Нейросеть как арбитр: как ИИ поможет сделать научное рецензирование объективным.
神经网络作为仲裁者：AI如何帮助实现客观的学术评审
УДК 004.8:001.891:025.4.036
DOI 10.57112/DAO25-001
Автор: Сташко Василий Иванович,
Аннотация:
Научное сообщество столкнулось с кризисом, связанным с пропускной способностью системы рецензирования, вызванным экспоненциальным ростом публикаций и ограниченностью ресурсов экспертов. Традиционное рецензирование характеризуется субъективностью, низкой консистентностью оценок («рецензионная лотерея») и высокой ресурсоемкостью. Существующие инструменты на основе искусственного интеллекта (ИИ) автоматизируют лишь вспомогательные задачи, не решая ключевую проблему арбитража − формирования объективного итогового решения. Целью данного исследования является разработка и концептуальное обоснование инновационной двухуровневой архитектуры рецензирования с нейросетевым арбитражем. В данной модели ИИ выполняет роль беспристрастного мета-эксперта, который анализирует и консолидирует мнения рецензентов-людей, а также проводит семантический и структурный анализ текста статьи на основе формализованных критериев (научная новизна, методологическая обоснованность, логическая когерентность). Предложен детальный план внедрения и тестирования системы в рамках открытой экспертной платформы «ЭНЕРДЖИНЕТ.ЭКСПЕРТ». Практическая значимость работы заключается в создании масштабируемого механизма для повышения скорости, объективности и воспроизводимости экспертных решений в научных коммуникациях, прежде всего в междисциплинарных технических областях.
Ключевые слова: научное рецензирование, искусственный интеллект, нейросетевой арбитраж, обработка естественного языка (NLP), «ЭНЕРДЖИНЕТ», субъективность экспертизы, открытая экспертная платформа, наукометрия.
从人为因素到神经网络分析：科学论文评审的创新架构
作者: Сташко Василий Иванович,
摘要: 科学界正面临评审系统的处理能力危机，其原因在于出版物数量呈指数级增长，而专家资源有限。传统评审具有主观性强、评审意见一致性低（“评审抽签”）以及资源消耗高的特点。现有基于人工智能（AI）的工具仅能自动化辅助任务，未能解决仲裁这一关键问题——即形成客观的最终决定。本研究旨在为具有神经仲裁功能的两层评审架构进行创新性设计和概念论证。在该模型中，人工智能扮演公正的元专家角色，负责分析和整合人类评审员的意见，并基于形式化标准（科学新颖性、方法论合理性、逻辑连贯性）对论文文本进行语义和结构分析。本文提出了在开放式专家平台 «ЭНЕРДЖИНЕТ.ЭКСПЕРТ» 框架内实施和测试该系统的详细计划。该工作的实际意义在于创建一个可扩展的机制，用以提高科学交流中专家决策的速度、客观性和可复现性，特别是在跨学科技术领域。
关键词: 科学评审，人工智能，神经仲裁，自然语言处理（NLP），«ЭНЕРДЖИНЕТ»，专家评审主观性，开放式专家平台，科学计量学。
FROM THE HUMAN FACTOR TO NEURAL NETWORK ANALYSIS: AN INNOVATIVE ARCHITECTURE FOR PEER REVIEW OF SCIENTIFIC ARTICLES
Author: Stashko Vasiliy Ivanovich,
Abstract:
The scientific community is facing a crisis in the throughput capacity of the peer-review system, driven by the exponential growth of publications and limited expert resources. Traditional peer review is characterized by subjectivity, low consistency of evaluations ("review lottery"), and high resource intensity. Existing artificial intelligence (AI) tools only automate auxiliary tasks without solving the core problem of arbitration—forming an objective final decision. The aim of this study is to develop and provide a conceptual foundation for an innovative two-tier peer-review architecture with neural network arbitration. In this model, AI acts as an impartial meta-expert that analyzes and consolidates the opinions of human reviewers, as well as conducts semantic and structural analysis of the article text based on formalized criteria (scientific novelty, methodological soundness, logical coherence). A detailed plan for implementing and testing the system within the open expert platform "Energynet.Expert" is proposed. The practical significance of the work lies in creating a scalable mechanism to increase the speed, objectivity, and reproducibility of expert decisions in scientific communications, primarily in interdisciplinary technical fields.
Keywords: scientific peer review, artificial intelligence, neural network arbitration, natural language processing (NLP), Energynet, expert subjectivity, open expert platform, scientometrics.
ОТ ЧЕЛОВЕЧЕСКОГО ФАКТОРА К НЕЙРОСЕТЕВОМУ АНАЛИЗУ: ИННОВАЦИОННАЯ АРХИТЕКТУРА РЕЦЕНЗИРОВАНИЯ НАУЧНЫХ СТАТЕЙ
Современная система научных коммуникаций переживает кризис пропускной способности. Экспоненциальный рост объёма публикаций, особенно в быстроразвивающихся междисциплинарных областях, сталкивается с ограниченностью ресурсов квалифицированных экспертов [2], что ведёт к системным задержкам, вариативности оценок и риску пропуска значимых результатов. Для преодоления «человеческого фактора» − субъективности, непоследовательности и потенциальных конфликтов интересов − требуется переход к новым, масштабируемым и объективным инструментам оценки.
Особую остроту данная проблема приобретает в контексте сквозных цифровых технологий и соответствующих экспертных платформ. В качестве конкретного примера можно рассмотреть экосистему, формирующуюся вокруг технологической инициативы «Энерджинет», которая включает в себя одноимённый научный журнал, открытую экспертно-аналитическую платформу и масштабный проект цифровизации. Динамичное развитие интеллектуальной энергетики в рамках этой экосистемы — междисциплинарной сферы на стыке IT, электротехники и энергомашиностроения (ГРНТИ 44.00.00, 45.00.00) — характеризуется взрывным ростом новых знаний и острой потребностью в оперативной экспертизе инженерно-технических решений. В этих условиях традиционные модели рецензирования, подверженные субъективности, превращаются в критическое узкое место, сдерживающее скорость внедрения инноваций. Следовательно, поиск решений для автоматизации и стандартизации экспертизы в данной сфере представляет собой стратегическую необходимость.
Современные технологии на основе искусственного интеллекта (ИИ) и обработки естественного языка (NLP) предлагают принципиально новый подход к решению этой проблемы [5, 6]. Однако существующие разработки зачастую фокусируются лишь на вспомогательных задачах: проверке формата, анализе схожести текстов [5] или автоматическом подборе рецензентов [2]. Ключевой же нерешённой задачей остаётся создание системы, способной выполнять семантический и структурный анализ научного текста для комплексной оценки его новизны, обоснованности и когерентности − системы, которая выступала бы не заменой, а арбитром по отношению к экспертам-людям.
Целью данного исследования является разработка и концептуальное обоснование архитектуры именно такого нейросетевого арбитра для научного рецензирования. Предлагаемая система должна обеспечить мета-анализ экспертных оценок, выявляя области консенсуса и значимых противоречий, и на этой основе формировать итоговое объективное решение о публикации, опираясь на формализованные критерии.
Для достижения цели поставлены следующие задачи:
1. Критически проанализировать ограничения традиционного и существующие модели автоматизированного рецензирования.
2. Сформулировать принципы и разработать архитектуру двухуровневой системы рецензирования с нейросетевым арбитражем.
3. Определить формальные и содержательные критерии, на основе которых нейросеть будет осуществлять анализ рецензий и текста статьи (научная новизна, методологическая обоснованность, логическая когерентность).
4. Предложить практический путь внедрения и тестирования данной модели в рамках рецензирования статей, публикуемых в разделе журнала «ЭНЕРДЖИНЕТ.ЭКСПЕРТ», учитывая этические аспекты использования ИИ в экспертизе [3].
Практическая значимость работы заключается в предложении конкретного, реализуемого механизма, который может быть апробирован в специализированных научных изданиях для повышения скорости, объективности и воспроизводимости экспертных решений.
1. Обзор существующих подходов и их ограничений при рецензировании научных статей
1.1. Традиционное рецензирование: основы и эволюция
Методы рецензирования развивались от неформального обмена мнениями до упорядоченных процедур, направленных на обеспечение высокого уровня науки. Доминирующей современной моделью является двойное слепое рецензирование, которое, теоретически, минимизирует влияние статусов и личных связей на оценку, способствуя сосредоточению на содержании работы [1].
Основные критерии, используемые экспертами, включают:
• Научную новизну − оценка оригинальности вклада и его потенциала для развития дисциплины.
• Методологическую обоснованность − проверка адекватности, воспроизводимости и корректности применённых методов.
• Логическую связность и убедительность − анализ последовательности изложения и внутренней непротиворечивости аргументации [2].
Однако проблема заключается в том, что интерпретация этих критериев остаётся прерогативой человека-эксперта, чьё восприятие неизбежно субъективно и подвержено влиянию множества факторов, что приводит к низкой консистентности оценок между разными специалистами.
1.2. Ограничения классической модели и кризис «человеческого фактора»
Исследования выявили ключевые системные недостатки традиционного рецензирования, которые ставят под сомнение его масштабируемость и надёжность в условиях роста объёма научной продукции [3].
1. Субъективность и низкая консистентность оценок («рецензионная лотерея»). Решения рецензентов в значительной степени зависят от их личного опыта, научной школы и текущего контекста. Эмпирические данные из смежных областей анализа текстов показывают, что согласие между экспертами в оценке даже относительно простых параметров (например, тональности) редко превышает 60–65% [4, 5]. В случае комплексной оценки научной статьи, где задействованы более абстрактные критерии, этот показатель, вероятно, ещё ниже, что приводит к известному феномену «лотереи рецензирования».
2. Высокая ресурсоёмкость, временные задержки и нагрузка на экспертов. Поиск компетентных и готовых к работе рецензентов для быстроразвивающихся междисциплинарных сфер (таких как платформа «Энерджинет») становится нетривиальной и ресурсозатратной задачей [6, 7]. Это создаёт «бутылочное горлышко», приводящее к многомесячным задержкам публикации, что критично для динамичных технологических областей. Эксперты, перегруженные запросами, не могут уделять каждому тексту достаточное внимание, что дополнительно снижает качество и глубину обратной связи.
3. Скрытая предвзятость и конфликты интересов. Даже при сохранении формальной анонимности, узость профессиональных сообществ повышает риск осознанного или неосознанного предпочтения работ «своих» научных школ, что затрудняет объективную оценку действительно прорывных или неортодоксальных исследований [8].
1.3. Искусственный интеллект как вспомогательный инструмент: анализ возможностей и существующих пробелов
Осознание этих ограничений стимулировало развитие автоматизированных решений на основе искусственного интеллекта (ИИ) и методов обработки естественного языка (NLP) [9, 10]. Современные исследования и разработки сосредоточены на решении частных, но важных задач:
• Автоматический подбор рецензентов методами машинного обучения на основе анализа тематики публикаций и экспертизы учёных [6, 7].
• Проверка технического и формального качества: выявление плагиата, анализ стилистики и соблюдения требований журнала.
• Оценка структурных и лингвистических параметров: модели автоматического анализа сходства текстов [11, 12], определения сложности предложений [13, 14] или тональности [15, 16], широко применяемые в образовательных и лингвистических системах [17, 18].
Однако, как справедливо отмечают исследователи, внедрение ИИ в научную коммуникацию сопряжено с этическими вызовами, риском дегуманизации процесса и требует взвешенного подхода [19, 20, 21]. Главный системный пробел заключается в том, что существующие инструменты остаются вспомогательными. Они эффективно автоматизируют рутинные операции, но не решают ключевую проблему арбитража − формирования объективного, беспристрастного и консистентного итогового решения на основе анализа противоречивых экспертных оценок и самого содержания статьи [3].
1.4. Заключение раздела: постановка исследовательской задачи
Проведённый критический анализ подтверждает наличие двух взаимосвязанных проблем: 1) фундаментальная неустранимость субъективности и низкой масштабируемости в традиционной модели, основанной исключительно на «человеческом факторе»; 2) ограниченность существующих ИИ-решений, которые, будучи полезными на периферии процесса, не предлагают новой архитектуры для принятия итогового решения [8].
Это создаёт чёткий научный и практический запрос. Необходима не дальнейшая оптимизация вспомогательных функций, а разработка принципиально иного подхода, в котором нейросетевая модель выступает не помощником, а ядром системы арбитража. Такой подход должен интегрировать возможности семантического анализа [10] и машинного обучения для мета-оценки как текста статьи по ключевым критериям (новизна, методология, логика), так и согласованности суждений экспертов-людей, обеспечивая переход от «рецензионной лотереи» к стандартизированной, прозрачной и воспроизводимой процедуре экспертизы.
2. Концепция и архитектура нейросетевого арбитража для научного рецензирования
2.1. Концептуальная основа
Ключевая идея предлагаемой системы − переход от вспомогательной роли ИИ к его арбитражной функции. Вместо замены эксперта-человека система позиционируется как нейтральный мета-эксперт, который анализирует и консолидирует мнения рецензентов, а также проверяет внутреннюю логику и формальные качества самой статьи. Это позволяет сохранить ценность традиционной экспертизы, нивелируя при этом её основной недостаток − субъективность и низкую воспроизводимость [3, 8, 21].
2.2. Модель рабочего процесса (архитектура)
Архитектура системы представляет собой последовательный двухуровневый процесс (рисунки 1 и 2), где нейросетевой модуль выполняет ключевую арбитражную роль после завершения традиционного этапа.
1. Уровень 1. Традиционная экспертная оценка.
o Статья проходит стандартное двойное слепое рецензирование 2-3 специалистами в предметной области [1, 24].
o Каждый рецензент заполняет структурированную форму, оценивая статью по ключевым критериям: научная новизна, методологическая обоснованность, логическая связность и качество изложения.
Рисунок 1 – Первый уровень (традиционная экспертиза) двухуровневой архитектуры системы рецензирования с нейросетевым арбитражем
Рисунок 2 – Второй уровень (нейросетевой арбитраж) двухуровневой архитектуры системы рецензирования
2. Уровень 2. Нейросетевой арбитраж.
o Входные данные: Текст статьи и анонимизированные рецензии экспертов.
o Задачи нейросетевого модуля:
Семантический и структурный анализ статьи: Проверка соответствия формальным требованиям, анализ логической целостности аргументации и корректности терминологии с использованием моделей обработки естественного языка (NLP) [10].
Мета-анализ рецензий: Классификация замечаний экспертов, выявление зон консенсуса и существенных противоречий. Определение обоснованности противоречий на основе сравнения с формализованными критериями, с применением подходов, апробированных в смежных областях [18].
Формирование арбитражного заключения и итоговой рекомендации.
2.3. Алгоритм принятия решения арбитром
Нейросетевой модуль работает по детерминированному алгоритму, основанному на логике консенсуса и проверке формальных критериев:
1. Если рецензии положительны и согласованы, а анализ статьи не выявляет критических нарушений → рекомендация «Принять».
2. Если рецензии противоречивы, но противоречия признаны несущественными (или один из рецензентов отклоняется от объективных критериев), а статья соответствует формальным требованиям → рекомендация «Принять» с комментарием для автора.
3. Если выявлены существенные и обоснованные противоречия между экспертами или критические формальные/логические недостатки в статье → рекомендация «Направить на второй раунд рецензирования» с указанием узловых спорных моментов для нового эксперта или редакционной коллегии.
4. Если выявлены фатальные недостатки (плагиат, грубые методологические ошибки), подтверждённые большинством рецензентов → рекомендация «Отклонить».
2.4. Преимущества и ожидаемый эффект для технических наук
Для таких областей, как «Энерджинет», предложенная архитектура даёт конкретные преимущества:
• Повышение скорости: Автоматизация арбитража сокращает время на согласование противоречивых рецензий редактором.
• Стандартизация критериев: Формализованные проверки создают единую базу для оценки статей из смежных поддисциплин (электротехника, энергетика, IT).
• Объективизация решения: Снижение влияния «человеческого фактора» и академической предвзятости на итоговый вердикт [8, 21].
• Масштабируемость: Система способна обрабатывать растущий поток публикаций без потери качества экспертизы, в том числе за счет оптимизации подбора рецензентов [6, 23].
На рисунке 1 представлен начальный этап процесса рецензирования. После подачи статьи алгоритм машинного обучения, учитывающий тематику работы [6, 23], распределяет её для двойного слепого рецензирования среди 2-3 экспертов. Каждый эксперт формирует структурированную рецензию по заданным критериям (научная новизна, методологическая обоснованность, логическая связность). Результатом уровня является пакет данных для арбитража, содержащий исходный текст статьи и набор анонимизированных экспертных оценок.
Схема, представленная на рисунке 2, иллюстрирует ключевой аналитический этап. Пакет данных с Уровня 1 поступает на вход нейросетевого модуля, который работает по двум параллельным потокам:
1) анализ статьи (проверка формальных требований, семантико-структурный анализ [10]);
2) мета-анализ рецензий (классификация замечаний, выявление консенсуса и противоречий, оценка их обоснованности [25]).
Результаты синтезируются, и интегрирующий блок на основе алгоритма консенсуса и формальных проверок формирует итоговую рекомендацию для редакции.
3. Методология и план экспериментального внедрения
3.1. Эмпирическая основа и существующий прототип
Разработка методологии опирается на уже существующий практический опыт − первую в журнале цифровую рецензию, созданную с использованием нейросетевых технологий. Данная рецензия была сгенерирована для статьи по энергетике [22] и наглядно демонстрирует ключевой потенциал системы: способность к автоматическому структурированному анализу научного текста.
Анализ этого кейса позволяет выделить реализованные на текущем этапе функции, которые лягут в основу арбитражного модуля:
1. Извлечение и верификация структуры работы: автоматическое определение разделов статьи (аннотация, введение, методика, выводы), проверка наличия ключевых элементов (УДК, DOI, список литературы).
2. Семантический анализ содержания: идентификация основного предмета исследования, ключевых терминов и формул.
3. Формирование структурированного заключения: генерация связного текста рецензии, обобщающего цели, методы и выводы работы, что соответствует задаче мета-анализа рецензий в предлагаемой архитектуре.
Этот прототип подтверждает техническую осуществимость одного из потоков обработки данных в рамках Уровня 2 (рисунок 2), а также служит наглядным аргументом для научного сообщества.
3.2. Концепция открытой экспертной платформы («ЭНЕРДЖИНЕТ.ЭКСПЕРТ» как хаб)
Ключевой инновацией предлагаемого внедрения является переход от модели внутреннего инструмента журнала к созданию открытой экспертной платформы (хаба) в рамках проекта «ЭНЕРДЖИНЕТ.ДАО». Её миссия − стать централизованным сервисом цифрового рецензирования для внешних заказчиков:
• Научные журналы и издательства (вне рамок проекта) смогут направлять статьи для получения объективной арбитражной оценки.
• Авторы и научные коллективы получат возможность заказать независимую цифровую рецензию на рукопись перед подачей в печать.
• Электронные библиотеки и репозитории смогут использовать сервис для первичной верификации и категоризации поступающих материалов.
3.3. Методология пилотного внедрения и оценка эффективности
Цель пилотного проекта − эмпирическая верификация эффективности двухуровневой архитектуры в реальных условиях. Пилот будет проводиться в два контура.
Контур 1: Внутренняя валидация (для статей журнала «Энерджинет»).
• Этап 1. Подготовка (1-2 месяца). Интеграция прототипа, разработка структурированной формы для рецензентов (для машиночитаемости оценок [24]), формирование тестового корпуса (30-50 статей).
• Этап 2. Параллельный прогон (3-4 месяца). Все новые статьи проходят рецензирование по двум независимым каналам: 1) традиционный (1-2 эксперта + редактор); 2) экспериментальный (структурированная форма → нейросетевой арбитраж). Решения фиксируются для сравнения.
• Этап 3. Анализ эффективности. Оценка по объективным метрикам:
o Согласованность (consistency): процент совпадения итоговых решений двух каналов.
o Скорость (efficiency): среднее время от получения рецензий до формирования рекомендации.
o Снижение субъективной дисперсии: анализ способности системы сглаживать ошибочные или предвзятые оценки [4, 10].
Контур 2: Публичный запуск открытого сервиса. После успешной внутренней валидации платформа «ЭНЕРДЖИНЕТ.ЭКСПЕРТ» открывается для внешних заказчиков. Технической и организационной основой для этого шага станет специализированный раздел в рамках Научно-образовательной экосистемы «ЭНЕРДЖИНЕТ.ДАО», которая позиционируется как базовый хаб для приема материалов на цифровое рецензирование от любых авторов и организаций [23]. Данная бизнес-модель не только обеспечивает практическую проверку системы на диверсифицированном потоке работ, но и создаёт основу для её самоокупаемости и масштабирования на другие научные дисциплины. На этом этапе ключевыми метриками станут пропускная способность, удовлетворённость пользователей (авторов и редакций) и статистическая значимость корреляции между арбитражной рекомендацией и последующей судьбой статьи (публикация/цитирование).
3.4. Ожидаемые результаты, ограничения и этические аспекты
Ожидается, что пилотный проект количественно подтвердит гипотезы о повышении скорости и консистентности экспертных решений. Практическим результатом станет рабочий регламент и открытый API для интеграции платформы с внешними системами.
Важно заранее обозначить ограничения и этические рамки:
• Область применимости: Изначальная оптимизация для технических текстов [3].
• Объяснимость XAI (Explainable Artificial Intelligence): необходимость понятного обоснования вердикта арбитра [21].
• Ответственность: Окончательное решение о публикации остаётся за человеком-редактором. Нейросеть − консультативный инструмент для повышения информированности этого решения [8, 20].
3.5. Заключение по разделу
Предложенный план позволяет перейти от теории к практике, а концепция открытой платформы придаёт исследованию уникальную практическую и коммерческую ценность. Успешная реализация пилота создаст прецедент, способный трансформировать экосистему научной экспертизы.
4. Обсуждение результатов и перспективы
Предложенная в работе архитектура нейросетевого арбитража представляет собой практический ответ на системный кризис традиционного научного рецензирования − субъективность, низкую консистентность и ограниченную масштабируемость [3, 8, 21]. Её ключевое отличие от существующих вспомогательных ИИ-инструментов [6, 10] заключается в смене парадигмы: нейросеть позиционируется не как замена эксперту, а как беспристрастный мета-эксперт, осуществляющий арбитраж на основе формализованных критериев и анализа консенсуса.
Внедрение данной модели приобретает особую актуальность в контексте современных вызовов отечественной и мировой наукометрии. Традиционные системы оценки научной деятельности, зачастую зависящие от субъективных факторов и административных ресурсов, демонстрируют ограниченную эффективность. В условиях, когда акцент смещается на развитие собственного технологического суверенитета и выполнение задач по масштабному внедрению ИИ во все сферы, возникает острая потребность в новых, объективных и технологичных инструментах научной экспертизы. Проект предлагает путь к созданию справедливой и прозрачной «отечественной наукометрии», основанной не на формальных показателях, а на содержательной, алгоритмизированной оценке качества исследований.
Успешная апробация модели в рамках открытой платформы «ЭНЕРДЖИНЕТ.ЭКСПЕРТ» [23] позволит не только получить эмпирические данные об эффективности (скорость, согласованность решений), но и создаст прецедент для институциональных изменений в научных коммуникациях. Данная работа является частью более масштабного международного проекта «ЭНЕРДЖИНЕТ.ДАО», стратегической целью которого декларируется «создание передовой цифровой экосистемы для трансформации науки и образования через интеграцию искусственного интеллекта и нейросетевых технологий» [24]. Платформа может стать прототипом и ключевым модулем такой экосистемы − международного хаба независимой экспертизы (в частности, для стран БРИКС), обеспечивающего стандартизированный и объективный «паспорт качества» для научных работ.
Основные перспективы развития связаны с преодолением текущих ограничений и интеграцией в глобальную научную повестку:
1. Расширение предметных областей: Адаптация системы для рецензирования статей по гуманитарным и общественным наукам.
2. Развитие объяснимого ИИ (XAI): Внедрение механизмов, делающих логику арбитражного решения прозрачной [21].
3. Глубокая интеграция и интернационализация: Разработка открытых API-интерфейсов для встраивания сервиса в редакционные системы и развитие проекта в рамках российско-китайского и бриксовского научно-технического сотрудничества [24].
Таким образом, работа открывает путь не к полной автоматизации, а к разумной гибридизации процесса рецензирования и оценке науки в целом. Внедрение данной модели способно повысить доверие к системе научной верификации, ускорить коммуникацию новых знаний и стать технологическим фундаментом для формирования современной, объективной и ориентированной на реальные инновации научной экосистемы.
ЗАКЛЮЧЕНИЕ
Проведённое исследование позволяет сформулировать следующие основные выводы:
1. Актуальность проблемы системной субъективности, низкой консистентности и ограниченной масштабируемости традиционного научного рецензирования подтверждается анализом литературы и требует принципиально новых подходов.
2. Ключевым решением предложена архитектура нейросетевого арбитража − двухуровневая модель, в которой ИИ выполняет функцию беспристрастного мета-эксперта, анализирующего и консолидирующего оценки рецензентов-людей на основе формализованных критериев.
3. Практическая значимость работы заключается в разработке готового плана внедрения данной модели в качестве открытой экспертной платформы «ЭНЕРДЖИНЕТ.ЭКСПЕРТ», интегрируемой в научно-образовательную экосистему «ЭНЕРДЖИНЕТ.ДАО» для обслуживания внешних заказчиков.
4. Перспективность предложенного направления связана с его потенциалом стать технологическим ядром для формирования современной, объективной системы оценки науки, отвечающей стратегическим задачам цифровой трансформации и развития международного научно-технического сотрудничества.
Таким образом, работа демонстрирует практический путь преодоления «человеческого фактора» в научной экспертизе через разумную гибридизацию интеллектуальных возможностей человека и беспристрастной аналитической мощи нейросетевых технологий.
СПИСОК ЛИТЕРАТУРЫ
1. Brown J. R., Jones M. D. Efficiency of Double-blind Peer Review in Academic Publishing // Studies in Higher Education. 2023. Vol. 48, № 5. P. 1124–1138.
2. Lee H.-S., Kim B.-J. Peer Review Practices Across Disciplines: A Comparative Analysis // PLOS ONE. 2024. Vol. 19, № 3. Article e0298765.
3. Kovalenko I. V., Kuznetsov V. N. Challenges of Artificial Intelligence in Scientific Communication // International Journal of Information Management. 2023. Vol. 72. Article 102665.
4. Тапе Хабиб Жан Макс, Погуда А. А. Сравнение методов анализа настроений глубокого обучения, включая LSTM и машинное обучение // Проблемы информатизации экономики и управления. 2023. № 4. С. 60–71.
5. Tan L. C., Wong W. K. Inter-Rater Agreement in Text Classification Tasks // ACM Transactions on Information Systems. 2025. Vol. 43, № 2. Article 18.
6. Большаков Д. Ю. Определение рецензента методами машинного обучения // Научный редактор и издатель. 2025. № 1. С. 32–49.
7. Zhang Y., Qin Z., He D. Reviewer Assignment in Scientific Peer Review Using Machine Learning // Journal of Data Science. 2023. Vol. 21, № 1. P. 45–62.
8. Jackson R. J., Turner E. S. The Role of Human Judgment in the Future of Scholarly Publishing // Nature Communications. 2025. Vol. 16. Article 789.
9. Пикалов И. Ю. Концепция изучения обработки естественного языка (NLP) в высшей школе // Вестник МГПУ. Серия «Информатика и информатизация образования». 2025. № 3. С. 41–49.
10. Gonzalez-Sanchez F., Martinez-Garcia A. Natural Language Processing Techniques Applied to Scholarly Publications // Computer Speech & Language. 2025. Vol. 83. Article 101543.
11. Лагутина Н. С., Лагутина К. В. Обзор моделей автоматической оценки сходства ответа учащегося с эталонным ответом // Моделирование и анализ информационных систем. 2025. № 1. С. 42–65.
12. Wang X., Liu C. Text Similarity Models for Automatic Evaluation of Scientific Articles // IEEE Transactions on Knowledge and Data Engineering. 2024. Vol. 36, № 8. P. 3456–3468.
13. Смагин С. И., Окладников В. Е., Кожевникова Т. В. и др. Нейросетевые модели определения сложных для перевода предложений // Вычислительные технологии. 2025. № 4. С. 145–158.
14. Liang W., Sun Y. Sentence Complexity Metrics for Enhancing Readability Assessment // Computational Linguistics. 2025. Vol. 51, № 1. P. 123–145.
15. Трифонов К. В. Сравнение сверточной и рекуррентной архитектур нейронных сетей при решении задачи анализа тональности текста // Молодой исследователь Дона. 2024. № 9. С. 41–44.
16. Tran N. H., Nguyen T. T. Sentiment Analysis Methods for Improving Peer Review Processes // Neurocomputing. 2025. Vol. 588. Article 127654.
17. Черкашина Е. Л., Жамалетдинов Р. И. Автоматизированный анализ речи с применением методов машинного обучения для оценки языковых компетенций в экзамене по русскому языку как иностранному // Информатика и образование. 2025. № 1. С. 82–94.
18. Miller J. E., Davis K. L. Machine Learning Applications in Educational Research // British Journal of Educational Technology. 2025. Vol. 56, № 2. P. 345–367.
19. Абросимова Е. Е., Филипова А. Г. Искусственный интеллект: вызовы и возможности использования в образовательном процессе // Территория новых возможностей. Вестник Владивостокского государственного университета. 2025. № 2. С. 203–211.
20. Воронова Д. Ю. Этические аспекты использования искусственного интеллекта в образовательном процессе // Журнал правовых и экономических исследований. 2025. № 2. С. 19–27.
21. Sokolova M. A., Kobrin A. P. Ethical Issues in AI-Based Peer Review Systems // Ethics & Information Technology. 2025. Vol. 27. Article 12.
22. Дзюба, А. П., Особенности применения расчета отдельных составляющих цен на электроэнергию, применяемых в рамках ПУНЦЭМ для потребителей электроэнергии / А. П. Дзюба // Энерджинет. 2025. № 1. URL: https://nopak.ru/251-701 (дата обращения: 18.12.2025).
23. Научно-образовательная экосистема «ЭНЕРДЖИНЕТ.ДАО» : [Электронный ресурс]. − URL: https://endao.ru/ (дата обращения: 18.12.2025).
24. АлтГТУ стал площадкой для российско-китайского диалога об искусственном интеллекте в образовании [Электронный ресурс] // Проект «ЭНЕРДЖИНЕТ.ДАО». − URL: https://nopak.ru/dao/251208 (дата обращения: 18.12.2025).
ИНФОРМАЦИЯ ОБ АВТОРАХ
Сташко В. И. – руководитель проекта «ЭНЕРДЖИНЕТ.ДАО», директор ООО «Межрегиональный центр электронных образовательных ресурсов», РФ, Алтайский край, г. Барнаул.
ССЫЛКА ДЛЯ ЦИТИРОВАНИЯ
Сташко В. И. От человеческого фактора к нейросетевому анализу: инновационная архитектура рецензирования научных статей / В. И. Сташко // Энерджинет / ООО «МЦ ЭОР». – 2025. – № 1. – URL: https://nopak.ru/dao25-001 (дата обращения: 18.12.2025). – Текст: электронный.