Труды КНЦ (Технические науки вып.3/2025(16))

В работе приводятся базовые промпты для генерации тестовых вопросов, эталонных ответов, а также для проверки результатов тестирования и формирования отчетов на основании этих результатов. Исследования показали, что уже на текущем этапе система вполне удовлетворительно способна решать большинство стоящих перед ней задач, в частности регулировать сложность вопросов относительно ответов пользователя при формировании индивидуальной траектории обучения и определять уровень квалификации пользователей, что востребовано в исследовательской деятельности. Однако более интеллектуальные механизмы генерации вопросов, а также их адаптивного подбора во время тестирования, по всей видимости, требует привлечения дополнительных инструментов и технологий. На текущий момент учет и анализ контекста выполняются преимущественно на основе RAG-технологии. В дальнейшем для повышения точности обработки информации планируется применять онтологии предметных областей. В качестве еще одного направления исследований можно отметить целесообразность доработки блока арифметического подсчета результатов, улучшения модуля динамического выбора вопросов, а также реализации алгоритмов для работы с формулами. Список источников 1. Большая языковая модель [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/%D0%91%D0% BE%D0%BB%D1%8C%D1%88%D0%B0%D1%8F_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2 %D0%B0%D1%8F_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C (дата обращения: 01.10.2025). 2. Gao Y et al. Retrieval-Augmented Generation for Large Language Models: A Survey // arXiv:2312.10997 [cs]. 2023. 3. Elicit: The AI Research Assistant [Электронный ресурс]. URL: https://support.elicit.com/en/categories/146369 (дата обращения: 01.04.2025). 4. Semantic Scholar API Tutorial [Электронный ресурс]. URL: https://www.semanticscholar.org/product/api/tutorial (дата обращения: 12.09.2025). 5. IBM Watson Discovery [Электронный ресурс]. URL: https://www.ibm.com/products/watson-discovery (дата обращения: 03.09.2025). 6. A Retrieval-Augmented Generation Framework for Academic Literature Navigation in Data Science // arXiv:2412.15404 [cs]. 2024. 7. LitLLM: A Toolkit for Scientific Literature Review // arXiv:2402.01788 [cs]. 2024. 8. OpenAlex: Technical Documentation [Электронный ресурс]. URL: https://docs.openalex.org/ (дата обращения: 10.01.2025). 9. Learning to Ask: Neural Question Generation for Reading Comprehension // arXiv:1705.00106 [cs]. 2017. 10. LSTM-сети долгой краткосрочной памяти [Электронный ресурс]. URL: https://habr.com/ru/companies/ wunderfund/articles/331310/ (дата обращения: 10.01.2025). 11. Rajpurkar P. et al. SQuAD: 100,000+ Questions for Machine Comprehension of Text // Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2016. P. 2383-2392. 12. Nguyen T. et al. MS MARCO: AHuman GeneratedMachine Reading ComprehensionDataset // arXiv:1611.09268 [cs]. 2016. 13. Pennington J. et al. GloVe: Global Vectors for Word Representation // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2014. P. 1532-1543. 14. Mysore S. et al. AClimb: Annotating andAnalyzing Clarification in Conversational Search// arXiv:2406.03397 [cs]. 2024. 15. ROUGE (metric) [Электронный ресурс]. URL: https://en.wikipedia.org/wiki/ROUGE_(metric ) (дата обращения: 10.01.2025). 16. Олейник А. Г. и др. Об использовании RAG-технологии для исследовательского поиска в справочных и нормативных текстах // Труды Кольского научного центра РАН. Серия: Технические науки. 2024. Т. 15, № 3. С. 5-26. 17. Faiss: A Library for Efficient Similarity Search [Электронный ресурс]. URL: https://faiss.ai/ (дата обращения: 01.11.2024). 18. Yandex FoundationModels [Электронныйресурс]. URL: https://yandex.doud/ru/docs/foundation-models/ (дата обращения: 20.03.2025). 19. GigaChat API [Электронный ресурс]. URL: https://developers.sber.ru/docs/ru/gigachat/api/overview (дата обращения: 20.07.2025). 20. Langchain Introduction [Электронный ресурс]. URL: https://python.langchain.com/docs/introduction/ (дата обращения: 01.11.2024). 21. Рассел С., Норвиг П. Искусственный интеллект: современный подход. М.: Вильямс, 2021. 1416 с. Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 56-70. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 56-70. © Шестаков А. В., Зуенко А. А., 2025 69