Научная работа и ИИ: какие задачи решает нейросеть
Курсовые и дипломные работы — это важные этапы в обучении любого студента. Они помогают не только получать академические знания, но и развивать компетенции, которые пригодятся в реальной жизни. Все мы это знаем. Но подступиться к ним бывает сложно.
Отчасти причина в больших объёмах рутинной работы. Почему бы не отдать эту часть нейронке? Тогда можно будет сфокусироваться на творческом и интересном: создании гипотез, поиске исследовательских решений, аналитике и формулировании новых идей. Особенно если преподаватель не против — как и случилось в Вышке.
Технологии AI всё больше интегрируются в нашу каждодневную реальность, позволяя выполнять рутинные задачи быстрее и продуктивнее. При этом важно, что нейросети не заменяют людей, но становятся именно компаньонами.
Думаю, рабочий процесс в любой профессии скоро будет реализовываться в модели «человек + AI», где нейросеть — главный помощник. Поэтому важно уже сейчас учиться интегрировать ИИ в свою профессиональную и исследовательскую деятельность. Это позволяет студентам сделать свой образовательный опыт богаче.
Кирилл Баранников, руководитель направления высшего образования в Яндексе
Какие типы задач можно решать вместе с ИИ
-
Структурирование — выделить главные тезисы в текстах статей, аналитических публикаций, отчётов.
-
Суммаризация — подготовить аннотации или выжимки из материалов.
-
Оформление текста — перефразировать сложные предложения и абзацы, сохраняя смысл оригинала. Это особенно полезно при работе с большим объёмом информации, когда нужно привести различные источники к единому стилю.
-
Самопроверка — выявить грамматические, орфографические и стилистические ошибки. Это позволяет повысить качество текста и сделать его более читабельным. Кроме того, нейронные сети могут предложить рекомендации по улучшению структуры и логики изложения.
-
Перевод. Это особенно полезно при работе с иностранными исследованиями и статьями, которые могут содержать важную информацию для дипломной работы.
-
Размышление вслух о предмете — выступить в роли собеседника, с которым можно обсуждать различные аспекты темы. Такой диалог помогает глубже понять предмет, наметить основные направления исследования и найти новые идеи для аргументации.
Какой опыт был у студентов
Юлия Бубнова, программа «Медиаменеджмент». Магистерская работа «Алгоритмическая новостная лента как перспективный продукт для современных российских информагентств»
По моему опыту, YandexGPT хорошо пишет текст на абстрактные темы, генерирует контент и здорово помогает в оформлении. Но иногда выдумывает источники информации и не всегда умеет анализировать большие данные, поэтому я всё перепроверяла. Вот для чего я его использовала:
-
Формирование выводов. Модель отлично справлялась с обобщением информации и выделением ключевых тезисов, что особенно полезно при написании заключительных частей работы.
-
Оформление сносок. Модель корректно оформляла ссылки по госту, хотя иногда требовала дополнительных пояснений. Пример промта для этой задачи:
> «Привет! Помоги, пожалуйста, оформить ссылки по ГОСТу. Формат такой: Название статьи или страницы // Название сайта. URL: ссылка. (Дата обращения: 04.05.2024). Дату обращения везде пиши 04.05.2024».
Богдана Подрожанцева, программа «Медиаменеджмент». Магистерская работа «Роль ностальгии в медиастратегии российских развлекательных телеканалов»
Мне понравилось, что нейросеть помогает вдохновиться: в беседе с ней понимаешь, куда можно развить мысль. Также она хороша в написании коротких форм — постов и новостей: это было важно для примеров. Но ИИ не всегда хорошо выбирает научные слова, иногда фантазирует, поэтому важно делать фактчекинг.
Сначала я чувствовала сопротивление: казалось, что в работе с YandexGPT есть подвох. После ознакомления с инструкцией по работе и консультации с научруком стало легче. Самое простое — структурирование моего собственного текста: здесь YandexGPT справился отлично.
Первая задача GPT — проработать и структурировать понятие медианостальгии. С подробным промтом и объёмными вводными получилось как надо. Далее я просила написать заключение. В итоге нейросеть помогла мне увидеть всю структуру работы, понять, как она выглядит глобально, выделить важные разделы, но дальше я уже писала самостоятельно, потому что качественный анализ GPT всё же пока делать не умеет.
Чтобы продуктивно работать с большими языковыми моделями, важно проектировать задачи, обладать навыком критического мышления и уметь формулировать гипотезы.
В рамках этого проекта студенты использовали GPT-инструменты преимущественно для анализа источников и суммаризации, а также для структурирования и оформления содержания. Но нейросеть не замещала студента, не проводила исследование, не формулировала выводы по работе. Главная роль оставалась у студентов. Генеративные инструменты ускоряли и обогащали работу, были теми самыми «компаньонами».
Кирилл Баранников, руководитель направления высшего образования в Яндексе