Россия
В эпоху цифровой трансформации исследования претерпевают значительные изменения, обусловленные развитием современных технологий, в частности информационных платформ на базе генеративного искусственного интеллекта. В связи с этим происходит переосмысление научно-исследовательской деятельности, необходимость в актуализации способов и методов ее проведения. Традиционные методы работы с данными уже не справляются с задачами поиска, обработки и интерпретации с большим массивом информации. Инструменты входящие в информационный портфель исследователя стремительно обновляются, что требует от субъекта деятельности постоянного мониторинга новых разработок. Информационный портфель исследователя в современных реалиях включает разнообразные инструменты, которые используются комплексно, методы, этические аспекты и регулирование применения генеративных технологий искусственного интеллекта (ГОСТы) в научно-исследовательской деятельности. Искусственный интеллект становится неотъемлемым помощником (ассистентом), обеспечивающий эффективность в анализе больших массивов информации, быстрого поиска закономерностей и оптимизации временных ресурсов для анализа и интерпретации полученных результатов. Наряду с этим возникает множество проблемных аспектов, например, с этическими вопросами дозволенности использования генеративного искусственного интеллекта в научно-исследовательской деятельности, предвзятость к полученной информации, фальсификация результатов, поверхностный анализ и так далее. Целью настоящей работы является анализ, синтез и оценка использования генеративных возможностей искусственного интеллекта в научно-исследовательской деятельности.
проведение исследования, оптимизация, искусственный интеллект, оценка результатов научно-исследовательской деятельности, поиск и анализ информации, визуализация результатов научно-исследовательской деятельности
Развитие информационно-телекоммуникационных технологий подтолкнуло человечество к созданию искусственного интеллекта (далее – ИИ) для решения не только повседневных задач, но и для более узкого применения: получения информации, обучения, оценивания, программирования и т.д [2]. ИИ трансформирует научно-исследовательскую деятельность, оптимизируя рутинные задачи и формируя современные подходы проведения исследования. Как отмечает Анна Лемякина, директор по национальным и стратегическим проектам «Yandex Cloud»: «Сегодня ИИ перестает быть просто экспериментальным инструментом и становится базовой частью научного процесса» [8]. В связи с этим количество исследователей, использующих новые технологии значительно увеличивается, только в 2025 году количество выросло с 57% до 84% [8].
Информационный портфель исследователя в эпоху ИИ включает разнообразные инструменты, методы (алгоритмы), данные и этические вопросы, связанные с использованием информационно-телекоммуникационных технологий в научно-исследовательской деятельности. Генеративные технологии на базе ИИ направлены на помощь исследователю в обработке больших массивов данных, быстрого определения закономерностей и проверок гипотез, ускоряя процесс анализа и интерпретации результатов. Несмотря на активное развитие генеративных технологий на базе ИИ, возникает ряд вопросов, которые должны быть решены. На рисунке 1 указаны перспективы и риски влияния ИИ на научно-исследовательскую деятельность (далее – НИД).
Рис. 1. Перспективы и риски влияния ИИ на научно-исследовательскую деятельность.
Указанные перспективы и риски использования ИИ в научно-исследовательской деятельности не являются исчерпывающими, с каждым новым инструментом появляются все более совершенные возможности и возникают новые проблемы. В частности, нет точного понимания в дозволенности использования ИИ в научно-исследовательской сфере. Хотя некоторые научные журналы пытаются внеси ясность в допустимых мерах использования ИИ. Так, например редакция журнала «Организационная психология», учредителем которого является НИУ ВШЭ, разделяет международную позицию в отношении использования ИИ при подготовке научных статей [10], изложенную в документах по публикационной этике Authorship and AI tools [18], New white paper launch: Generative AI in Scholarly Communications [29], Chatbots, Generative AI, and Scholarly Manuscripts [19] и др. Указанная позиция отражает следующее [10]:
- ИИ (чат-боты, языковые модели) не могут выступать в качестве автора научной работы или соавтора;
- использование ИИ или чат-ботов не запрещается при подготовке рукописи. Указанные технологии могут применяться для редактирования текста, поиска литературы, сбора и анализа данных. С учетом данных рекомендаций автору/авторам необходимо самостоятельно проверять истинность данных.
- необходимость указывать в разделе научной работы «Методология исследования» все инструменты (ресурсы), которые использовались, с указанием версии программы, критериев запроса и подробным описанием методики применения и т.д.
В связи с этим, необходимо определить перспективные направления использования ИИ в научно-исследовательской деятельности. Во-первых, генеративные технологии на базе ИИ представляют инструменты, обеспечивающие автоматизированный поиск научных источников, мнений ученых и т.д. (с учетом заложенного в основу промпта), позволяя сократить время на поиск необходимо информации или литературы. Во-вторых, анализ больших данных научных работ с использованием алгоритмов машинного обучения позволяет выявлять скрытые паттерны, тенденции и корреляции, которые могут быть недоступны или сложны для выявления традиционными методами. В-третьих, имеющиеся возможности ИИ платформ по генерации презентационного материала упрощают визуализацию полученных в рамках исследований результатов, делая их доступными для широкой аудитории. Наконец, правильно использование технологий ИИ при оценке научно-исследовательской деятельности обеспечивает объективность и количественную метрику, например, такую как индексы цитирования или влияние публикаций, что является необходимым для карьерного роста исследователя. Подобная технологическая возможность присутствует на платформе «Elibrary» [21], которая предоставляет отчеты по разным тематикам, например, распределение публикаций по тематике, по ключевым словам, по журналам, по соавторам, по годам и т.д.
Исследователь при организации научно-исследовательской деятельности традиционно реализует следующие этапы: поиск, анализ, интерпретация, оценка результатов проделанной работы и презентаций полученных результатов научному сообществу [6, 9]. ИИ радикально трансформируют планирование научных исследований, автоматизируя генерацию идей, анализ литературы и формулировку гипотез, что ускоряет процесс научно-исследовательской деятельности в несколько раз [3]. Указанная технологическая возможность при правильном использовании позволяет фокусироваться на креативных задачах, минимизируя рутину, это особенно становится востребованным в междисциплинарных проектах, где ИИ способствует выявлению взаимосвязей между различными тенденциями.
В связи с этим, информационный портфель исследователя – это совокупность информационных ресурсов (технологий), на базе генеративного искусственного интеллекта оптимизирующие процесс поиска, обработки, интерпретации и презентации научных исследований, посредством использования различных форм, методов и средств доступных исследователю, с соблюдением требований академической честности (этики). ИИ эволюционирует, интегрируя цифровые инструменты открывая новые возможно для исследователя становясь незаменимым ассистентом.
Описание инструментов
Обзор научных исследований (С.И. Бочкова, М.В. Кузьменко, М.В. Мокшанова, П.В. Сысоева и др.) в области формирования информационного портфеля исследователя с использованием технологий генеративного искусственного интеллекта, демонстрирует развитие указанной тематики. В последние годы наблюдается значительный рост публикационной активности, связанной с данной тематикой, так по данными «Elibrary» [21] за 2021 год платформой найдено 6130 публикаций связанных с тематикой ИИ, за 2022 год – 7984 публикаций, за 2023 год – 14813 публикаций, за 2024 год – 27007 публикаций, за 2025 год – 34780 публикаций, по итогу с 2021 по 2025 год на указанной платформе присутствует 90714 научных работ (статей, книг, материалы конференций, диссертаций и т.д.). В данных работах можно выделить следующие направления: этические вопросы использования ИИ в научно-исследовательской деятельности [11, 15], инструменты для поиска и анализа данных [5, 12], оценка эффективности использования ИИ в научном процессе [1, 13].
На основании проведенного анализа научных работ было выявлено несколько направлении использования генеративных технологий на базе ИИ, которые в рамках систематизации отражают следующие направления:
- ИИ в поиске и анализе научных источников;
- ИИ в интерпретации больших данных научных работ;
- ИИ в моделировании (сопровождении научного эксперимента, обобщение статистических данных);
- ИИ в генерации презентационного материала;
- ИИ в оценке результатов научно-исследовательской деятельности (далее – НИД).
1. Значительное внимание уделяется инструментам ИИ для оптимизации поиска и обобщения литературного обзора, генеративные технологии помогают упростить процесс сбора и анализа информации, а также повысить точность и качество итогового текста. ИИ-инструменты анализируют запросы и выдают список наиболее подходящих материалов на заданные тематики, учитывая ключевые слова и фразы, а также анализ цитирований (нейросети оценивают, насколько часто тот или иной источник цитируется). После чего ИИ-инструменты создают краткие аннотации к научным работам, что позволяет быстрее выделить основные идеи авторов/автора, структурировать материал, выделяя ключевые разделы и содержание. Паттерны играют важную роль помогая находить общие/смежные темы и тенденции в литературе, что облегчает формирование общей картины по выбранной тематике.
К ИИ-инструментам для поиска можно отнести: Semantic Scholar, Litmaps, Perplexity и др. Для обобщения информации при написании научных работ или обзоров можно отнести: Scholarcy, Kampus, Neuro-Texter и др.
Semantic Scholar (S2AG) набор данных и API содержат записи об исследовательских работах, опубликованных во всех областях, в виде простого в использовании архива в формате JSON. Открытый исследовательский корпус Semantic Scholar (S2ORC) – это корпус общего назначения для исследований в области обработки естественного языка и интеллектуального анализа научных статей, созданный и поддерживаемый исследовательской группой Semantic Scholar [33]. Статьи объединены в единый источник, чтобы создать самую большую общедоступную коллекцию машиночитаемого научного текста в виде архива в формате JSON.
Litmaps обеспечивает поиск наиболее релевантных статей на основе связей, используя цитаты и ссылки [28]. С помощью сети цитирования и расширенных функций поиска Litmaps поможет быстрее найти самые важные статьи по интересующей теме. Указанный ИИ-инструмент позволяет рассмотреть деятельность исследователя под новым углом, динамически изменяя отображение статей с помощью различных традиционных и уникальных показателей.
Рис. 2. Сетевые возможности использования Litmaps при анализе источников [28].
Scholarcy – это совокупность инструментов на основе ИИ, созданные для научных работников и предназначенных для обобщения, анализа и систематизации источников [31]. Scholarcy преобразует длинные сложные тексты в интерактивные краткие карточки, на которых выделена ключевая информация. Scholarcy – идеальный инструмент для сохранения, систематизации и быстрого анализа научных работ.
Kampus – это образовательная платформа, с помощью которой обучающиеся быстро и просто справляются с учебой: решают задачи, создают презентации, пишут работы и готовятся к экзаменам [27]. Подходит под любую специальность по программам ВУЗов. Kampus предоставляет актуальные источники для письменных работ, подходящие для цитирования по ГОСТу, множество вспомогательных AI, которые могут проверить на ошибки, структурировать информацию, составить план изучения, подготовиться к сессии и многое другое. В Kampus внедрены следующие AI сервисы: ИИ-ассистент для ответов на вопросы, ИИ-ассистент для написания эссе, ИИ-ассистент по задачам, ИИ-ассистент по докладам и рефератам, ИИ-ассистент по сочинению и создания презентационного материала.
2. ИИ используется для интерпретации больших данных научных работ в различных областях, где объемы данных и сложность экспериментов требуют современных вычислительных решений. Генеративные технологии помогают исследователя обрабатывать большие массивы данных, быстро находить закономерности и тестировать гипотезы, обеспечиваю эффективное распределение временных ресурсов и интерпретации полученных результатов. Для интерпретации больших данных научных работ используют [7, 14]: машинное обучение, позволяющее создавать модели, которые самостоятельно обучаются на больших объемах информации и обеспечивают интерпретацию материала по выбранной тематике; глубокое обучение посредством которого используются совокупность нейросетевых моделей для моделирования понятий и поиска паттернов; обработка естественного языка (NLP) автоматизирует анализ научных текстов, выявляет закономерности, предлагает гипотезы и генерирует текст. Программы NLP используются для поиска научных публикаций, обобщения выводов, выбора релевантных статей и извлечения их краткого содержания; предиктивная аналитика помогает исследователям определить наиболее эффективные методы исследования и прогнозировать результаты научных экспериментов еще до их начала. К указанным технологиям ИИ можно отнести следующие модели: SciSpace, Consensus, Elicit AI, Julius AI и др.
В SciSpace используются большие языковые модели для автоматизации и оптимизации исследовательских процессов от начала до конца [32]. SciSpace Data Extractor находит таблицы, статистические данные и цитаты в PDF-файлах научных статей, обобщает основные выводы и экспортирует чистые данные в CSV, Excel или RIS. Далее на рисунке 3 указаны предлагаемые платформой промты (сценарии), направленные получение и интерпретации информации.
Рис. 3. Промты (сценарии) SciSpace [32].
Consensus – это академическая поисковая система, базирующаяся на технологиях ИИ, основанная на базе данных, включающей более 220 миллионов рецензируемых научных статей [20]. В отличие от обычных инструментов на основе ИИ, каждый ответ привязан к реальной научной статье и основан на результатах научных исследований. Это помогает быстро просматривать литературу и эффективно разбираться в сложных темах. В Consensus есть функции искусственного интеллекта, такие как Pro Analysis и Ask Paper, которые делают научный контент более доступным для восприятия, обобщая и систематизируя результаты исследований. Кроме того, сервис предлагает инструменты для оптимизации процесса изучения литературы, в том числе расширенные фильтры поиска и возможность сохранять статьи и упорядочивать их в списки [20].
Julius AI – это многофункциональный ИИ-лаборатория предоставляющая множество инструментов необходимых исследователю или команде исследователей [26]. ИИ-технологи предоставляет возможность анализировать несколько источников (данных) и на их основе получать аналитическую информацию в соответствии с тематикой запросов. В Julius AI может использоваться для получения информации (в рамках задаваемых вопросов), систематизации полученной информации, создании графиков и диаграмм и т.д. На архитектуре Julius AI есть возможность создавать агентов (ИИ-ассистентов), которые самостоятельно отслеживают и систематизируют данные по запросу (например, в течении месяца).
3. ИИ хорошо зарекомендовал себя в моделировании научных процессов, а также в сопровождении научных экспериментов и обобщении статистических данных [8]. Генеративные технологии на базе ИИ позволяют увеличить скорость обработки данных за счет автоматизации процессов, повысить точность путем выявления скрытых закономерностей и сократить количество ошибок, связанных с человеческим фактором. Существует большое количество ИИ-платформ (программного обеспечения на базе ИИ) в рамках которых осуществляется моделирование, их можно разделить на несколько групп: сопровождение научного эксперимента, обобщение статистических данных.
ИИ помогает в планировании и проведении эксперимента, может давать рекомендации моделей и методов, подходящих для обработки определенного эксперимента. Посредством ИИ-моделей (ИИ-лабораторий) происходит перенос эксперимента в цифровую плоскость, что обеспечивает проверку поставленной гипотезы исследования. Среди моделей (лабороторий) ИИ, в рамках которых происходит реализация эксперимента можно отметить: DataMelt (DMelt), TensorFlow Agents, Unity ML Agents, GigaEvo и др.
Агенты TensorFlow упрощают проектирование, внедрение и тестирование новых алгоритмов RL, предоставляя протестированные модульные компоненты, которые можно модифицировать и расширять [35]. Он обеспечивает быструю итерацию кода с хорошей интеграцией тестов и бенчмаркингом. Далее на рисунке 4 указана экосистема TensorFlow (библиотека и ресурсы).
Рис. 4. Экосистема TensorFlow (библиотека и ресурсы) [35].
GigaEvo – это расширяемая исследовательская платформа с открытым исходным кодом, предназначенная для поддержки и развития гибридных методологий оптимизации, которые объединяют большие языковые модели с эволюционными алгоритмами, в частности на основе идей эволюции под руководством больших языковых моделей, примером которой является AlphaEvolve [22]. GigaEvo использует принцип, похожий на естественный отбор, сначала она создает множество идей-кандидатов – возможных решений поставленной задачи. Затем она проверяет их в действии и отбирает самые успешные. На основе лучших создается новое «поколение» решений и цикл повторяется, этот процесс продолжается до тех пор, пока не будет найдено оптимальное решение.
Другую группу составляют ИИ-платформы для обработки статистических данных, направленных на выявление закономерностей и погрешностей. ИИ адаптируются под условия проводимого эксперимента, совершенствуя модели и методы обработки результатов, позволяя на протяжении всей опытно-экспериментальной работы поддерживать высокую точность и актуальность анализа. Среди таких платформ можно выделить: Jadve AI, IBM Watson, Azure AI, ruGPT, SmartBuddy, MashaGPT и др.
Jadve – платформа, предлагающая широкий спектр возможностей для выполнения различных текстовых задач с помощью различных нейросетей [25]. Сервис позволяет создавать тексты на любую тему и общаться с чат-ботами и другими виртуальными ассистентами. ИИ-инструменты подразделяются на следующие категории: изображение, видео, SEO (поисковая оптимизация), письмо, анализ текста, ответы на вопросы, редактирование текста и др.
IBM Watson – это набор продуктов на основе искусственного интеллекта, которые ускоряют внедрение генеративного ИИ в основные рабочие процессы для повышения производительности [24]. IBM Watson Assistant выпустил бета-версию новой модели определения намерений. Намерения – основа любого диалогового интерфейса, такого как чат-боты, – должны точно распознаваться и классифицироваться в соответствии с намерениями пользователя. В результате традиционных алгоритмов машинного обучения, трансферного обучения и передовых методов глубокого обучения, IBM Watson Assistant позволяет значительно улучшить производительность (автономность) и точность, сокращая временные затраты на реализацию поставленных целей и задач [24] (например, проведение эксперимента).
4. В целях обобщения и предоставления полученных научных результатов ИИ применяется для генерации презентационного материала – создания слайдов. ИИ-инструменты анализируют запрос или предоставленный научный текст, распределяя его по блокам, выбирая визуальные элементы и формирую готовую презентацию в форматах PPTX или PDF. Некоторые модели способны добавлять интерактив (видео, ссылки на источники или озвучку при презентации слайдов). Необходимо отметить, что ИИ-инструменты помогают упростить и ускорить работу с презентационным материалом, например, если нужно создать много слайдов (под разные тематики), но полностью заменить деятельность человек в данном направлении они не могут, ведь презентация – это не только картинки и текст. В связи с этим роль исследователя при использовании любых ИИ-моделей заключается в оценке полученных результатов, их верификация и преобразование под конкретные цели и задачи. Среди наиболее популярных ИИ-моделей способных генерировать презентационный материал можно отметить: Gamma, SlidePoint, Prezo, Pitch, Presentations.ai, Prezi, и др.
SlidePoint – это нейросеть для быстрого сознания презентационного материала в PowerPoint Online без необходимых знаний [34]. Автоматическое создание презентации с помощью сервиса SlidePoint значительно упрощает процесс создания документа. Генератор презентаций с помощью нейросети помогает создать грамотную онлайн презентацию с картинками и структурированным содержанием, адаптированным под цели исследователя и аудиторию [34].
Prezi – это ИИ-модель, созданная специально для генерации презентационного материала, на основе предоставленного текста или имеющихся мощностей, адаптируя презентацию под цели и задачи исследователя [30]. Указанная ИИ-модель включает в себя большой инструментарий (включая шаблоны, дизайны и т.д.) необходимые для оформления и предоставления полученных результатов научного исследования. Необходимо отметить, что Prezi может использоваться под разные проекты, обеспечивая структуризацию материала.
5. ИИ в научно-исследовательской деятельности может использоваться как комбинированно, так и в автономном режиме (например, перенос части экспериментов в цифровую плоскость и их оценка). Также необходимо отметить программное обеспеченье позволяющее эффективно осуществлять контроль и оценку образовательных и научно-исследовательских результатов.
ИИ-модели в рамках оценивания НИД можно использовать как для оценки научных работ ученых, с целью выявления закономерностей, требующих дальнейшего обоснования и решения возникающих проблем, так и для оценки собственной научно-исследовательской деятельности (проверка структуры научной работы, корректность используемых методов и правильность полученных статистических данных опытно-экспериментальной работы). Чаще всего для проверки полученных результатов и проделанной НИД используются ИИ-ассистенты (языковые модели, например, ChatGPT, DeepSeek, GigaChat, YandexGPT и др.) оценивающие все структурные элементы научной работы и предлагающие решения по оформлению и проверки согласованности научного материала. К другим специализированным платформам на базе генеративного ИИ, направленные на оценку НИД, можно отнести следующие: AISearch, Chad AI, RoboGPT, GenAPI, GPTunneL, PowerDrill AI, Energent.ai, Claude Opus, AI Scientist и др.
AISearch интегрируется в браузер (в рамках расширения), позволяя мгновенно получать ответы, анализировать информацию и улучшать продуктивность без переключения вкладок [17]. AISearch анализирует документы, помогает исправить ошибки и дает рекомендации по улучшению текста и стиля написания научных работ.
GPTunneL – это агрегатор нейросетей, который объединяет главные ИИ-модели мира: от ChatGPT и Gemini до Suno, Sora и Midjourney [23]. Указанная платформа объединяет более 100 нейросетей, используемые под разные задачи. На рисунке 5 указаны некоторые ИИ-ассистенты (агенты) расположенное на платформе GPTunneL.
Рис. 5. ИИ-ассистенты (агенты) предоставляемые расположенное на платформе GPTunneL [23].
AI Scientist – это полностью автоматизированный конвейер для создания научных статей, созданный благодаря последним достижениям в области базовых моделей [16]. При наличии широкого направления исследований, начинающегося с простой исходной кодовой базы, например с базы открытого исходного кода, содержащей результаты предыдущих исследований на GitHub, The AI Scientist может генерировать идеи, осуществлять поиск литературы, планировать эксперименты, проводить итерации экспериментов, создавать иллюстрации, писать и рецензировать статьи, чтобы в итоге получались содержательные научные работы. Кроме того, The AI Scientist может работать в режиме бесконечного цикла, используя свои предыдущие идеи и обратную связь для улучшения идей следующего поколения, тем самым имитируя работу научного сообщества.
Обобщая все генеративные технологии ИИ, которые оптимизируют научно-исследовательскую деятельность исследователя, необходимо отметить, что исследователь должен проверять полученные данные (верифицировать). Ключевой принцип ИИ – это инструмент усиления научного потенциала, а не замена экспертному мышлению. Далее в таблице 1 представлен информационный портфель исследователя, сочетающий в себе большое количество ИИ-моделей и платформ, оптимизирующих и ускоряющих проведения исследования.
Таблица 1. Информационный портфель исследователя.
|
№ |
Направления использования генеративных технологий |
ИИ-инструменты |
|
|
ИИ в поиске и анализе научных источников |
Semantic Scholar, Elicit, Litmaps, Perplexity, Scholarcy, Kampus, Neuro-Texter и др. |
|
|
ИИ в интерпретации больших данных научных работ |
SciSpace, Consensus, Elicit AI, Julius AI и др. |
|
|
ИИ в моделировании (сопровождении научного эксперимента, обобщение статистических данных) |
DataMelt (DMelt), TensorFlow Agents, Unity ML Agents, GigaEvo, Jadve AI, IBM Watson, Azure AI, ruGPT, SmartBuddy, MashaGPT и др. |
|
|
ИИ в генерации презентационного материала |
Gamma, SlidePoint, Prezo, Pitch, Presentations.ai, Prezi, и др. |
|
|
ИИ в оценке результатов НИД |
ChatGPT, Deepseek, GigaChat, YandexGPT, AISearch, Chad AI, RoboGPT, GenAPI, GPTunneL, PowerDrill AI, Energent.ai, Claude Opus, AI Scientist и др. |
- Необходимо отметить, что в Российской Федерации в рамках НИД разработаны ГОСТы, регламентирующие использование ИИ в научно-исследовательской деятельности. Например, ГОСТ Р 70949-2023 «Технологии искусственного интеллекта в образовании. Применение искусственного интеллекта в научно-исследовательской деятельности. Варианты использования»; ГОСТ Р 71657-2024 «Технологии искусственного интеллекта в образовании. Функциональная подсистема создания научных публикаций. Общие положения»; ГОСТ Р 59898-2021 «Оценка качества систем искусственного интеллекта. Общие положения» и другие [4].
Заключение
Информационный портфель современного исследователя включает разнообразные инструменты, предназначенные для оптимизации процессов: поиск научных источников, анализ больших данных, генерация презентационного материала, моделирование эксперимента и оценка научно-исследовательской деятельности. ИИ-инструменты позволяют ускорить рутинные задачи за счет автоматизации процессов и задач НИД. В свою очередь необходимо учитывать ограничения использования ИИ-технологий, которые используются для поиска и написания литературного обзора, заключаются в следующем: необходимость критически оценивать полученные результаты (проверять информацию и оценивать ее достоверность/релевантность); ограниченность контекста, так как у ИИ нет глубокого понимания контекста исследования, генеративные технологии могут выдавать результаты, которые будут не соответствовать ожидаемым целям, в связи с этим необходимо тщательно продумывать промты и контролировать контекст выдаваемой информации; проблемы с оригинальностью использования ИИ могут привести к проблемам с антиплагиатом.
Перспективным направление использования ИИ-инструментов обусловлено дальнейшей разработкой русскоязычных и специализированных ИИ-технологий, адаптированных под национальные базы (КиберЛенинка, Elibrary). Особое внимание требует интеграция ИИ-метрик в официальные системы аттестации и оценки научно-исследовательской деятельности исследователей (с определение дозволенного использования ИИ-технологий).
Таким образом ИИ может стать незаменимым помощником (ассистентом) для исследователя, предоставляя всесторонний инструментарий, необходимый для проведения исследования. Информационный портфель исследователя в эпоху ИИ становится мощным инструментом повышающий конкурентоспособность науки, обеспечивая переход от рутинных операций к творческому поиску новых знаний.
1. Бочков, С. И. О роли «искусственного интеллекта» в оценке научной деятельности / С. И. Бочков // Науковедческие исследования. – 2024. – № 2. – С. 106-119.
2. Ерофеева, М. А. К вопросу об использовании искусственного интеллекта в научно-исследовательской деятельности обучающихся (адъюнктов / аспирантов, студентов) / М. А. Ерофеева, М. Ю. Кузнецов, Б. Р. Кодиров // Вестник Воронежского государственного университета. Серия: Проблемы высшего образования. – 2024. – № 3. – С. 19-22. – EDN EOTZBB.
3. Как ИИ трансформирует фундаментальную и прикладную науку. URL: https://www.kommersant.ru/doc/7973082 (дата обращения: 23.02.2025).
4. Каталог ГОСТ. URL https://internet-law.ru/gosts/gost/83601/ (дата обращения: 03.03.2025).
5. Кузьменко, М. В. Искусственный интеллект в исследовательской деятельности и академическом письме: аналитический обзор направлений и ограничений применения / М. В. Кузьменко // Непрерывное образование: XXI век. – 2025. – Т. 13, № 3. – С. 22-42.
6. Лопастейская, Л. Г. Этапы работы над научным исследованием / Л. Г. Лопастейская, А. Д. Головко // Наука и образование сегодня. – 2019. – № 7(42). – С. 57-58.
7. Мокшанов, М. В. Применение искусственного интеллекта в анализе данных: обзор текущего состояния и будущих направлений / М. В. Мокшанов // Universum: технические науки. – 2024. – № 5-1(122). – С. 40-48.
8. Наука в эпоху ИИ. URL: https://www.vedomosti.ru/partner/articles/2025/11/26/1157635-nauka-epohu (дата обращения: 23.02.2025).
9. Организация и технология процесса научного исследования. URL: https://www.bibliofond.ru/view.aspx?id=788817#text (дата обращения: 23.02.2025).
10. Политика журнала в отношении использования генеративного искусственного интеллекта. URL: https://orgpsyjournal.hse.ru/ai (дата обращения: 23.02.2025).
11. Сысоев, П. В. Использование студентами средств генеративного искусственного интеллекта при подготовке квалификационных работ / П. В. Сысоев // Перспективы науки и образования. – 2025. – № 5(77). – С. 634-649.
12. Таменова, С. С. Искусственный интеллект в академических исследованиях: возможности, вызовы и перспективы / С. С. Таменова, Г. У. Хаджиева // Статистика, учет и аудит. – 2025. – № 3(98). – С. 264-277. – DOIhttps://doi.org/10.51579/1563-2415.2025.-3.19.
13. Третьяк, М. И. Выполнение дипломной работы с помощью технологий искусственного интеллекта в современных условиях: фальсификация или оригинальное самостоятельное исследование? / М. И. Третьяк, И. В. Горячий // Гуманитарные и юридические исследования. – 2024. – Т. 11, № 1. – С. 160-167.
14. Ученый совет: как искусственный интеллект помогает научным исследованиям. URL: https://trends.rbc.ru/trends/industry/6749602a9a7947ebf273add1?from=copy (дата обращения: 01.03.2026).
15. Харунжа, В. В. Правовые и этические аспекты использования искусственного интеллекта при создании научных текстов / В. В. Харунжа, Н. А. Береснева, О. Г. Степаненко // Human Progress. – 2025. – Т. 11, № 4. – DOIhttps://doi.org/10.46320/2073-4506-2025-4a-35.
16. AI Scientist. URL: https://sakana.ai/ai-scientist/ (дата обращения: 04.03.2025).
17. AISearch. URL: https://aisearch.ru/ (дата обращения: 04.03.2025).
18. Authorship and AI tools. URL: https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools (дата обращения: 23.02.2025).
19. Chatbots, Generative AI, and Scholarly Manuscripts. URL: https://wame.org/page3.php?id=106 (дата обращения: 23.02.2025).
20. Consensus. URL: https://help.consensus.app/en/ (дата обращения: 02.03.2026).
21. Elibrary. URL: https://www.elibrary.ru/ (дата обращения: 23.02.2025).
22. GigaEvo: Hybrid LLM & Evolution Framework. URL: https://www.emergentmind.com/topics/gigaevo (дата обращения: 03.03.2025).
23. GPTunneL. URL: https://gptunnel.ru/ (дата обращения: 04.03.2025).
24. IBM Watson — watsonx. URL: https://www.ibm.com/watson (дата обращения: 03.03.2025).
25. Jadve. URL: https://aidive.org/ai/jadve (дата обращения: 03.03.2025).
26. Julius AI. URL: https://julius.ai/faq/chat-start-guide (дата обращения: 03.03.2026).
27. Kampus. URL: https://kampus.ai/ (дата обращения: 02.03.2026).
28. Litmaps. URL: https://www.litmaps.com/about/us (дата обращения: 02.03.2026).
29. New white paper launch: Generative AI in Scholarly Communications. URL: https://stm-assoc.org/new-white-paper-launch-generative-ai-in-scholarly-communications/ (дата обращения: 23.02.2025).
30. Prezi. URL: https://prezi.com/ (дата обращения: 03.03.2025).
31. Scholarcy. URL: https://www.scholarcy.com/ (дата обращения: 02.03.2026).
32. SciSpace. URL: https://scispace.com/concepts (дата обращения: 02.03.2026).
33. Semantic Scholar. URL: https://www.semanticscholar.org/about (дата обращения: 02.03.2026).
34. SlidePoint. URL: https://slidepoint.online/ (дата обращения: 03.03.2025).
35. TensorFlow Agents. URL: https://www.tensorflow.org/agents/overview?hl=ru (дата обращения: 03.03.2025).
