ARTIFICIAL INTELLIGENCE IN SCIENTOMETRICS AND EDUCATION: PROSPECTS FOR CREATING A NEW SYSTEM FOR EVALUATING SCIENTIFIC PUBLICATIONS
Stashko Vasily Ivanovich.
Abstract:
The article examines current issues of implementing artificial intelligence (AI) and machine learning (ML) technologies in the fields of scientometrics and education. The role of the Russian Science Citation Index (RSCI) as a fundamental achievement of the national science management system, providing systematic accounting and evaluation of publication activity, is analyzed. The necessity of creating additional AI-based tools operating in conjunction with existing databases is substantiated. The concept of an independent platform for automated assessment of the quality of scientific texts, plagiarism detection, methodology analysis and forecasting the significance of research is proposed. Practical aspects of developing an interface for submitting articles and integration with open repositories are considered. Special attention is paid to issues of authorship and ethics when using generative neural networks in scientific publications.
Keywords: artificial intelligence, machine learning, scientometrics, scientific publications, RSCI, educational technologies, digitalization of science, automated assessment, AI ethics.
УДК 001.891:004.85
DOI 10.57112/E251-771
Автор: Сташко Василий Иванович
Аннотация:
В статье рассматриваются актуальные вопросы внедрения технологий искусственного интеллекта (ИИ) и машинного обучения (ML) в сферы наукометрии и образования. Анализируется роль Российского индекса научного цитирования (РИНЦ) как фундаментального достижения отечественной системы управления наукой, обеспечивающего системный учёт и оценку публикационной активности. Обосновывается необходимость создания дополнительных инструментов на базе ИИ, работающих в связке с существующими базами данных. Предлагается концепция независимой платформы для автоматизированной оценки качества научных текстов, выявления плагиата, анализа методологии и прогнозирования значимости исследований. Рассматриваются практические аспекты разработки интерфейса для подачи статей и интеграции с открытыми репозиториями. Особое внимание уделяется вопросам авторства и этики при использовании генеративных нейросетей в научных публикациях.
Ключевые слова: искусственный интеллект, машинное обучение, наукометрия, научные публикации, РИНЦ, образовательные технологии, цифровизация науки, автоматизация оценки, этика ИИ.
Введение
Современная система научной коммуникации переживает фундаментальные изменения, обусловленные процессами цифровизации и активным внедрением технологий искусственного интеллекта [1, 2]. Эти изменения затрагивают как методы проведения исследований, так и способы оценки их результатов. В Российской Федерации ключевую роль в этой системе играет Российский индекс научного цитирования (РИНЦ) ‒ авторитетная национальная библиографическая база данных, которая на протяжении многих лет успешно выполняет функции аналитического инструмента и регулятора научно-публикационной активности [3].
Благодаря РИНЦ в России сформирована единая система учёта публикаций российских учёных, обеспечена прозрачность оценки результативности научных организаций и создана основа для принятия управленческих решений в сфере науки и образования. Система обеспечила интеграцию с международными базами данных, что позволило российским учёным быть частью глобальной научной коммуникации, а также способствовала повышению требований к качеству научных журналов.
Вместе с тем, стремительное развитие технологий искусственного интеллекта и появление новых форматов научных коммуникаций ставят перед существующими системами, включая РИНЦ, новые вызовы. Накопленный за десятилетия огромный массив данных, с одной стороны, является бесценным достоянием, а с другой ‒ объективно затрудняет оперативную модернизацию системы и адаптацию её алгоритмов к современным требованиям. Как отмечают исследователи, изменить прошлое невозможно, но можно и нужно формировать будущее, создавая новые инструменты, дополняющие и развивающие существующую инфраструктуру [5, 7].
Цель данной работы ‒ обосновать необходимость и предложить концептуальные подходы к созданию дополнительной системы наукометрии на базе ИИ, способной работать в связке с существующими базами данных, обеспечивая объективную, прозрачную и актуальную оценку научных публикаций, а также рассмотреть практические аспекты её реализации в контексте задач «Десятилетия науки и технологий» [4].
1. Современное состояние системы оценки научной деятельности
1.1. Роль РИНЦ в развитии российской науки
Российский индекс научного цитирования по праву считается одним из ключевых достижений отечественной системы управления наукой за последние два десятилетия. Созданный на платформе Научной электронной библиотеки (eLIBRARY.RU), РИНЦ обеспечил:
- формирование единого информационного пространства для учёта и анализа публикационной активности российских исследователей;
- разработку объективных наукометрических показателей, позволяющих оценивать результативность научных организаций и отдельных учёных;
- создание системы конкурсного отбора журналов, способствующей повышению качества научных изданий и борьбе с «мусорными» журналами;
- интеграцию с международными базами данных (Scopus, Web of Science), что позволило российским учёным быть частью глобальной научной коммуникации.
Благодаря РИНЦ в России сформировалась культура публикационной активности, повысились требования к качеству научных журналов, а руководство научных и образовательных организаций получило прозрачные инструменты для принятия кадровых и управленческих решений. Система стала основой для распределения грантов, аттестации кадров и оценки эффективности научных коллективов.
1.2. Новые вызовы и требования времени
Вместе с тем, как любая сложившаяся система, РИНЦ сталкивается с вызовами, обусловленными стремительным развитием технологий и изменением форматов научных публикаций. Исследователи отмечают несколько ключевых направлений, требующих внимания [1, 2, 6]:
1. Изменение форматов научных коммуникаций. Появление сетевых изданий, мультимедийных публикаций, препринтов и открытых репозиториев требует пересмотра подходов к оценке научного контента, выходящих за рамки традиционного PDF-формата.
2. Рост числа публикаций. Стремительное увеличение количества научных статей, особенно в области искусственного интеллекта и смежных дисциплин, делает ручную экспертизу всё более трудоёмкой и дорогостоящей. Согласно исследованию Дж. Ханга (University of Cambridge), доля Китая в мировых публикациях по ИИ выросла с менее чем 5% в 2000 году до почти 36% в 2025 году .
3. Дифференциация типов изданий. Появление журналов, сочетающих научную, образовательную и профориентационную функции, требует более гибких подходов к оценке, учитывающих их миссию в рамках реализации государственных инициатив, таких как «Десятилетие науки и технологий» [4].
4. Необходимость качественного анализа. Традиционные наукометрические показатели (импакт-фактор, индекс Хирша) отражают преимущественно количественные аспекты научной деятельности, тогда как оценка качества, новизны и методологической корректности исследований остаётся преимущественно экспертной задачей.
Важно подчеркнуть, что указанные вызовы не умаляют заслуг РИНЦ, а лишь свидетельствуют о необходимости развития и дополнения существующей инфраструктуры. Как справедливо отмечают исследователи, огромный архив данных, составляющий основу РИНЦ, является его силой и одновременно фактором, объективно затрудняющим его кардинальную трансформацию [5]. Поэтому наиболее перспективным путём видится не «ломка» существующей системы, а создание параллельных и взаимодополняющих инструментов, использующих современные технологии ИИ для решения новых задач.
2. Трансформация глобального ландшафта научных исследований
Анализ глобальной динамики публикаций в области искусственного интеллекта выявляет структурные изменения, влияющие на наукометрию и требующие пересмотра подходов к оценке научной деятельности [5, 8]:
· США сократили свою долю в мировых публикациях по ИИ с 27,6% в 2000 году до 12,0% в 2025 году.
· Европейский Союз также демонстрирует снижение доли с более чем 30% до менее чем 13% за тот же период.
· Китай, напротив, увеличил свою долю с менее чем 5% до почти 36% мировых публикаций по ИИ к 2025 году.
· Индия также значительно нарастила своё присутствие, достигнув ~10% мировых публикаций по ИИ к 2025 году.
Эти данные свидетельствуют о формировании многополярной экосистемы научных исследований, где традиционные западные центры науки утрачивают монополию на производство знаний. В этих условиях создание новых независимых систем оценки, использующих современные технологии ИИ, становится не просто желательным, а необходимым шагом для обеспечения объективности и международной сопоставимости результатов исследований, включая те, что публикуются на русском языке и в журналах, ориентированных на молодёжную аудиторию.
3. Концепция новой системы наукометрии на базе ИИ
3.1. Базовые принципы
Предлагаемая система не заменяет существующие базы данных (РИНЦ, Scopus, Web of Science), а дополняет их, предоставляя новые возможности для оценки качества научных публикаций.
Базовые принципы системы:
1. Независимость ‒ система функционирует как самостоятельная платформа, но интегрируется с существующими базами данных через API.
2. Объективность ‒ минимизация человеческого фактора за счёт использования алгоритмов машинного обучения.
3. Прозрачность ‒ открытый доступ к методологии оценки и критериям.
4. Актуальность ‒ работа с современными публикациями и учёт новых форматов научного контента.
5. Гибкость ‒ возможность адаптации под разные дисциплины и типы изданий.
3.2. Архитектура и ключевые компоненты
Система включает следующие модули (рисунок 1), объединённые в многоуровневую архитектуру.
На первом уровне осуществляется сбор данных из открытых репозиториев (arXiv, CrossRef), международных баз (Scopus, Web of Science) и российских источников (РИНЦ, eLIBRARY.RU).
Рисунок 1 ‒ Архитектура системы наукометрии на базе ИИ
Второй уровень обеспечивает предварительную обработку текстов: токенизацию, лемматизацию, извлечение формул и удаление шума.
Третий уровень включает три параллельных модуля анализа: обработку текста с использованием NLP (выявление плагиата, классификация по тематике), анализ методологии (проверка формул и статистической корректности) и сетевой анализ (построение карт цитируемости и междисциплинарных связей).
Четвёртый уровень ‒ модели машинного обучения и ИИ ‒ обеспечивает оценку новизны, прогнозирование цитируемости и ранжирование публикаций.
Пятый уровень ‒ пользовательский интерфейс, включающий личный кабинет автора, редакционную панель и API для интеграции с внешними системами.
Детальный алгоритм работы системы пошагово представлен в таблице 1.
Модуль сбора данных ‒ автоматическое получение информации из открытых репозиториев (arXiv, OpenAlex, CrossRef), международных баз данных (Scopus, Web of Science), а также специализированных журналов с открытым доступом.
1. Система предварительной обработки текстов ‒ токенизация, лемматизация, удаление шума, извлечение метаданных и формул.
2. Алгоритмы автоматического анализа:
- оценка качества научных текстов;
- выявление плагиата и некорректных заимствований;
- анализ методологии и статистической корректности;
- построение карт научных связей (сетевой анализ).
3. Платформа для хранения и анализа данных ‒ распределённая база данных с возможностью масштабирования.
4. Интерфейс для пользователей ‒ личный кабинет авторов, редакционная панель, система подачи статей (интеграция с OJS).
3.3. Критерии оценки научных публикаций
В отличие от существующих систем, использующих преимущественно количественные показатели (цитируемость, импакт-фактор), предлагается комплексная оценка по следующим критериям (таблица 2):
Таблица 2 ‒ Критерии оценки научных публикаций
3.4. Техническая реализация
Для реализации системы предлагается использовать следующий стек технологий:
Базовые библиотеки:
• TensorFlow / PyTorch ‒ фреймворки машинного обучения
• Transformers (Hugging Face) ‒ для работы с языковыми моделями
• Scikit-learn ‒ базовые алгоритмы ML
• Pandas / NumPy ‒ обработка данных
• NLTK / spaCy ‒ обработка текста на русском языке
Специализированные компоненты:
• SymPy ‒ для работы с математическими формулами
• Mathpix ‒ для распознавания формул из PDF
• OpenCV ‒ для обработки изображений (схемы, диаграммы)
Отечественные платформы для развёртывания:
• Yandex Cloud Notebooks
• ML Space
• СберCloud
• Cloud.MTS
4. Применение ИИ в образовании и научной коммуникации
Параллельно с развитием наукометрии, технологии ИИ активно внедряются в образовательный процесс и систему научной коммуникации. Исследования показывают, что генеративные нейросети по-разному справляются с различными типами заданий: они хорошо работают с определением понятий и аргументацией, но испытывают сложности с поисковыми задачами и комментированием из-за особенностей машинного обучения и доступности русскоязычных источников [10].
Основные направления применения ИИ в образовании:
1. Персонализация обучения:
- Создание индивидуальных образовательных траекторий
- Адаптация учебных материалов под конкретного студента
- Персонализированные рекомендации по изучению материала
2. Автоматизация процессов:
- Автоматическая проверка заданий и тестов
- Оценка успеваемости студентов
- Анализ эффективности учебных материалов
- Мониторинг прогресса обучения
Управление научными коммуникациями:
- Автоматическая классификация научных публикаций по тематике
- Извлечение метаданных из PDF
- Проверка оформления ссылок и библиографии
5. Этические аспекты использования ИИ в науке
С развитием генеративных нейросетей возникает вопрос об авторстве научных публикаций. Согласно исследованию учёных Самарского университета, в международных базах данных Web of Science и Scopus обнаружены случаи указания ChatGPT в качестве соавтора или даже единственного автора научных статей [11].
Исследователи пришли к выводу, что традиционное понимание авторства в условиях генеративного ИИ требует пересмотра:
«Человек здесь выступает не только как творец, но и как куратор, редактор и интерпретатор. Такие работы обладают гибридной природой ‒ ИИ становится участником творческого процесса, но конечная ответственность за содержание остаётся за исследователем-человеком» [11].
Рекомендации по этичному использованию ИИ в научных публикациях:
- Обязательное декларирование использования ИИ-инструментов в статье.
- Человек остаётся ответственным автором и редактором контента.
- Недопустимость указания ИИ в качестве автора или соавтора.
- Прозрачность методологии применения ИИ (какие инструменты, для каких задач).
- Проверка фактов и данных, сгенерированных ИИ, на достоверность.
6. Разработка интерфейса для подачи статей
В рамках предложенной системы разрабатывается интерфейс для авторов, интегрированный с Open Journal Systems (OJS). Основные функции:
Личный кабинет автора:
- Регистрация и авторизация (email/пароль, подтверждение email)
- Персональные данные (ФИО, должность, организация, ORCID)
Форма подачи статьи:
- Метаданные: заглавие (рус./англ.), аннотация, ключевые слова
- Файлы: основной текст (PDF), дополнительные материалы
- Проверка уникальности текста (интеграция с антиплагиатом)
Интеграция с OJS:
- Автоматическое создание DOI
- Экспорт в наукометрические базы
- Интеграция с Google Scholar
- Система рецензирования
ИИ-компоненты:
- Анализ соответствия требованиям журнала
- Автоматическая классификация по тематике
- Извлечение метаданных из PDF
- Проверка оформления ссылок
Заключение
Проведённый анализ показал, что Российский индекс научного цитирования является фундаментальным достижением отечественной системы управления наукой, обеспечивающим системный учёт и оценку публикационной активности российских учёных на протяжении многих лет. Его роль в формировании культуры научных публикаций и развитии прозрачной системы оценки заслуженно признаётся научным сообществом.
Вместе с тем, стремительное развитие технологий искусственного интеллекта, изменение форматов научных коммуникаций и появление новых задач в сфере наукометрии требуют дальнейшего совершенствования инструментов оценки научной деятельности. Учитывая объективные сложности кардинальной модернизации существующей системы с её огромным архивом данных, наиболее рациональным подходом представляется создание дополнительной системы наукометрии на базе ИИ, которая будет работать в связке с РИНЦ, дополняя и развивая его функционал.
Предложенная концепция позволит:
- автоматизировать оценку качества научных публикаций с использованием современных ML-моделей;
- учитывать образовательную и профориентационную миссию молодёжных изданий;
- обеспечивать прозрачность и объективность оценки, дополняя существующие количественные показатели качественным анализом;
- интегрироваться с открытыми репозиториями и международными базами данных.
Реализация предложенных решений не противоречит, а органично дополняет существующую систему, создавая условия для более справедливой и всесторонней оценки научных результатов в условиях цифровой трансформации науки. Разработка такой системы требует междисциплинарного подхода, объединяющего специалистов в области ИИ, наукометрии, энергетики и педагогики. Особое внимание должно уделяться этическим аспектам использования ИИ в научных публикациях.
Список литературы
1. Гринев А. В. Проблемы наукометрии и её пригодность для управления научной деятельностью в современной России // Управленческие науки. ‒ 2024. ‒ Т. 14, № 1. ‒ С. 117–132.
2. Захаров М. Ю., Шишкова А. В. Техносоциальные вызовы цифровой трансформации науки // Социально-гуманитарные знания. ‒ 2025. ‒ № 1. ‒ С. 222–226.
3. Регламент комплектования баз данных eLIBRARY.RU и РИНЦ // ООО Научная электронная библиотека. ‒ 2021. ‒ URL: https://elibrary.ru/projects/publishers/Regl.pdf.
4. Указ Президента РФ от 25.04.2022 г. № 231 «Об объявлении в Российской Федерации Десятилетия науки и технологий».
5. Hung J. Trajectories and Comparative Analysis of Global Countries Dominating AI Publications, 2000–2025 // arXiv preprint arXiv:2509.25298. ‒ 2025.
6. Раевская Е. Г. Искусственный интеллект в мировой науке: анализ тематической коллекции публикаций в базе данных The Lens с фокусом на Китай // Управление наукой и наукометрия. ‒ 2025. ‒ Т. 20, № 4. ‒ С. 650–668.
7. Голубев С. С., Афанасьев А. Л., Курицын А. В. Применение генеративного искусственного интеллекта и предиктивной аналитики в целях научно-технологического прогнозирования // Управление наукой и наукометрия. ‒ 2025. ‒ Т. 20, № 4.
8. Ding L., Lawson C., Shapira P. Rise of Generative Artificial Intelligence in Science // Scientometrics. ‒ 2025. ‒ Vol. 130, No. 9. ‒ P. 5093–5114.
9. Wang Y., Ge M., Xu G. et al. Agri-Eval: Multi-level Large Language Model Valuation Benchmark for Agriculture // Transactions of the Chinese Society for Agricultural Machinery. ‒ 2026. ‒ Vol. 57, No. 1. ‒ P. 290–299.
10. Биричева Е. В. Как популярные нейросети справляются с различными заданиями по социально-гуманитарным дисциплинам // Философия образования. ‒ 2025. ‒ Т. 25, № 3. ‒ С. 129–151.
11. Ученые Самарского университета оценили вклад нейросетей в написание текстов // РИА Новости. ‒ 07.08.2025.
12. Tao H., Gao W. Accuracy evaluation of classification models on partially labeled datasets // Expert Systems with Applications. ‒ 2026. ‒ Vol. 129204.
Информация об авторах
Сташко В. И. ‒ кандидат технических наук, доцент, Алтайского государственного технического университета им. И. И. Ползунова, директор ООО «Межрегиональный центр электронных образовательных ресурсов», заместитель главного редактора журнала «Энерджинет», г. Барнаул.
Ссылка для цитирования
Сташко В. И. Искусственный интеллект в наукометрии и образовании: перспективы создания новой системы оценки научных публикаций / В. И. Сташко // Энерджинет. ‒ 2025. ‒ № 1. ‒ URL: http://nopak.ru/251-771 (дата обращения: 22.04.2026). ‒ Текст: электронный.
