Научный архив: статьи

Введение. Статья посвящена анализу трансформации высшего образования в условиях активного внедрения генеративного искусственного интеллекта (ИИ). Цель исследования – раскрыть, как генеративный ИИ трансформирует академическую идентичность студентов, переопределяет нормы легитимности знаний и воспроизводит социальное неравенство через алгоритмическую грамотность.

Методология и источники. Исследование опирается на данные репрезентативного анкетного опроса студентов нескольких российских вузов различного профиля. Применены методы стратифицированного выборочного анализа, корреляционного и факторного анализа. Статистическая надежность результатов обеспечивается соответствием нормальным распределениям и устойчивостью к выбросам.

Результаты и обсуждение. Установлено доминирование генеративных ИИ-инструментов (в частности, ChatGPT) в образовательной среде. Зафиксирована их высокая субъективная эффективность, в том числе в контексте академической успеваемости и формирования профессиональных компетенций. Обнаружен нормативный разрыв между распространенной практикой использования ИИ и этическими оценками его допустимости в обучении. Обсуждаются эффекты технологической асимметрии и редукционизма.

Заключение. Полученные данные подтверждают становление новой образовательной парадигмы, характеризующейся сдвигом от традиционного преподавания к технологически опосредованному обучению. Статья акцентирует внимание на необходимости нормативной и дидактической адаптации вузов к условиям цифровой среды.

Введение. С распространением генеративных моделей ИИ (GenAI) обострилась дискуссия о «кризисе авторства» и угрозе академической деонтологии. Работа исследует, как интердиктивные (запрет) и предскриптивные (обязательное использование) установки модулируют субъектность студента, структуры этики и когнитивные практики.

Методология и источники. Реализован контролируемый квазиэксперимент (n = 10) в рамках дипломного проектирования. Студенты были разделены на дидактически изолированные группы с различными нормативными установками: обязательное осознанное применение ИИ противопоставлено настоятельным рекомендациям отказа от ИИ. Сбор данных включал документ-анализ, рефлексивные опросы, педагогическое наблюдение и верификационные метрики. Особое внимание уделялось пересечению формальных показателей и субъективных интерпретаций, что позволило избежать редукции к технократическому измерению взаимодействия с ИИ.

Результаты и обсуждение. Легитимация ИИ ассоциируется с процессуально-ориентированной этикой: студенты демонстрировали высокий уровень авторства, сниженный этический дискомфорт и практики критической верификации, включая выявление модельных галлюцинаций и усложнение задач. В интердиктивной группе наблюдались случаи некритического заимствования. ИИ функционировал как медиатор трансформации субъектности: от исполнителя задачи к конструктору эпистемической среды.

Заключение. Исследование демонстрирует, что педагогическая стратегия, основанная на запрете GenAI, не усиливает ни этическую ответственность, ни критическое мышление; напротив, она может способствовать пассивному доверию к «человеческим» источникам и скрытой эксплуатации технологий. В то же время нормативное встраивание ИИ в учебный процесс открывает путь к трансформации академической субъектности: студент перестает быть «производителем текста» и становится «конструктором запроса», «оператором модели» и «арбитром знания». Это требует переосмысления не только образовательных практик, но и фундаментальных категорий авторства, ответственности и компетентности.

Введение. Статья посвящена актуальным философским проблемам постнеклассической науки, связанным с анализом интеллектуальных систем на основе машинного обучения, и содержит сравнительный анализ конструктивистского и реалистического подходов для выявления эвристического потенциала радикального конструктивизма в построении гибкой функциональной архитектуры ИИ.

Методология и источники. В основу исследования положен сравнительный анализ реалистического и конструктивистского подходов, методологический аппарат которого включает принципы операциональной замкнутости и когнитивного конструирования реальности, разработанные в трудах Э. фон Глазерсфельда, Ж. Пиаже и их последователей. Центральным тезисом выступает трактовка знания не как отражения объективной реальности, а как конструкции, критерием которой является функциональная пригодность для решения задач, что находит отражение в современных концепциях машинного обучения, таких как обучение с подкреплением.

Результаты и обсуждение. Продемонстрировано, что ключевые принципы конструктивизма – операциональная природа знания, итеративное построение когнитивных структур и прагматический критерий жизнеспособности – предлагают пути решения проблем ИИ, таких как проблема «черного ящика», статичность моделей и контекстуальная зависимость данных, через переосмысление машинного обучения как процесса активного построения функциональных репрезентаций и смещения акцента с точности на функциональную адекватность в конкретных прикладных контекстах.

Заключение. Разработанные положения радикального конструктивизма помогают переосмыслить природу данных и моделей в машинном обучении, а также открывают перспективы для более глубокого анализа требований к итеративным и адаптивным архитектурам обучения и развитию систем с искусственным интеллектом.

В статье анализируются основные направления и результаты внедрения технологий искусственного интеллекта и машинного обучения в зарубежных системах уголовного правосудия. Рассматриваются как позитивные эффекты, так и ограничения применения интеллектуальных алгоритмов в деятельности судов и пенитенциарных учреждений. Особое внимание уделяется цифровым решениям, основанным на оценке личности правонарушителя и прогнозировании вероятности повторного совершения преступления, а также технологиям, направленным на повышение уровня безопасности в местах лишения свободы, предупреждение противоправного поведения и оптимизацию процессов ресоциализации осужденных.

Делается вывод о том, что использование прогностических программных комплексов в зарубежной пенитенциарной практике способствует снижению уровня рецидивизма и повышению обоснованности управленческих и процессуальных решений в сфере уголовного правосудия.

В статье рассматриваются методологические аспекты и практический опыт внедрения предиктивной аналитики в систему транспортного контроллинга. Проанализирована концепция транспортного контроллинга как интегрированной системы информационно-аналитической и методической поддержки управленческих решений в транспортной сфере. Изучены ключевые направления использования предиктивной аналитики: прогнозирование спроса на транспортные услуги, оптимизация маршрутов, предиктивное техническое обслуживание и управление запасами - и их интеграция в контур транспортного контроллинга. Представлены результаты внедрения предиктивной аналитики в российских и зарубежных транспортных компаниях. Определены перспективы развития и ограничения применения предиктивной аналитики в транспортном контроллинге.

В обзоре представлен систематический анализ достижений в области применения портативной и стационарной ближней инфракрасной (БИК/NIR) спектроскопии для неразрушающей оценки качества семян сельскохозяйственных и лесных древесных культур за период 2015–2025 гг. Основное внимание уделяется растительным признакам, определяемым с помощью данного метода: жизнеспособность и энергия прорастания, влажность, содержание макронутриентов (масла, белка, углеводов), специфических биологически активных соединений (фенолы, антиоксиданты, жирные кислоты), чистота сорта, видовая и сортовая идентификация, а также обнаружение фитопатогенов. Отдельно рассматривается технологический аспект применения БИК-спектрометрии для оперативной сортировки (грейдирования) семян в семеноводстве, включая использование мобильных оптоэлектронных систем, запатентованных устройств и комплексных технологических платформ. Проанализированы ключевые этапы обработки спектральных данных: предобработка, выбор информативных диапазонов волн, применение методов многомерной калибровки и алгоритмов машинного обучения. Сравнены преимущества и ограничения различных типов спектрометров. Обзор демонстрирует, что БИК-спектроскопия, интегрированная в современные фенотипические платформы, стала высокоэффективным агрофизическим инструментом для селекции культур, контроля качества семенного материала и поддержки принятия решений в технологии восстановления агролесных ландшафтов. Полученные массивы данных вносят вклад в формирование библиотеки материалов по восстановлению агролесных ландшафтов (AFLR-Library).

Активное внедрение цифровых технологий также наблюдается и в управлении экономическими системами различных уровней управления. В данном исследовании для авторов представляет интерес экономическая система региона и механизм управления ею с использованием технологий искусственного интеллекта. На основе анализа и обобщения работ, посвященных региональным экономическим системам, использованию технологий искусственного интеллекта и в контексте эволюции теорий управления авторами дополняется теоретический базис исследования путем предложения авторского механизма внедрения современных цифровых технологий искусственного интеллекта в сферу деятельности субъектов государственного регионального управления. Данная модель в свою очередь может стать наглядным теоретическим базисом к повышению эффективности процессов управления экономическими системами на уровне региона.

Введение. В статье рассматриваются теоретические и практические аспекты использования технологий искусственного интеллекта для оценки финансовых рисков в условиях растущей экономической неопределенности. Актуальность исследования обусловлена необходимостью повышения точности, оперативности и надежности оценки рисков в современной финансовой среде, особенно в свете усложнения рыночных процессов и возрастания требований к управлению рисками в финансовых организациях.

Материалы и методы. В работе применены методы сравнительного анализа, систематизации подходов к классификации финансовых рисков, а также обзор современных интеллектуальных инструментов, включая машинное обучение, обработку естественного языка (NLP), байесовские модели и нейросетевые алгоритмы. Основой анализа стали как академические исследования, так и практические кейсы из международной и российской банковской практики.

Результаты исследования. Установлено, что интеллектуальные системы способны значительно повысить эффективность управления кредитными, рыночными, операционными и ликвидными рисками. Выявлены ключевые преимущества применения ИИ: высокая точность прогнозов, способность к обработке больших объемов данных, снижение влияния человеческого фактора. Вместе с тем зафиксированы и ограничения, включая недостаточную интерпретируемость моделей, регуляторные барьеры, риски смещения и технические сложности.

Обсуждение и заключение. Сделан вывод о необходимости взвешенного подхода к интеграции искусственного интеллекта в систему риск-менеджмента на основе сочетания человеческой экспертизы и алгоритмической обработки данных. Полученные результаты могут быть использованы в деятельности финансовых институтов для повышения устойчивости, адаптивности и качества управленческих решений в условиях нестабильной экономической среды.

Статья посвящена актуальной проблеме модернизации инструментария финансово-экономического прогнозирования в государственном секторе на основе применения современных технологий искусственного интеллекта и машинного обучения. Цель работы продемонстрировать преимущества перехода от традиционных статистических моделей к гибридным системам прогнозирования, способным обрабатывать многомерные временные ряды различной частоты. Представлены результаты разработки функционального прототипа цифровой экосистемы, включающей расширенный набор экономико-математических моделей, в том числе нейронные сети Колмогорова-Арнольда (KAN), долгую краткосрочную память (LSTM), авторегрессионные модели с интегрированием и скользящим средним (ARIMA) и резервуарные вычисления (Echo State Networks). Определены практические рекомендации по внедрению системы дашбордов, функционирующих в интернет- пространстве, для поддержки принятия решений в управлении государственными финансами. Показано, что применение предложенной методологии позволяет повысить точность прогнозов фискальных показателей и повысить прозрачность процесса бюджетного планирования и исполнения бюджета.

Одно из направлений повышения эффективности поисковых работ – выявление скрытых многомерных закономерностей в геохимических данных. Для обработки и интерпретации результатов геохимических работ, прогнозирования перспективных типов минерализации Эвотинского золоторудного района (Центральный Алдан) использован алгоритм машинного обучения Support Vector Machine (SVM). Выполнена оценка возможности обнаружения пинигинского (сульфидно-арсенидная минерализация в метабазитах), эльконского (золото-урановый), лебединского (скарновый в карбонатах) и морозкинского (золото-порфировый) геолого-промышленных типов золоторудной минерализации. Применен метод опорных векторов (Support Vector Machine, SVM) – алгоритм, эффективный для работы с данными высокой размерности и поиска сложных нелинейных зависимостей. Исходными данными были результаты литогеохимического опробования на участках Амутканский и Перевальный. Предварительная статистическая обработка этих данных включала Z-нормализацию, фильтрацию, исключение аномальных значений, логарифмирование и выявление «рудных» геохимических ассоциаций с помощью корреляционного, кластерного и факторного анализов. Анализ схожести прогнозируемых объектов проведен с применением персентильного анализа и расчетом средней схожести и косинусной меры сходимости распределений. Результаты показали высокую перспективность выявления минерализации пинигинского типа на участке Перевальный, умеренную – эльконского и пинигинского типов на Амутканском участке, и низкую – лебединского и морозкинского типов на обоих участках. Исследование демонстрирует, что современные алгоритмы машинного обучения, такие как SVM, способны эффективно выявлять сложные, неочевидные связи в многомерных геохимических данных, трансформируя их в структурированную прогнозную информацию. Полученные результаты имеют практическое применение и подчеркивают целесообразность использования алгоритмов машинного обучения при геохимических поисках месторождений полезных ископаемых.

Разработать номограмму и калькулятор дооперационной оценки риска затяжного плеврального выпота у пациентов после лобэктомии при раке легкого с целью обеспечения ранней профилактики данного осложнения.

Материалы и методы. Исследование выполнено на базе хирургического отделения торакальной онкологии ГУЗ ОКОД г. Ульяновск, в анализ были включены пациенты, которым была выполнена лобэктомия с 01.01.2023 по 01.01.2025 на базе хирургического отделения торакальной онкологии ГУЗ «Областной онкологический диспансер» г. Ульяновск (свидетельство о государственной регистрации базы данных № 2025621960). Всего в исследование включено 215 пациентов, 115 из которых были без затяжного плеврального выпота (ЗПВ) и 100 с наличием данного осложнения. После статистического анализа выполнен bootstrap данных и выполнена калибровка логистической регрессии на основе машинного обучения искусственного интеллекта.

Полученные результаты. частота развития затяжного плеврального выпота – 100/215 (46,5 %). При выполнении многофакторного статистического анализа определены статистически значимые факторы: количественное значение лейкоцитов, нейтрофилов, лимфоцитов в общем анализе крови до операции, индекс-Тиффно, а также видео-ассистированный доступ. Разработанная прогностическая модель показала высокую чувствительность (85 %) и специфичность (61,7 %).

Выводы: частота развития затяжного плеврального выпота в исследовании – 100/215 (46,5 %). Разработана прогностическая модель и интерактивный калькулятор для оценки риска затяжного плеврального выпота у пациентов после лобэктомии.

В данной статье на основе собранного массива данных с сайта Государственной думы РФ за период с 24 октября 1994 г. по 1 декабря 2022 г. настроены модели машинного обучения и нейронная сеть для прогнозирования итогов рассмотрения законопроектов нижней палатой парламента. Для предварительной обработки данных использовалась модель rubert-tiny, для прогнозирования – классификатор случайного леса, логистическая регрессия и модель нейронной сети из трех линейных слоев.

Модели продемонстрировали следующие результаты: 94% точности (метрика F1 взвешенная) при прогнозировании на основе текстов прилагаемых к законопроекту документов и 87% точности при обучении на параметрах паспорта законопроекта. Обученные только на текстах законопроекта модели демонстрировали точность в 75,6%. Наиболее важным фактором, оказывающим влияние на результат прогноза, оказался текст заключения. Вторым по важности признаком стал «Субъект права законодательной инициативы» с 31,5% значимости в прогнозировании. На основе объединенных текстовых данных и параметров паспорта законопроекта лучше всего проявил себя алгоритм случайного леса. Среди обученных только на текстовых параметрах алгоритмов на первое место вышла логистическая регрессия. На вероятность принятия законопроекта не оказали существенного влияния текст финансового обоснования, текст пояснительной записки или тематика законопроекта. Автором сделаны выводы о направлениях практического применения обученных моделей, а также определены дальнейшие научные проблемы в сфере математического анализа и прогнозирования законотворчества.