптации к появлению искусственного интеллекта. На основе анализа эмпирических исследований и локальных опросов выявлены ключевые причины роста популярности цифровых инструментов с использованием возможностей искусственного интеллекта, их преимущества и системные риски, включающие снижение когнитивной вовлеченности и проблемы академической недобросовестности. Показано, что традиционная модель «знания - умения - навыки» требует пересмотра.

В качестве результатов предложены направления адаптации: формирование компетенций работы с LLM, разработка политики использования искусственного интеллекта, трансформация оценивания и усиление практик самостоятельного обучения.

Сделан вывод об острой необходимости интеграции искусственного интеллекта как структурного элемента современной образовательной среды.

Статья посвящена исследованию способности больших языковых моделей (LLM) интерпретировать референцию пословиц в русском языке на материале фразеологических выражений «первый блин комом» и «своя рука владыка». В рамках исследования предлагается классификация типов референции (конкретная, абстрактная, смешанная, неопределенная) и описывается методика классификации, реализованная в эксперименте с применением моделей GPT-5 и DeepSeek-3.1. Исследование выявило, что общая точность автоматической классификации типов референции пословиц не превышает 33 %, при этом модели демонстрируют уклон в пользу абстрактной референции и затрудняются в идентификации неопределенного типа. Более высокие показатели зафиксированы при бинарной классификации (конкретная / абстрактная; до 60 % у GPT-5), однако объяснение выбора типа часто связано с концептуальными ошибками, прежде всего с систематическим смешением оппозиции «конкретная / абстрактная референция» и «прямое / переносное значение». Делается вывод о том, что LLM имитируют процесс понимания, воспроизводя жанровые шаблоны и избегая риска некорректной интерпретации. Значимость результатов определяется возможностью дальнейшего совершенствования методик оценки интерпретационных способностей LLM в задачах анализа смысловой структуры устойчивых выражений.

Статья представляет собой лингвистическое исследование, направленное на оценку возможностей и ограничений современных ИИ в области реализации человеческих коммуникативных практик, прежде всего стратегий смягчения. Цель - исследовать и проанализировать митигативные стратегии (стратегии коммуникативного смягчения), используемые современными большими языковыми моделями (LLM), как один из ключевых аспектов процесса гуманизации искусственного интеллекта. Автор, используя эмпирическое тестирование и дискурс-анализ, стремится определить эффективность имитации ИИ человеческих коммуникативных тактик для поддержания комфортного и бесконфликтного общения. Научная проблема заключается в противоречии между стремлением наделить ИИ человеческими чертами (гуманизировать его), включая способность к мягкому, вежливому и этичному общению, и технологическими ограничениями. Установлено, что ИИ недостаточно эффективно распознаёт и генерирует сложные коммуникативные средства (иронию, сарказм, многозначные намеки); оперирует в основном базовыми митигативными приемами, в то время как человеческая коммуникация использует гораздо более широкий и тонкий спектр средств; сталкивается с парадоксом - в процессе обучения человеческой логике и коммуникации для ИИ может оказаться более эффективной иная, «нечеловеческая» логика, что потенциально создает новые вызовы.

Показано, что диалог с искусственным интеллектом сегодня становится частью обыденной человеческой практики, при этом, помимо пользователей, преследующих практические цели, есть множество энтузиастов и исследователей, целенаправленно стремящихся задать такие вопросы, на которые искусственный интеллект ответил бы неправильно, что достаточно сложно и напоминает вопросы-испытания, существующие в культурной традиции с древнейших времен: требующие от претендента на статус или благо решить загадку. Сделан анализ постов и статей, представляющих ошибочные ответы больших языковых моделей. Выделены следующие категории вопросов, на которые искусственный интеллект дает неправильные ответы: вопросы, построенные на языковой игре, требующие метакоммуникативных навыков, провоцирующие «галлюцинации искусственного интеллекта», на спорные и этически неоднозначные темы, а также логические и математические задачи. Отмечено, что на текущей стадии человеко-машинных взаимодействий человечество активно испытывает искусственный интеллект, стремясь доказать его несовершенство, таким образом, обучая и обогащая технологию.

Представлен анализ методологии бенчмаркинга и проблематики его применения для оценки эффективности больших языковых моделей (БЯМ). Этот метод получил широкое распространение в различных научных областях — как гуманитарных, так и технических. Отмечено, что в сфере машинного обучения бенчмаркинг применяется давно и считается основным способом определения качества моделей и оценки их способностей решать разноплановые задачи, однако отсутствует строгая методология создания бенчмарков, организации процесса тестирования и интерпретации полученных результатов. Показано, что бенчмаркинг представляет собой многоаспектный и комплексный процесс, подверженный влиянию социокультурной, экономической и политической среды. Изучение данной проблематики имеет высокую актуальность как для разработки БЯМ, так и для всей области искусственного интеллекта, поскольку корректная методология оценки позволит минимизировать риски интеграции моделей в различные сферы человеческой деятельности. Рассмотрены отдельные этапы становления и развития бенчмаркинга. Особое внимание уделено критическому анализу современных методов оценки, их ограничениям и потенциальным искажениям при определении реальных возможностей интеллектуальных систем. Сформулированы концептуальные аспекты для философского осмысления бенчмаркинга и намечены направления дальнейших исследований, что составляет научную новизну данной работы.

В статье рассматривается цифровая среда как средство личностно-ориентированного обучения в военном образовании. Авторы анализируют как современные цифровые технологии, в частности большие языковые модели (LLM), трансформируют традиционные методы обучения, позволяя создавать персонализированные траектории обучения для военных специалистов. В исследовании выделено несколько преимуществ цифровых образовательных сред, среди которых: персонализация учебного контента с помощью адаптивных платформ; доступность образовательных ресурсов независимо от географического положения; повышение интерактивности и вовлечения учащихся с помощью мультимедийных ресурсов; возможности для самостоятельного обучения, способствующего индивидуальному развитию в соответствии с военно-профессиональными требованиями. В ходе педагогического эксперимента с участием контрольной и экспериментальной групп курсантов исследование продемонстрировало значительное улучшение успеваемости (+13,4 %), мотивации (+35,5 %) и вовлеченности (+30,8 %) у обучающихся, использующих цифровые образовательные ресурсы, по сравнению с теми, кто использует традиционные методы обучения. Цифровые инструменты позволили курсантам строить персонализированные образовательные траектории, организовывать образовательный контент в значимые блоки (блоки) и получать немедленную обратную связь.

Авторы также рассматривают проблемы внедрения цифровых образовательных сред в военных институтах, в том числе технические и организационные барьеры, психологические трудности и цифровое неравенство. Несмотря на эти препятствия, они подчёркивают перспективное будущее интеграции ИИ и адаптивных технологий в военном образовании.

В исследовании представлены практические рекомендации по совершенствованию образовательных программ в военных институтах, направленных на развитие у курсантов навыков самоорганизации и готовности к профессиональному развитию в цифровую эпоху.

В статье рассматриваются трансформационные перспективы применения искусственного интеллекта в системе высшего педагогического образования. Актуальность исследования обусловлена стремительным развитием цифровой образовательной среды и необходимостью подготовки нового поколения педагогов, способных эффективно использовать потенциал искусственного интеллекта в своей профессиональной деятельности и соответственно формирования у него особых цифровых навыков. Проведён контент-анализ стратегических документов, определяющих искусственный интеллект как ключевой фактор производства и эффективного взаимодействия акторов в современном социально-экономическом пространстве цифровой экономики. Реализован обзор возможностей искусственного интеллекта для образования в разрезе учета индивидуальных особенностей обучающихся, средств учебной деятельности и автоматизации рутинных задач, формирования цифровых навыков и реализации саморефлексии. В методической части статьи презентованы итоги нескольких экспериментов в рамках функционала больших языковых моделей «генерация учебного контента». Объектом приложения выбрана дисциплина «Экономика» для студентов направления подготовки «Педагогическое образование», профили «История. Обществознание». Итоговый результат генерации проанализирован в разрезе конкретных предметных результатов, основных видов деятельности и программного содержания, обозначенных в Федеральных рабочих программах. В итоге эксперимента получены модельные карты для анализа и сравнения мотивирующего задания, задания «Интересная подача материала», разноуровневых задач, созданных с помощью больших языковых моделей.