Preview

Информатика и образование

Расширенный поиск

Автоматизированное сравнение научных исследований на базе академической генеалогии

https://doi.org/10.32517/0234-0453-2025-40-6-16-27

Аннотация

   Статья посвящена задаче анализа больших корпусов научных текстов. Отмечается, что традиционные наукометрические подходы, основанные на анализе цитирований, не всегда позволяют оценить содержательную близость идей и проследить интеллектуальную преемственность научных знаний. В работе предлагается алгоритм, сочетающий возможности больших языковых моделей (БЯМ) и количественных методов анализа. Подход включает два этапа. На первом этапе БЯМ используется для анализа содержания научной работы в соответствии с иерархическим классификатором и преобразования полученных данных в машиночитаемый формат в виде JSON-объекта. В результате каждой научной работе ставится в соответствие вектор ее тематического профиля. На втором этапе производится сравнение тематических профилей как отдельных работ, так и заранее заданных групп (научных школ) по расстояниям между центроидами и с применением методов кластерного анализа. Конечная цель подхода — перейти от формального анализа связей между исследователями (например, «научный руководитель — диссертант») к построению интеллектуальной генеалогии, отслеживающей эволюцию научных школ на основе содержательной близости их идей. Подчеркивается, что предложенный подход не заменяет экспертную оценку, а служит вспомогательным инструментом для навигации в научной литературе и выявления связей между исследованиями.

Об авторах

А. Х. Мариносян
Московский городской педагогический университет
Россия

Андреас Хачатурович Мариносян, аспирант

Институт цифрового образования; департамент информатизации образования

Москва



С. Г. Григорьев
Московский городской педагогический университет
Россия

Сергей Георгиевич Григорьев, чл.-корр. РАО, доктор тех. наук, профессор, профессор департамента

Институт цифрового образования; департамент информатики, управления и технологий

Москва



И. М. Лернер
Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ; Казанский (Приволжский) федеральный университет
Россия

Илья Михайлович Лернер, доктор тех. наук, профессор, профессор кафедры

Институт радиоэлектроники, фотоники и цифровых технологий; кафедра нанотехнологий в электронике; Институт физики; кафедра радиоастрономии

Республика Татарстан; Казань



М. А. Аникьева
Сибирский федеральный университет
Россия

Марина Анатольевна Аникьева, канд. тех. наук, доцент

Институт космических и информационных технологий; кафедра систем искусственного интеллекта

Красноярск



Список литературы

1. Григорьев С. Г., Лернер И. М., Мариносян А. Х., Арутюнова Н. К., Григорьева М. А. К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм априорной классификации авторов. Информатика и образование. 2025;40(2):66–78. EDN: YDTFTG. DOI: 10.32517/0234-0453-2025-40-2-66-78.

2. Григорьев С. Г., Лернер И. М., Мариносян А. Х., Григорьева М. А. К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм подбора авторов литературы с учетом эмоционально-психологических особенностей пользователей на базе идей академической генеалогии. Информатика и образование. 2025;40(3):69–79. EDN: DVPEUJ. DOI: 10.32517/0234-0453-2025-40-3-69-79.

3. Лернер И. М., Мариносян А. Х., Григорьев С. Г., Юсупов А. Р., Аникьева М. А., Гарифуллина Г. А. Подход к формированию интеллектуальной академической генеалогии с использованием больших языковых моделей. Электромагнитные волны и электронные системы. 2024;29(4):108–120. EDN: BSNYZW. DOI: 10.18127/j5604128-202404-09.

4. de Solla Price D. J., Beaver D. Collaboration in an invisible college. American Psychologist. 1966;21(11):1011–1018. DOI: 10.1037/h0024051.

5. Gallon M., Law J., Rip A. (Eds) Mapping the dynamics of science and technology: Sociology of Science in the Real World. Houndmills: Macmillan Press; 1986. 242 p.

6. Salton G., Wong A., Yang C. S. A vector space model for automatic indexing. Communications of the ACM. 1975;18(11):613–620. DOI: 10.1145/361219.361220.

7. Lu Yonghe, Li Yanfeng. Improvement of text feature weighting method based on TF-IDF algorithm. Library and Information Service. 2013;57(3):90–95. (In Chinese.)

8. Herlocker J. L., Konstan J. A., Terveen L. G., Riedl J. T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems. 2004;1(22):5–53. DOI: 10.1145/963770.963772.

9. Ji W., Liu S., Song Y., Qi J. Research of Intelligent recommendation system based on the user and association rules mining for books. Proc. 2015 5<sup>th</sup> Int.Conf. on Computer Sciences and Automation Engineering. Atlantis Press; 2016:294–299. DOI: 10.2991/iccsae-15.2016.56.

10. Yao Y. Library resource vertical search engine based on ontology. 2017 Int. Conf. on Smart Grid and Electrical Automation (ICSGEA). IEEE, Changsha, China; 2017:672–675. DOI: 10.1109/ICSGEA.2017.159.

11. Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet allocation. Journal of Machine Learning Research. 2003;3:993–1022.

12. Griffiths T. L., Steyvers M. Finding scientific topics. Proc. of the National Academy of Sciences. 2004;101(suppl_1):5228–5235. DOI: 10.1073/pnas.0307752101.

13. Asmussen C. B., Møller C. Smart literature review : A practical topic modelling approach to exploratory literature review. Journal of Big Data. 2019;6(1):1–18. DOI: 10.1186/s40537-019-0255-7.

14. Blei D. M., Lafferty J. D. Dynamic topic models. ICML ‘06: Proc. 23<sup>rd</sup> Int. Conf. on Machine Learning. New York, Association for Computing Machinery; 2006:113–120. DOI: 10.1145/1143844.1143859.

15. Beltagy I., Lo K., Cohan A. SciBERT: A pretrained language model for scientific text. Proc. 2019 Conf. on Empirical Methods in Natural Language Processing and the 9<sup>th</sup> Int. Joint Conf. on Natural Language Processing (EMNLP— IJCNLP). Kerrville, TX, Association for Computational Linguistics; 2019:3615–3620. DOI: 10.18653/v1/D19-1371.

16. Hogan A., Blomqvist E., Cochez M., d’Amato C., Melo G. D., Gutierrez C., Kirrane S., Gayo J. E. L., Navigli R., Neumaier S., Ngomo A. C. N. Knowledge graphs. ACM Computing Surveys (CSUR). 2021;54(4):1–37. DOI: 10.1145/3447772.

17. Auer S., Oelen A., Haris M., Stocker M., D’Souza J., Farfar K. E., Vogt L., Prinz M., Wiens V., Jaradeh M. Y., Improving access to scientific literature with knowledge graphs. Bibliothek Forschung und Praxis. 2020;44(3):516–529. DOI: 10.1515/bfp-2020-2042.

18. Himmelstein D. S., Lizee A., Hessler C., Brueggeman L., Chen S. L., Hadley D., Green A., Khankhanian P., Baranzini S. E. Systematic integration of biomedical knowledge prioritizes drugs for repurposing. eLife. 2020;6(e26726). DOI: 10.7554/eLife.26726.

19. Гурьянов В. И., Елизаров А. М. Программный модуль формирования цифрового математического пространства на основе графов знаний. Электронные библиотеки. 2025; 28(3):622–639. EDN: PEVYAR. DOI: 10.26907/1562-5419-2025-28-3-622-639.

20. Shamsabadi S., D’Souza J., Auer S. Large language models for scientific information extraction: An empirical study for virology. Findings of the Association for Computational Linguistics: EACL 2024. Kerrville, TX, Association for Computational Linguistics; 2024:374–392.

21. Taylor R., Kardas M., Cucurull G., Scialom T., Hartshorn A., Saravia E., Poulton A., Kerkez V., Stojnic R. Galactica: A large language model for science. arXiv preprint. 2022:2211.09085.

22. Беспалько В. П. Программированное обучение. Дидактические основы. М.: Высшая школа; 1970. 296 c. EDN: ZHYULR.

23. Anderson M. J. A new method for non-parametric multivariate analysis of variance. Austral Ecology. 2001;26(1):32–46. DOI: 10.1111/j.1442-9993.2001.01070.pp.x.

24. Rousseeuw P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics. 1987;20:53–65. DOI: 10.1016/0377-0427(87)90125-7.


Рецензия

Для цитирования:


Мариносян А.Х., Григорьев С.Г., Лернер И.М., Аникьева М.А. Автоматизированное сравнение научных исследований на базе академической генеалогии. Информатика и образование. 2025;40(6):16-27. https://doi.org/10.32517/0234-0453-2025-40-6-16-27

For citation:


Marinosyan A.Kh., Grigoriev S.G., Lerner I.M., Anikieva M.A. Automated comparison of scientific research based on academic genealogy. Informatics and education. 2025;40(6):16-27. (In Russ.) https://doi.org/10.32517/0234-0453-2025-40-6-16-27

Просмотров: 51


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)