Цель исследования. Работа посвящена актуальным вопросам проверки на объем заимствованного текста в выпускной квалификационной работе в техническом вузе с учетом вероятности использовании обучающимися возможностей искусственного интеллекта. Проблема плагиата, в частности плагиата выпускных квалификационных работ (дипломных работ), всегда была на повестке дня. Некоторые студенты при написании выпускных квалификационных работ склонны заимствовать тексты работ, защищенных в предыдущие годы, что привело к необходимости организации проверки текстов всех работ текущего года выпуска на плагиат. Существуют различные методы, которые дают возможность легко обойти такую проверку. Указанная проблема особенно обострилась в последниегоды в связи с развитием информационных технологий. Широкое внедрение генеративного искусственного интеллекта привело к возникновению новой проблемы – необходимости проверки выпускной квалификационной работы научным руководителем  и/или назначенным ответственным лицом на наличие текста,  сгенерированного искусственным интеллектом.  В данной статье рассматриваются особенности проверки на плагиат текстов выпускных квалификационных работ студентов, обучающихся по направлениям, связанным с информационными технологиями, с учетом потенциальной возможности использования студентами генеративного искусственного  интеллекта, в частности программного обеспечения ChatGPT  и GitHub Copilot. Материалы и методы. Использован метод компаративного анализа научных публикаций, посвященных проверке на плагиат и вопросам применения искусственного интеллекта в образовательном процессе. Существующие методики проверки на плагиат неактуальны при проверке текстов, сгенерированных искусственным интеллектом. Рассмотрены признаки и примеры таких текстов. Экспериментальным путем выявлены тренды в среде обучающихся в техническом университете по отношению к применению генеративного искусственного интеллекта, в частности программного обеспечения ChatGPT и GitHub Copilot при написании выпускных квалификационных работ. Проверены возможности применения ряда программ по детектированию текстов, сгенерированных искусственным интеллектом. Результаты исследования. Проведен анализ результатов проверки на плагиат текстов, сгенерированных системой искусственного интеллекта, и подготовленных методистом. Обсуждена проблема однозначного автоматического выявления использования генеративных нейросетей студентами в процессе подготовки выпускной квалификационной работы в силу наличия ложноположительных срабатываний. Представляется целесообразным широкое внедрение систем проверки текста выпускной квалификационной работы на предмет наличия текста, сгенерированного системами искусственного интеллекта. Однако тестовое использование существующих систем проверки показало, что достоверность проверки на наличие текста, сгенерированного системами искусственного интеллекта, является весьма спорной.  Процент выявленного заимствования может варьироваться как в сторону понижения, так и повышения с некорректными выводами. Обсуждены проблемы, вызванные особенностями обучения студентов технического вуза. Предложен подход к проверке материалов выпускной работы на наличие ИИ-плагиата. Заключение. Отмечена важность и необходимость проверки оригинальности выпускных квалификационных работ на заимствования как текстов работ прошлых лет, так и использования текстов и программ, сгенерированных системами искусственного интеллекта. Авторами предложены возможные подходы к организации учебного процесса в техническом вузе с учетом накопленного опыта, а также пути решения рассмотренных в работе проблем, в частности, предложено введение обязательной маркировки как текста, так и программного кода, созданного системой искусственного интеллекта. Кроме того, подчеркнута необходимость разработки методик обучения, включающих формирование рефлексивности.

Цель исследования заключается в теоретическом обосновании значимости внедрения электронных библиотечных систем в образовательный процесс с акцентом на формирование информационной компетентности обучающихся в высшем учебном заведении. В условиях стремительной цифровизации образовательной среды становится необходимым определить ключевые навыки, которые помогут студентам эффективно взаимодействовать с информационными ресурсами. Исследование направлено на выявление преимуществ использования электронных библиотечных систем как инструмента для развития критического мышления и преодоления барьеров на пути к освоению современных информационных технологий. Материалы и методы исследования включают анализ литературных источников и нормативной документации, что позволило сформулировать теоретические основы формирования информационной компетенции у студентов. Применение компетентностного подхода способствовало систематизации знаний о необходимых навыках работы с информацией. Для иллюстрации успешного применения электронных библиотечных систем в образовательном процессе был использован кейс-метод, который демонстрирует практическую значимость исследования. Также применялся сравнительный анализ для выявления соответствия навыков работы с электронными библиотечными системами индикаторам ключевых компетенций обучающихся. Результаты показывают, что в эпоху тотальной цифровизации образовательного процесса компетентностный подход остается эффективной стратегией, обеспечивающей систематический контроль и поддержку развития компетенций студентов на всех этапах обучения, начиная с формирования базовых навыков и заканчивая достижением профессионального мастерства. Отмечается рост интереса к информационной компетенции среди исследователей и преподавателей, что делает её приоритетной стратегией развития образовательных систем. Электронные библиотечные системы на законодательном уровне стали неотъемлемыми компонентами электронной информационно-образовательной среды вуза. Однако их внедрение в учебный процесс связано с рядом трудностей, требующих изучения и преодоления для широкого применения. Рассмотрен положительный опыт внедрения модульного обучения студентов работе с ЭБС. Наглядно продемонстрировано соответствие навыков, получаемых студентами при работе с библиотечными системами, индикаторам достижения ключевых компетенций, что подтверждает положительное влияние такого обучения на формирование информационной компетентности как ключевого свойства личности в эпоху цифровизации. Заключение подчеркивает, что формирование информационной компетентности будущих специалистов еще на этапе обучения является необходимым условием для успешной профессиональной деятельности. Это согласуется с идеями опережающего образования и требует трансформации системы образования. Обучение принципам работы информационных систем через информационно-коммуникационные технологии в электронной информационно-образовательной среде вуза играет важную роль в этом процессе, развивая информационную компетентность и подготавливая студентов к профессиональной деятельности в условиях цифрового общества. В конечном итоге, такие изменения будут способствовать созданию более гибкой и конкурентоспособной системы образования, отвечающей вызовам современной эпохи.

Цель. Целью статьи является обоснование применения разработанной модели диагностики познавательной активности в системе среднего профессионального образования при освоении обучающимися учебной дисциплины «Информатика». Материал и методы исследования. Идея исследования связана с применением разработанной модели диагностики познавательной активности в системе среднего профессионального образования при освоении студентами программы общеобразовательной дисциплины «Информатика». Реализация разработанной модели диагностики базируется на синтезе высокоформализованных и низкоформализованных методик в целях получения максимально достоверной картины об уровне познавательной активности контингента на занятиях по информатике. Разработанная модель диагностики познавательной активности позволяет получить педагогически значимую информацию, которая характеризует динамику изменения уровня познавательной активности при выполнении специальных психолого-педагогических тестов, а также учебных заданий и составить достоверную картину о результативности учебного процесса в исследуемых группах студентов системы среднего профессионального образования с учетом когнитивного, педагогического, социального критериев, а также с учетом уровня начальной подготовки по информатике. Модель диагностики уровня усвоения учебного материала по информатике и познавательной активности включает в себя оценивание полученных знаний, выработку профессиональных умений и навыков и стимулирование студентов на постоянное совершенствование и применение профессиональных навыков на регулярной основе. При этом, рубежный контроль является индикатором уровня знаний содержания учебного материала, промежуточный контроль является демонстрацией овладения практическими навыками, а стимулирующие баллы вводят компонент мотивации, что оказывает влияние на уровень познавательной активности обучающегося. Познавательная активность в контексте исследования определена, как когнитивно-психолого-социальный отклик на познавательный процесс, определяющий личностно-мотивационный интерес к осознанному усвоению знаний и умений предметной области и является структурным компонентом результативности учебного процесса по информатике. Результаты. На основе выявленной сущности познавательной активности в предметной подготовке составлена, обоснована и апробирована в реальном учебном процессе модель диагностики познавательной активности студентов системы среднего профессионального образования на занятиях по информатике, позволяющая составить достоверную картину о результативности учебного процесса в исследуемых группах учетом когнитивного, психологического и социального критериев, а также уровня начальной подготовки по информатике. Заключение. Применение разработанной модели диагностики познавательной активности при помощи покомпонентной экспертной оценки интеллектуальной инициативы в контексте результативности обучения информатике способствует персонифицированной и групповой идентификации студентов системы среднего профессионального образования, а также позволяет проводить сравнительные оценки итоговых рейтинговых показателей в каждой из отдельных групп студентов с целью корректировки и дополнения избранных методов и средств обучения. Материалы статьи могут быть полезны для преподавателей системы среднего и высшего профессионального образования.

Цель. Целью статьи является обоснование применения разработанной модели диагностики познавательной активности в системе среднего профессионального образования при освоении обучающимися учебной дисциплины «Информатика».

Методология исследования. Идея исследования связана с применением разработанной модели диагностики познавательной активности в системе среднего профессионального образования при освоении студентами программы общеобразовательной дисциплины «Информатика». Реализация разработанной модели диагностики базируется на синтезе высокоформализованных и низкоформализованных методик в целях получения максимально достоверной актины об уровне познавательной активности контингента на занятиях по информатике. Разработанная модель диагностики познавательной активности позволяет получить педагогически значимую информацию, которая характеризует динамику изменения уровня познавательной активности при выполнении специальных психолого-педагогических тестов, а также учебных заданий и составить достоверную картину о результативности учебного процесса в исследуемых группах.

Познавательная активность в контексте исследования определена, как когнитивно-психолого-социальный отклик на познавательный процесс, определяющий личностно-мотивационный интерес к осознанному усвоению знаний и умений предметной области и является структурным компонентом результативности учебного процесса по информатике.

Результаты. На основе выявленной сущности познавательной активности в предметной подготовке составлена, обоснована и апробирована в реальном учебном процессе модель диагностики познавательной активности студентов системы среднего профессионального образования на занятиях по информатике, позволяющая составить достоверную картину о результативности учебного процесса в исследуемых группах.

Выводы. Применение разработанной модели диагностики познавательной активности при помощи покомпонентной экспертной оценки интеллектуальной инициативы в контексте результативности обучения информатике способствует персонифицированной и групповой идентификации студентов системы среднего профессионального образования, а также позволяет проводить сравнительные оценки итоговых рейтинговых показателей в каждой из отдельных групп студентов.

Научная актуальность исследования В эпоху стремительного увеличения объемов данных, генерируемых пользователями социальных сетей, анализ текстовых данных, таких как комментарии, становится одной из ключевых задач современной науки. Комментарии представляют собой ценный источник информации, позволяя выявлять общественные настроения, анализировать мнения пользователей и отслеживать социальные тренды. Однако из-за слабоструктурированного или полностью неструктурированного характера этих данных их обработка требует применения инновационных подходов

            Целью данного исследования является разработка интеллектуальной системы для обработки слабоструктурированных данных, получаемых из комментариев на видео в социальных сетях, с использованием алгоритмов структуризации, ориентированных на различные отрасли. Исследование направлено на создание эффективного метода анализа тональности, кластеризации и извлечения ключевых тем из комментариев с целью оценки воздействия видео-контента на аудиторию. В результате исследования будет предложен подход к автоматическому выделению и структурированию данных по отраслям, что позволит более точно и глубоко анализировать восприятие контента и его влияние на различные социальные и профессиональные сферы.

Методы: Разработка интеллектуальной системы для анализа слабоструктурированных данных требует применения инновационных методов и подходов, сочетающих в себе обработку естественного языка (NLP), алгоритмы машинного обучения и методы анализа больших данных. Эти методы включают: автоматическое извлечение данных через API, предварительную обработку, адаптированную для трех языков (французского, английского и русского), глубокий анализ настроений с помощью продукта Bert и вероятностного алгоритма для статистических расчетов, а также кластеризацию с помощью алгоритмов K-Means, DBSCAN и Agglomerative.

Материалы основывается на комментариях из социальных сетей (TikTok, Instagram, Twitter, Facebook, YouTube, Reddit, ВКонтакте) на русском, английском и французском языках. Для предобработки применялись библиотеки SpaCy и NLTK, а модель Hugging Face Transformers работала с предобученными моделями для анализа настроений. Использованы методы машинного обучения, включая кластеризацию и обработку естественного языка. Данные структурированы с помощью тематического моделирования и языковых моделей, реализованных с помощью Python-библиотек.

Результаты исследования позволили: Разработка интеллектуальной системы для обработки слабо структурированных данных позволила улучшить анализ комментариев к видеороликам в социальных сетях благодаря комбинации различных моделей машинного обучения и алгоритмов. Результаты исследования позволили нам разработать прототип инструмента для анализа комментариев, который эффективно собирает и структурирует данные из различных социальных сетей. Эта структуризация данных привела к лучшей организации и повышенной доступности информации, что облегчило их использование. Используя методы обработки естественного языка (NLP), мы выявили ключевые темы и эмоции комментариев, проводя анализ настроений, который освещает основные эмоциональные тренды. Методы кластеризации, такие как K-средние, сгруппировали комментарии по схожим темам. Кроме того, мы создали визуализации, показывающие распределение настроений, что позволяет пользователям быстро интерпретировать данные. Интеграция методов визуализации преобразует сложные аналитические результаты в интуитивно понятные графики, что облегчает понимание взаимодействия пользователей с контентом. Таким образом, наша система оказывается эффективной для предоставления ценных инсайтов и оптимизации стратегий взаимодействия с аудиторией.

Заключение. Результаты исследования показали, что предложенный подход значительно улучшает точность классификации и структурирования слабо структурированных данных, особенно когда речь идет о комментариях, извлеченных из видеороликов в социальных сетях. Разработанная система использует алгоритмы обработки естественного языка для анализа данных с учетом их отраслевой принадлежности, что позволяет автоматически структурировать комментарии в зависимости от их содержания и проводить подробный анализ тональности. Эффективность данного подхода была подтверждена на примере анализа комментариев с различных социальных платформ, что продемонстрировало его способность извлекать и структурировать релевантную информацию, а также оценивать влияние видеороликов через реакции пользователей

Научная актуальность исследования. В эпоху стремительного увеличения объемов данных, генерируемых пользователями социальных сетей, анализ текстовых данных, таких как комментарии, становится одной из ключевых задач современной науки. Комментарии представляют собой ценный источник информации, позволяя выявлять общественные настроения, анализировать мнения пользователей и отслеживать социальные тренды. Однако из-за слабо структурированного или полностью неструктурированного характера этих данных их обработка требует применения инновационных подходов. Целью данного исследования является разработка интеллектуальной системы для обработки слабоструктурированных данных, получаемых из комментариев на видео в социальных сетях, с использованием алгоритмов структуризации, ориентированных на различные отрасли. Исследование направлено на создание эффективного метода анализа тональности, кластеризации и извлечения ключевых тем из комментариев с целью оценки воздействия видео-контента на аудиторию. В результате исследования будет предложен подход к автоматическому выделению и структурированию данных по отраслям, что позволит более точно и глубоко анализировать восприятие контента и его влияние на различные социальные и профессиональные сферы. Методы: Разработка интеллектуальной системы для анализа слабоструктурированных данных требует применения инновационных методов и подходов, сочетающих в себе обработку естественного языка (NLP), алгоритмы машинного обучения и методы анализа больших данных. Эти методы включают: автоматическое извлечение данных через API, предварительную обработку, адаптированную для трех языков (французского, английского и русского), глубокий анализ настроений с помощью продукта Bert и вероятностного алгоритма для статистических расчетов, а также кластеризацию с помощью алгоритмов K-Means, DBSCAN и Agglomerative. Материалы основываются на комментариях из социальных сетей (TikTok, Instagram, Twitter, Facebook, YouTube, Reddit, ВКонтакте) на русском, английском и французском языках. Для предобработки применялись библиотеки SpaCy и NLTK, а модель Hugging Face Transformers работала с предобученными моделями для анализа настроений. Использованы методы машинного обучения, включая кластеризацию и обработку естественного языка. Данные структурированы с помощью тематического моделирования и языковых моделей, реализованных с помощью Python-библиотек. Результаты исследования. Разработка интеллектуальной системы для обработки слабо структурированных данных позволила улучшить анализ комментариев к видеороликам в социальных сетях благодаря комбинации различных моделей машинного обучения и алгоритмов. Результаты исследования позволили нам разработать прототип инструмента для анализа комментариев, который эффективно собирает и структурирует данные из различных социальных сетей. Эта структуризация данных привела к лучшей организации и повышенной доступности информации, что облегчило их использование. Используя методы обработки естественного языка (NLP), мы выявили ключевые темы и эмоции комментариев, проводя анализ настроений, который освещает основные эмоциональные тренды. Методы кластеризации, такие как K-средние, сгруппировали комментарии по схожим темам. Кроме того, мы создали визуализации, показывающие распределение настроений, что позволяет пользователям быстро интерпретировать данные. Интеграция методов визуализации преобразует сложные аналитические результаты в интуитивно понятные графики, что облегчает понимание взаимодействия пользователей с контентом. Таким образом, наша система оказывается эффективной для предоставления ценных инсайтов и оптимизации стратегий взаимодействия с аудиторией. Заключение. Результаты исследования показали, что предложенный подход значительно улучшает точность классификации и структурирования слабо структурированных данных, особенно когда речь идет о комментариях, извлеченных из видеороликов в социальных сетях. Разработанная система использует алгоритмы обработки естественного языка для анализа данных с учетом их отраслевой принадлежности, что позволяет автоматически структурировать комментарии в зависимости от их содержания и проводить подробный анализ тональности. Эффективность данного подхода была подтверждена на примере анализа комментариев с различных социальных платформ, что продемонстрировало его способность извлекать и структурировать релевантную информацию, а также оценивать влияние видеороликов через реакции пользователей.

Целью исследования является разработка методов реализации многоагентной системы сетевого предприятия в рамках микросервисной архитектуры цифровой платформы. В этой связи предлагаются методы реализации агентов с помощью сервисов, автоматизирующих функции производственных и бизнес-процессов, и сервисов, исполняющих функции цифровой платформы. В основе построения программных агентов положена структура административных оболочек активов, используемых в активном и проактивном режимах. Материалы и методы исследования. В качестве метода исследования предлагается использовать усовершенствованный метод функционального проектирования на основе архитектурных фреймворков консорциума промышленного интернета (IIRA) и платформы индустрии четвертого поколения (RAMI), российских государственных стандартов («Цифровые двойники», «Цифровая фабрика», «Умное производство»), а также метода анализа возможностей предприятия. Результаты. Основными результатами исследования являются построение схемы компонентного состава концептуальной модели цифровой платформы, алгоритмы формирования запроса на производство компонентов продукта и его оценки программными агентами цифровой платформы в форме диаграмм последовательности, Заключение. Полученные результаты позволяют повысить интероперабельность и гибкость конфигурации цепочек создания стоимости на основе сервисной реализации многоагентной системы.

В данной работе рассматривается роль искусственного интеллекта (ИИ) в развитии цифровой экономики. Проанализированы ключевые направления использования ИИ в различных отраслях: от прогнозирования рыночных тенденций и оптимизации производственных процессов до повышения эффективности логистики и финансовых операций. Особое внимание уделено моделям машинного обучения, позволяющим анализировать большие объемы данных для принятия стратегических решений. Также затронуты вызовы, связанные с внедрением ИИ, включая вопросы кибербезопасности, утраты рабочих мест и этических аспектов. В работе представлены практические примеры использования ИИ для анализа рынка и оценки влияния автоматизации на занятость. Итогом исследования стало обобщение, что грамотное внедрение ИИ способствует повышению конкурентоспособности стран, ускорению инноваций и устойчивому экономическому росту в условиях глобальной цифровизации. Материалы и методы. Для анализа рынка с использованием искусственного интеллекта можно применить несколько простых методов на Python, включая анализ данных с помощью библиотек, таких как pandas для обработки данных и scikit-learn для машинного обучения. Один из самых простых вариантов — это анализ трендов с использованием метода регрессии. Вот пример простого кода для анализа рынка с использованием линейной регрессии. Результаты. В конечном итоге мы создаем модель, которая прогнозирует объем продаж на основе цены товара. Мы используем простую линейную регрессию для анализа зависимости между ценой и количеством проданных единиц товара. Код также визуализирует зависимость между ценой и объемом продаж, а также выводит коэффициенты модели. Заключение.Применение методов искусственного интеллекта, таких как линейная регрессия, позволяет эффективно анализировать рыночные тенденции и выявлять зависимости между ключевыми показателями, например, ценой и объемом продаж. Использование библиотек Python, таких как pandas и scikit-learn, упрощает обработку данных и построение прогнозных моделей. Визуализация результатов помогает лучше интерпретировать полученные зависимости, что может быть полезным инструментом для принятия обоснованных управленческих решений и оптимизации маркетинговых стратегий.