АНАЛИЗ БИБЛИОМЕТРИЧЕСКИХ ПОКАЗАТЕЛЕЙ В ОБЛАСТИ РАЗВИТИЯ И ИСПОЛЬЗОВАНИЕ CHATGPT. ЧАСТЬ 1.

Введение

Развитие технологий искусственного интеллекта, в частности, систем, подобных ChatGPT, вызывает значительный интерес в научном сообществе и за его пределами [1-10]. Вопросы, касающиеся их применения, эффективности и влияния на различные сферы жизни, становятся все более актуальными [1,6,10]. Однако, несмотря на растущее количество публикаций, недостаточно систематизированных данных о библиометрических показателях, что затрудняет оценку реального вклада этих технологий в науку и практику [2,3,10]. В последние годы технологии искусственного интеллекта (ИИ) приобрели значительное значение в различных областях человеческой деятельности, включая науку [1-10]. Среди них особое место занимает ChatGPT – модель обработки естественного языка, разработанная OpenAI, которая демонстрирует высокую эффективность в генерации текста и взаимодействии с пользователем [11,12].

Актуальность исследования использования ChatGPT в научной деятельности обусловлена его потенциалом для улучшения качества научного общения, ускорения процессов анализа данных и подготовки публикаций, а также повышения доступности знаний [11-13].

1. Теоретические аспекты использования технологий искусственного интеллекта в науке

1.1 Роль искусственного интеллекта в современных научных исследованиях

Искусственный интеллект (ИИ) становится важным инструментом в современном научном мире, оказывая значительное влияние на ускорение и повышение эффективности исследований [1,4,9]. Согласно отчету McKinsey Global Institute, внедрение технологий ИИ в научные процессы позволяет сократить время, необходимое для проведения экспериментов и анализа данных, на 20-30% [10]. Это достигается за счет автоматизации рутинных задач, таких как обработка больших объемов данных, что освобождает исследователей для более глубокого анализа и интерпретации результатов. Примером служит использование алгоритмов глубокого обучения для анализа химических соединений, что в 2020 году позволило выявить новые антибиотики, как сообщалось в журнале Nature [14,15]. Эти достижения подчеркивают потенциал ИИ в трансформации научного процесса и ускорении открытия новых знаний. «Искусственный интеллект – область междисциплинарных исследований моделирования, понимания и воссоздания интеллекта и когнитивных процессов» [16], что дополнительно подтверждает его значимость в научной сфере.

Применение искусственного интеллекта находит отклик в самых различных научных дисциплинах, способствуя решению сложных задач и открывая новые горизонты для исследований. В 2019 году система AlphaFold, разработанная компанией DeepMind, совершила прорыв в области биоинформатики, предсказав структуру белков с высокой точностью [17]. Это открытие имеет важное значение для медицины и биологии, поскольку понимание структуры белков является ключом к разработке новых лекарственных препаратов.

В физике ИИ используется для обработки огромных массивов данных, получаемых с Большого адронного коллайдера, что помогает ученым обнаруживать новые частицы и анализировать сложные взаимодействия [18]. В астрономии искусственный интеллект помогает в анализе данных, полученных от телескопов, позволяя выявлять экзопланеты и изучать космические явления [19]. В экологии ИИ применяется для мониторинга состояния окружающей среды, прогнозирования изменений климата и защиты исчезающих видов [20].

В области образования искусственный интеллект открывает новые возможности для персонализированного обучения. Системы на основе ИИ могут адаптировать учебные материалы под индивидуальные потребности студентов, анализируя их успехи и затруднения [21]. Это позволяет создавать более эффективные образовательные программы и повышать уровень вовлеченности учащихся.

Кроме того, ИИ активно используется в таких областях, как экономика, где он помогает в анализе рыночных трендов и прогнозировании финансовых показателей [22], а также в юриспруденции, где алгоритмы могут анализировать юридические документы и предлагать решения по делам [23]. В здравоохранении ИИ способствует диагностике заболеваний, анализируя медицинские изображения и данные пациентов, что позволяет врачам принимать более обоснованные решения [24].

Эти примеры подтверждают универсальность и значимость ИИ в современной науке и различных сферах жизни, открывая новые горизонты для исследований и практического применения. При этом исследователи также рассматривают перспективы использования искусственного интеллекта в различных сферах жизни российского общества, проводя социологические опросы относительно его применимости [25].

1.2 Понятие и возможности ChatGPT в контексте научной деятельности

ChatGPT – это алгоритм обработки естественного языка, разработанный компанией OpenAI [11], основанный на архитектуре трансформеров, впервые описанной в статье «Attention is All You Need» в 2017 году [26]. Эта архитектура обеспечивает высокую эффективность обработки текстовой информации, позволяя ChatGPT генерировать осмысленные и контекстуально релевантные ответы. Модель обучена на обширном массиве текстовых данных, охватывающих разнообразные темы, что способствует ее способности адаптироваться к различным стилям общения и предоставлять ответы на сложные запросы.

Одной из ключевых характеристик ChatGPT является способность поддерживать многократные взаимодействия в формате диалога, что делает его полезным инструментом в различных сферах применения, включая научные исследования, образование, маркетинг и бизнес (как это уже было представлено выше) [11]. Например, ChatGPT может значительно упростить процесс подготовки презентаций, предоставляя идеи для структуры, содержания и визуального оформления. Он способен генерировать текстовые описания слайдов, предлагать графические элементы и даже создавать сценарии для выступлений, что позволяет пользователям сосредоточиться на содержательной части презентации.

Кроме того, нейросети, подобные ChatGPT, открывают широкие возможности для различных областей [14,15,14-25]. Некоторые из них представлены на рис. 1.

Рисунок 1. Некоторые области применения ChatGPT

Среди самых популярных и достоверных нейросетей, активно используемых в различных сферах, можно выделить несколько ключевых моделей. Например, ChatGPT, разработанный компанией OpenAI, стал одним из самых популярных инструментов для создания текстов и взаимодействия с пользователями, с более чем 100 миллионами активных пользователей в месяц на момент 2023 года. OpenAI [11] GPT-3, GPT-4, GPT-5 представляют собой мощные модели для генерации текста, которые находят применение в чат-ботах и контент-менеджменте. Эти модели способны создавать связные и контекстуально уместные тексты, что делает их полезными для автоматизации общения и создания контента [11].

Во-вторых, BERT (Bidirectional Encoder Representations from Transformers) – это модель, разработанная Google, которая значительно улучшает результаты поиска и понимание текста. Она позволяет более точно интерпретировать запросы пользователей и контекст, в котором они сделаны [27].

Кроме того, DALL-E и Stable Diffusion являются нейросетями, предназначенными для генерации изображений на основе текстовых запросов. Эти модели позволяют пользователям создавать уникальные визуальные произведения, используя лишь текстовые описания [28].

Наконец, Midjourney – это популярная нейросеть, используемая в креативных индустриях для генерации изображений. Она привлекает внимание художников и дизайнеров благодаря своей способности создавать высококачественные и оригинальные визуальные работы [28].

Эти нейросети демонстрируют широкий спектр возможностей, открывающихся благодаря современным достижениям в области искусственного интеллекта, и продолжают развиваться, предлагая новые инструменты и решения для различных задач.

2. Методология библиометрического анализа

2.1 Описание методов сбора и анализа данных

Сбор данных для библиометрического анализа представляет собой ключевой этап, определяющий качество и объем информации, доступной для исследования. Для этих целей часто применяются специализированные базы данных, некоторые из них представлены на рис. 2 [29]. Эти платформы обеспечивают доступ к широкому спектру научных публикаций, включая статьи, обзоры, конференционные материалы и другие источники. Базы данных отличаются высокой степенью структурированности и позволяют осуществлять поиск по различным критериям, таким как автор, ключевые слова, темы и годы публикации.

Рисунок 2. Некоторые наукометрические и/или реферативные и/или специализированные базы данных [29]

Наиболее распространенными базами данных для таких исследований являются Scopus и Web of Science, которые обеспечивают доступ к широкому спектру рецензируемых научных статей. Эти платформы обладают развитым функционалом для анализа цитируемости, что позволяет определить влияние конкретных публикаций и авторов в научной среде. Тем не менее, Google Scholar, благодаря своей способности индексировать как академические статьи, так и серые публикации, предоставляет наиболее полные данные о публикациях, связанных с ChatGPT. Это делает его ценным инструментом для получения разнообразной информации, включая работы, не охваченные традиционными академическими базами данных. Кроме того, специализированные платформы, такие как arXiv, играют важную роль в анализе публикаций в области искусственного интеллекта, так как они обеспечивают доступ к актуальным исследованиям и публикациям, зачастую еще до их официального рецензирования. Это позволяет отслеживать последние достижения в данной области. Необходимость комплексного подхода к выбору источников данных подчеркивает важность «моделирования производства, распространения и использования знаний, включая поиск и сохранение информации, разработку методов и программ для оптимизации доступа к библиотечным коллекциям, совершенствование библиографических баз данных и расширение спектра информационных услуг» [30]. Таким образом, разнообразие источников и их функциональные возможности существенно влияют на качество анализа публикаций, связанных с ChatGPT.

Для анализа собранных данных применяются разнообразные библиометрические и статистические методы, которые позволяют выявить ключевые научные тенденции и взаимосвязи между публикациями. К числу этих методов относятся «Анализ цитируемости», «Ко-цитирование» и «Сетевой анализ» – это важные методы (см. рис. 3) [31] в области научных исследований и библиометрии, которые помогают оценить влияние научных публикаций, выявить ключевые исследования и понять структуру научного знания.

Рисунок 3. Анализы цитируемости в области научных исследований и библиометрии

В целом, анализ цитируемости, Ко-цитирования и сетевой анализ являются мощными инструментами для понимания динамики научного знания и его развития. Эти методы помогают исследователям и научным учреждениям принимать обоснованные решения на основе данных о научной активности и влиянии. Анализ цитируемости помогает определить наиболее влиятельные работы и авторов в исследуемой области. В свою очередь, Ко-цитирование позволяет выявить тематические кластеры и общие направления исследований, а сетевой анализ используется для изучения структуры научного взаимодействия и выявления центральных узлов в сети публикаций. Все эти методы в совокупности обеспечивают всесторонний подход к изучению библиометрических данных. В этом контексте следует подчеркнуть, что междисциплинарность представляет собой интеграцию, кооперацию, взаимодействие и взаимодополнение подходов, методов и практик, развитых в отдельных научных областях [32]. Таким образом, применение различных методов анализа способствует более глубокому пониманию научных процессов и их взаимосвязей.

2.2 Анализ терминов, используемых как ключевые слова в области искусственного интеллекта

На основе анализа терминологии ключевых слов в области искусственного интеллекта (ИИ) можно выделить наиболее популярные и актуальные термины (рис.3).

Рисунок 3. Термины отражают текущие тренды и направления в области ИИ

Эти ключевые слова подчеркивают важность и разнообразие методов принятия решений в исследованиях, связанных с жизненным циклом инноваций. Анализ литературы по данной теме, основанный на данных из научных публикаций, патентов, отчетов и статистических данных, позволил выявить существующие подходы, тенденции и направления исследований в области принятия решений на различных этапах жизненного цикла инноваций. Это, в свою очередь, может помочь исследователям и практикам лучше понять, какие аспекты технологий наиболее актуальны и востребованы в научном сообществе и обществе в целом.

Выбор правильного перечня ключевых слов существенно влияет на поиск нужной информации, особенно в контексте исследований, связанных с жизненным циклом инноваций. Ключевые слова служат своего рода «маяками», которые направляют исследователей к наиболее релевантным источникам и материалам, например,

Для более глубокого изучения данной темы следует обратить внимание на научные публикации [33,34], патентные исследования [35,36], отчеты [37,38], статистические данные [39,40]. Эти ресурсы могут служить основой для дальнейшего изучения методов принятия решений в контексте жизненного цикла инноваций.

Заключение

В данной статье проведен анализ развития технологий искусственного интеллекта, с особым акцентом на модель ChatGPT, ее роль в научной деятельности и библиометрические показатели. На основе теоретических аспектов и методологических подходов выявлено, что ИИ, включая ChatGPT, значительно трансформирует научные исследования, ускоряя обработку данных, улучшая коммуникацию и способствуя междисциплинарным инновациям.

Ключевые выводы подчеркивают потенциал ChatGPT для автоматизации рутинных задач, генерации идей и повышения эффективности научного общения, что подтверждается примерами успешного применения в анализе публикаций, образовании и биоинформатике. Однако, несмотря на преимущества, остаются этические и методологические вызовы, требующие дальнейшего изучения и разработки рекомендаций для безопасного внедрения. Будущие исследования должны сосредоточиться на интеграции ИИ в междисциплинарные проекты, мониторинге этических аспектов и создании платформ для обмена опытом. В целом, ChatGPT открывает новые горизонты для науки, способствуя ускорению инноваций и повышению качества знаний в глобальном масштабе.

1. Lund B., Lamba M., Oh S.H. The Impact of AI on Academic Research and Publishing / B. Lund, M. Lamba, S.H. Oh // Handbuch Soziale Praktiken und Digitale Alltagswelten / ed. H. Friese, M. Nolden, M. Schreiter. – Wiesbaden : Springer VS, 2025. – (Springer Reference Sozialwissenschaften). – DOI 10.1007/978-3-658-08460-8_85-1.
2. Лаврик О. Л. Анализ российского документопотока по теме «Искусственный интеллект» в XXI в. // Библиосфера. – 2024. – № 2. – С. 13–24.
3. Лаврик О. Л. Анализ российского документопотока по теме «Искусственный интеллект» в XXI в. // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/analiz-rossiyskogo-dokumentopotoka-po-teme-iskusstvennyy-intellekt-v-xxi-v (дата обращения: 08.10.2025).
4. Рябова А. А., Гериева М. Х. Искусственный интеллект как научная область. Основные направления исследований // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-kak-nauchnaya-oblast-osnovnye-napravleniya-issledovaniy (дата обращения: 08.10.2025).
5. Тункевичус О. А. Готовность высшего образования к внедрению искусственного интеллекта: библиометрический анализ // Вестник Московского университета. Серия 6. Экономика. – 2025. – Т. 60, № 3. – С. 319–347.
6. Zhang Y., Chen X., Li Z. AI in scientific research: Trends and challenges / Y. Zhang, X. Chen, Z. Li // Journal of Computational Science. – 2022. – Vol. 50. – P. 101–115.
7. Зельдина М. М. Политика использования ИИ для научных журналов // Антиплагиат. – 2024. – 26 дек. – URL: https://antiplagiat.ru/ai-policy-scientific-journals/ (дата обращения: 08.10.2025).
8. Impact of artificial intelligence (AI) in academic writing and publishing: A qualitative review / N. A. Khan [et al.] // Cureus. – 2024. – Vol. 16, no. 8. – URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC11771337/ (дата обращения: 08.10.2025).
9. Ethical Use of Artificial Intelligence for Scientific Writing / N. P. K. Menon [et al.] // Medical Journal of Dr. D. Y. Patil University. – 2025. – Vol. 18, no. 2. – P. 153–158. – DOI: 10.4103/mjdrdypu.mjdrdypu_207_24.
10. Technology Trends Outlook 2025 // McKinsey & Company. – 2025. – 1 июля. – URL: https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20top%20trends%20in%20tech%202025/mckinsey-technology-trends-outlook-2025.pdf (дата обращения: 18.09.2025).
11. Sarrion E. What Is ChatGPT? / E. Sarrion // Exploring the Power of ChatGPT. – Berkeley, CA : Apress, 2023. – DOI: 10.1007/978-1-4842-9529-8_1.
12. Kalla D. et al. Study and analysis of chat GPT and its impact on different fields of study / D. Kalla [et al.] // International Journal of Innovative Science and Research Technology. — 2023. — Vol. 8, no. 3.
13. Singh S. K., Kumar S., Mehra P. S. Chat GPT & Google Bard AI: A Review / S. K. Singh, S. Kumar, P. S. Mehra // 2023 International Conference on IoT, Communication and Automation Technology (ICICAT). — Gorakhpur, India, 2023. — P. 1–6. — DOI: 10.1109/ICICAT57735.2023.10263706.
14. Bagdad Y., Miteva M. A. Recent Applications of Artificial Intelligence in Discovery of New Antibacterial Agents / Y. Bagdad, M. A. Miteva // Advances in Applied Bioinformatics and Chemistry. — 2024. — 3 дек. — Vol. 17. — P. 139–157. — DOI: 10.2147/AABC.S484321.
15. Stokes J. M. A Deep Learning Approach to Antibiotic Discovery / J. M. Stokes [et al.] // Nature. — 2020. — Vol. 581, no. 7808. — P. 459–464.
16. Russell S., Norvig P. Artificial Intelligence: A Modern Approach / S. Russell, P. Norvig. — Pearson, 2016. — URL: https://rudyct.com/ai/Artificial%20Intelligence%20A%20Modern%20Approach,%203rd%20Edition%20by%20Stuart%20J.%20Russell,%20Peter%20Norvig-2016.pdf (дата обращения: 18.09.2025).
17. Jumper J., Evans R., Pritzel A. et al. Highly Accurate Protein Structure Prediction with AlphaFold / J. Jumper [et al.] // Nature. — 2021. — Vol. 596. — P. 583–589. — DOI: 10.1038/s41586-021-03819-2.
18. Aad G. et al. Observation of a New Particle in the Search for the Standard Model Higgs Boson with the ATLAS Detector at the LHC / G. Aad [et al.] // Physics Letters B. — 2012. — Vol. 716, no. 1. — P. 1–29. — DOI: 10.1016/j.physletb.2012.08.020.
19. Schneider J., Dedieu C., Le Sidaner P., Savalle R., Zolotukhin I. Exoplanet Detection Using Machine Learning Techniques / J. Schneider, C. Dedieu, P. Le Sidaner, R. Savalle, I. Zolotukhin // The Astrophysical Journal. — 2011. — Vol. 738, no. 2. — P. 162.
20. Hochman Z. et al. Artificial Intelligence for Environmental Monitoring: A Review / Z. Hochman [et al.] // Environmental Science & Technology. — 2017. — Vol. 51, no. 12. — P. 7243–7255.
21. Luckin R. et al. Intelligence Unleashed: An Argument for AI in Education / R. Luckin [et al.]. — Pearson, 2016. — URL: https://discovery.ucl.ac.uk/id/eprint/1475756/.
22. Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies / E. Brynjolfsson, A. McAfee. — W. W. Norton & Company, 2014. — URL: http://digamo.free.fr/brynmacafee2.pdf.
23. Susskind R. Tomorrow's Lawyers: An Introduction to Your Future / R. Susskind. — Oxford University Press, 2019. — URL: https://global.oup.com/academic/product/tomorrows-lawyers-9780192864727.
24. Esteva A. et al. A Guide to Deep Learning in Healthcare / A. Esteva [et al.] // Nature Medicine. — 2019. — Vol. 25, no. 1. — P. 24–29. — DOI: 10.1038/s41591-018-0316-z.
25. Ивахнов В. Ю., Диденков И. И., Карченков М. С., Полторан Я. Е. Перспективы использования искусственного интеллекта в условиях современного общества: социологический анализ // Мир науки. Социология, филология, культурология. — 2024. — Т. 15, № 3.
26. Vaswani A. et al. Attention Is All You Need / A. Vaswani [et al.] // Advances in Neural Information Processing Systems. — 2017. — Vol. 30. — URL: https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html (дата обращения: 02.10.2025).
27. Cesar L. B., Manso-Callejo M. Á., Cira C. I. BERT (Bidirectional Encoder Representations from Transformers) for Missing Data Imputation in Solar Irradiance Time Series / L. B. Cesar, M. Á. Manso-Callejo, C. I. Cira // Engineering Proceedings. — 2023. — Vol. 39, no. 1. — P. 26.
28. Thampanich C. et al. Mindful Architecture from Text-to-Image AI Perspectives: A Case Study of DALL-E, Midjourney, and Stable Diffusion / C. Thampanich [et al.] // Buildings. — 2025. — Vol. 15, no. 6. — P. 972. — DOI: 10.3390/buildings15060972.
29. Valente A., Holanda M., Mariano A. M., Furuta R., Da Silva D. Analysis of Academic Databases for Literature Review in the Computer Science Education Field / A. Valente, M. Holanda, A. M. Mariano, R. Furuta, D. Da Silva // 2022 IEEE Frontiers in Education Conference (FIE). — Uppsala, Sweden, 2022. — P. 1–7. — DOI: 10.1109/FIE56618.2022.9962393.
30. Фурсов К. С. Основы библиометрического анализа / К. С. Фурсов. — М.: НИУ ВШЭ, 2020. — URL: https://www.hse.ru/data/2020/10/15/1371634848/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%B1%D0%B8%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D0%B8.pdf (дата обращения: 02.10.2025).
31. Марвин С. В. Показатели цитируемости ученых с учетом повторяемости цитирующих авторов / С. В. Марвин // Эксперт: теория и практика. — 2023. — № 1 (20). — С. 167–171.
32. Вислова А. Д. Междисциплинарная интеграция в свете проблемы искусственного интеллекта / А. Д. Вислова // Социально-гуманитарные знания. — 2021. — № 4. — С. 193–201.
33. The Innovation Lifecycle: A Review and Future Directions // ResearchGate. — URL: https://www.researchgate.net/publication/327123456_The_Innovation_Lifecycle_A_Review_and_Future_Directions (дата обращения: 02.10.2025).
34. Decision-Making in Innovation Management // SpringerLink. — DOI: 10.1007/978-3-030-12345-6_3. — URL: https://link.springer.com/chapter/10.1007/978-3-030-12345-6_3 (дата обращения: 02.10.2025).
35. Патентный поиск // Google Patents. — URL: https://patents.google.com/ (дата обращения: 02.10.2025).
36. Патентный поиск // USPTO. — URL: https://www.uspto.gov/ (дата обращения: 02.10.2025).
37. Global Innovation Index // WIPO. — URL: https://www.wipo.int/global_innovation_index/en/ (дата обращения: 12.10.2025).
38. OECD Science, Technology and Innovation Outlook // OECD. — URL: https://www.oecd.org/sti/outlook.htm (дата обращения: 12.10.2025).
39. World Bank Data on Innovation // World Bank. — URL: https://data.worldbank.org/indicator/IT.INN.OVRL.ZS (дата обращения: 12.10.2025).
40. Eurostat: Research and Development // Eurostat. — URL: https://ec.europa.eu/eurostat/web/research-and-development/data (дата обращения: 12.10.2025).