id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
8,857 | 2026-02-24T09:08:21.403000Z | 2026-02-24T09:08:21.403000Z | Lec. | Техническая реализация: | false | true | false | |
8,856 | 2026-02-24T09:08:16.662000Z | 2026-02-24T09:08:16.662000Z | Lec. | Требования к формату ответа | false | true | false | |
8,855 | 2026-02-24T09:08:13.538000Z | 2026-02-24T09:08:13.538000Z | Lec. | Полный перечень возможных рубрик; | false | true | false | |
8,854 | 2026-02-24T09:08:12.015000Z | 2026-02-24T09:08:12.015000Z | Lec. | Четкую инструкцию по выполнению классификации; | false | true | false | |
8,853 | 2026-02-24T09:08:10.490000Z | 2026-02-24T09:08:10.490000Z | Lec. | Конструирование специализированных промптов, содержащих: | false | true | false | |
8,852 | 2026-02-24T09:08:08.603000Z | 2026-02-24T09:08:08.603000Z | Lec. | Реализация решения включает следующие этапы: | false | true | false | |
8,851 | 2026-02-24T09:08:06.341000Z | 2026-02-24T09:08:06.341000Z | Lec. | Особенностью подхода является использование заранее определенного словаря тематических рубрик в качестве набора целевых классов, что исключает необходимость этапа обучения модели на размеченных данных | false | true | false | |
8,850 | 2026-02-24T09:08:04.765000Z | 2026-02-24T09:08:04.765000Z | Lec. | В рамках данного исследования применена методика Zero-Shot Learning для решения задачи многометочной классификации научных текстов | false | true | false | |
8,849 | 2026-02-24T09:08:02.999000Z | 2026-02-24T09:08:02.999000Z | Lec. | Zero-Shot Learning (ZSL) представляет собой современный подход в области машинного обучения, позволяющий решать задачи классификации без необходимости предварительного обучения модели на размеченных данных для целевых классов [25] | false | true | false | |
8,848 | 2026-02-24T09:08:01.144000Z | 2026-02-24T09:08:01.144000Z | Lec. | Следует отметить, что рассмотренные исследования либо ограничиваются первым уровнем ГРНТИ, либо фокусируются на системе УДК, не предлагая завершенного решения для автоматической многоуровневой классификации научных публикаций | false | true | false | |
8,847 | 2026-02-24T09:07:59.356000Z | 2026-02-24T09:07:59.356000Z | Lec. | Сравнительный анализ показал преимущество модели E5 [24] с результатом 0.47 по F1-мере при работе с кодами УДК для разных уровней (от 2 до 16 уровней детализации) | false | true | false | |
8,846 | 2026-02-24T09:07:57.568000Z | 2026-02-24T09:07:57.568000Z | Lec. | Авторами разработаны специализированные оценочные показатели, учитывающие иерархическую природу классификации: точность иерархической категоризации и точность иерархических рекомендаций | false | true | false | |
8,845 | 2026-02-24T09:07:55.793000Z | 2026-02-24T09:07:55.793000Z | Lec. | В научной публикации [22] рассматриваются алгоритмы категоризации по системе УДК [23] | false | true | false | |
8,844 | 2026-02-24T09:07:54.001000Z | 2026-02-24T09:07:54.001000Z | Lec. | В рамках эксперимента с 15 категориями первого уровня ГРНТИ был получен показатель F1-меры 0.865 благодаря использованию современных нейросетевых архитектур, включая ruBERT разработки МФТИ [21] | false | true | false | |
8,843 | 2026-02-24T09:07:52.170000Z | 2026-02-24T09:07:52.170000Z | Lec. | Другой подход [20] сконцентрирован на анализе ключевых терминологических единиц научных статей | false | true | false | |
8,842 | 2026-02-24T09:07:50.515000Z | 2026-02-24T09:07:50.515000Z | Lec. | Применение традиционных алгоритмов машинного обучения и базовых нейросетевых архитектур позволило достичь показателя F1-меры 0.67, однако работа ограничивалась анализом только верхнего уровня таксономии ГРНТИ | false | true | false | |
8,841 | 2026-02-24T09:07:48.609000Z | 2026-02-24T09:07:48.609000Z | Lec. | В исследовательской работе [19] предложен метод классификации, основанный на объединении метаданных публикаций (заголовок, аннотация и ключевые термины) | false | true | false | |
8,840 | 2026-02-24T09:07:46.825000Z | 2026-02-24T09:07:46.825000Z | Lec. | Однако в научных публикациях можно найти отдельные разработки, направленные на решение отдельных аспектов данной проблемы | false | true | false | |
8,839 | 2026-02-24T09:07:45.290000Z | 2026-02-24T09:07:45.290000Z | Lec. | Анализ существующих подходов к автоматической категоризации научных текстов на русском языке в соответствии с иерархией ГРНТИ показывает отсутствие комплексных системных решений | false | true | false | |
8,838 | 2026-02-24T09:07:43.720000Z | 2026-02-24T09:07:43.720000Z | Lec. | Возможности: Способность решать широкий спектр лингвистических задач, такие как обобщение, перевод, классификация документов и диалоги с пользователями | false | true | false | |
8,837 | 2026-02-24T09:07:42.066000Z | 2026-02-24T09:07:42.066000Z | Lec. | Специализация: Основное предназначение — решение задач анализа и генерации текстов на русском языке | false | true | false | |
8,836 | 2026-02-24T09:07:39.613000Z | 2026-02-24T09:07:39.613000Z | Lec. | Архитектура: Transformer-based архитектура с применением механизмов внимания (self-attention) | false | true | false | |
8,835 | 2026-02-24T09:07:37.868000Z | 2026-02-24T09:07:37.868000Z | Lec. | Модель обладает высокой точностью понимания русского языка и эффективна в решении широкого спектра задач: обработка текстов, генерация содержательных ответов, обучение пользователей, работа с числами и аналитика данных | false | true | false | |
8,834 | 2026-02-24T09:07:35.896000Z | 2026-02-24T09:07:35.896000Z | Lec. | GigaChat [18] — русскоязычная нейронная сеть, созданная компанией Сбер, специализирующаяся на обработке естественного языка | false | true | false | |
8,833 | 2026-02-24T09:07:34.122000Z | 2026-02-24T09:07:34.122000Z | Lec. | Особенности: Возможность обработки мультимодальных запросов одновременно, гибкость настройки под конкретные задачи | false | true | false | |
8,832 | 2026-02-24T09:07:32.341000Z | 2026-02-24T09:07:32.341000Z | Lec. | Языки: Поддерживает большинство мировых языков, включая русский | false | true | false | |
8,831 | 2026-02-24T09:07:30.809000Z | 2026-02-24T09:07:30.809000Z | Lec. | Архитектура: Трансформеры, использующие внимание (attention mechanism) | false | true | false | |
8,830 | 2026-02-24T09:07:29.073000Z | 2026-02-24T09:07:29.073000Z | Lec. | Данная модель способна обрабатывать различные типы данных (текстовые, визуальные), демонстрируя высокие результаты в генерации текста, понимании естественного языка, классификации изображений и многозадачных сценариях | false | true | false | |
8,829 | 2026-02-24T09:07:27.299000Z | 2026-02-24T09:07:27.299000Z | Lec. | Mistral Large [17]— большая языковая модель, разработанная канадской компанией Mistral AI | false | true | false | |
8,828 | 2026-02-24T09:07:25.399000Z | 2026-02-24T09:07:25.399000Z | Lec. | Наряду с моделью BERT активно развиваются и другие трансформерные архитектуры, среди которых выделяются Mistral Large и GigaChat | false | true | false | |
8,827 | 2026-02-24T09:07:23.590000Z | 2026-02-24T09:07:23.590000Z | Lec. | Исследования, проводимые ранее, подтверждают высокую эффективность BERT для решения задач научной классификации [16] | false | true | false | |
8,826 | 2026-02-24T09:07:21.748000Z | 2026-02-24T09:07:21.748000Z | Lec. | Среди лидирующих по популярности моделей данной архитектуры следует выделить BERT (Bidirectional Encoder Representations from Transformers) [15] | false | true | false | |
8,825 | 2026-02-24T09:07:19.998000Z | 2026-02-24T09:07:19.998000Z | Lec. | Трансформерные архитектуры демонстрируют исключительную эффективность при решении задач текстовой классификации, что обусловлено их способностью анализировать сложные семантические связи и долгосрочные зависимости между языковыми единицами в тексте [14] | false | true | false | |
8,824 | 2026-02-24T09:07:18.052000Z | 2026-02-24T09:07:18.052000Z | Lec. | Рисунок 2 – Архитектура transformer [13] | false | true | false | |
8,823 | 2026-02-24T09:07:16.312000Z | 2026-02-24T09:07:16.312000Z | Lec. | Также в трансформер входят следующие компоненты [13]: | false | true | false | |
8,822 | 2026-02-24T09:07:14.817000Z | 2026-02-24T09:07:14.817000Z | Lec. | В последнее десятилетие в области NLP (Natural Language Processing) получили распространение модели на основе архитектуры трансформер [13] | false | true | false | |
8,821 | 2026-02-24T09:07:13.074000Z | 2026-02-24T09:07:13.074000Z | Lec. | Другое исследование [12] оценивало эффективность шести алгоритмов машинного обучения и алгоритма сопоставления строк на основе характеристик десятичной классификации Дьюи (DDC) | false | true | false | |
8,820 | 2026-02-24T09:07:11.221000Z | 2026-02-24T09:07:11.221000Z | Lec. | Многослойный персептрон (MLP) [11] | false | true | false | |
8,819 | 2026-02-24T09:07:09.653000Z | 2026-02-24T09:07:09.653000Z | Lec. | Метод k-ближайших соседей (k-NN) [10]; | false | true | false | |
8,818 | 2026-02-24T09:07:08.046000Z | 2026-02-24T09:07:08.046000Z | Lec. | Метод опорных векторов (SVM) [9]; | false | true | false | |
8,817 | 2026-02-24T09:07:06.053000Z | 2026-02-24T09:07:06.053000Z | Lec. | Наивный байесовский классификатор (NB) [8]; | false | true | false | |
8,816 | 2026-02-24T09:07:04.311000Z | 2026-02-24T09:07:04.311000Z | Lec. | В работе [7] проведено сравнение эффективности различных алгоритмов обучения с учителем для классификации по рубрикам УДК: | false | true | false | |
8,815 | 2026-02-24T09:07:02.556000Z | 2026-02-24T09:07:02.556000Z | Lec. | В частности, полносвязные нейронные сети использовались для автоматической классификации статей по рубрикам универсального десятичного классификатора (УДК) [4—6] | false | true | false | |
8,814 | 2026-02-24T09:07:00.793000Z | 2026-02-24T09:07:00.793000Z | Lec. | С развитием вычислительных технологий в классификации стали применяться традиционные алгоритмы, включая логистическую регрессию [3] | false | true | false | |
8,813 | 2026-02-24T09:06:58.837000Z | 2026-02-24T09:06:58.837000Z | Lec. | Разработка автоматизированных систем научной классификации ведется на протяжении длительного времени [2] | false | true | false | |
8,812 | 2026-02-24T09:06:57.080000Z | 2026-02-24T09:06:57.080000Z | Lec. | Рисунок 1 – Распределение кодов ГРНТИ первого уровня | false | true | false | |
8,811 | 2026-02-24T09:06:55.574000Z | 2026-02-24T09:06:55.574000Z | Lec. | Несбалансированное распределение данных способствует систематической недооценке моделями редко встречающихся классов, снижая общую эффективность классификации [1] | false | true | false | |
8,810 | 2026-02-24T09:06:54.021000Z | 2026-02-24T09:06:54.021000Z | Lec. | В результате анализ распределения данных для первого уровня ГРНТИ была выявлена несбалансированность (рис. 1) | false | true | false | |
8,809 | 2026-02-24T09:06:52.116000Z | 2026-02-24T09:06:52.116000Z | Lec. | Таблица 1 – Распределение рубрик ГРНТИ | false | true | false | |
8,808 | 2026-02-24T09:06:50.586000Z | 2026-02-24T09:06:50.586000Z | Lec. | Для обеспечения кроссплатформенной совместимости и упрощения развертывания backend-части приложения используется Docker-контейнеризация | false | true | false | |
8,807 | 2026-02-24T09:06:49.040000Z | 2026-02-24T09:06:49.040000Z | Lec. | В перспективе планируется его развертывание на сервере ВИНИТИ РАН | false | true | false | |
8,806 | 2026-02-24T09:06:47.358000Z | 2026-02-24T09:06:47.358000Z | Lec. | Разработанное веб-приложение успешно запущено на сервере лаборатории САПР | false | true | false | |
8,805 | 2026-02-24T09:06:45.597000Z | 2026-02-24T09:06:45.597000Z | Lec. | Успешным тестированием реализованного веб-интерфейса и консольного приложения на примерах текстов для классификации | false | true | false | |
8,804 | 2026-02-24T09:06:43.834000Z | 2026-02-24T09:06:43.834000Z | Lec. | Достоверность полученных результатов подтверждается результатами проверки качества предсказаний рубрик ГРНТИ для моделей 1-го, 2-го и 3-го уровня на тестовых и валидационных датасетах | false | true | false | |
8,803 | 2026-02-24T09:06:42.066000Z | 2026-02-24T09:06:42.066000Z | Lec. | Разработанные модули подготовки данных для классификации, обучения, получения предсказаний и формирования отчетов реализуют универсальный подход для работы с моделями из Hugging Face | false | true | false | |
8,802 | 2026-02-24T09:06:40.304000Z | 2026-02-24T09:06:40.304000Z | Lec. | Бесплатный доступ к использованию системы; | false | true | false | |
8,801 | 2026-02-24T09:06:38.658000Z | 2026-02-24T09:06:38.658000Z | Lec. | Разработанная система классификации позволяет получать предсказания для всех трех уровней ГРНТИ; | false | true | false | |
8,800 | 2026-02-24T09:06:37.021000Z | 2026-02-24T09:06:37.021000Z | Lec. | Таким образом, все запланированные функциональные требования выполнены в полном объеме | false | true | false | |
8,799 | 2026-02-24T09:06:35.282000Z | 2026-02-24T09:06:35.282000Z | Lec. | Созданы модули для:. подготовки данных для классификации;. обучения LLM;. получения предсказаний;. формирования отчетов по результатам работы | false | true | false | |
8,798 | 2026-02-24T09:06:33.440000Z | 2026-02-24T09:06:33.440000Z | Lec. | Также создано консольное приложение, которое позволяет производить классификацию научных текстов | false | true | false | |
8,797 | 2026-02-24T09:06:31.190000Z | 2026-02-24T09:06:31.190000Z | Lec. | Разработанный веб-интерфейс успешно запущен на сервере и предоставляет пользователям возможность загружать тексты для классификации по рубрикам ГРНТИ | false | true | false | |
8,796 | 2026-02-24T09:06:29.488000Z | 2026-02-24T09:06:29.488000Z | Lec. | Разработано консольное приложение, позволяющее определять рубрики ГРНТИ как для отдельных текстовых файлов, так и для массива данных, представленных в CSV-таблице | false | true | false | |
8,795 | 2026-02-24T09:06:27.959000Z | 2026-02-24T09:06:27.959000Z | Lec. | Создан веб-интерфейс, развернутый на сервере, который позволяет пользователям получать предсказания категорий ГРНТИ (1-го, 2-го и 3-го уровня) для загруженных текстовых файлов | false | true | false | |
8,794 | 2026-02-24T09:06:26.193000Z | 2026-02-24T09:06:26.193000Z | Lec. | Разработанная система классификации рубрик научных работ по рубрикам ГРНТИ | false | true | false | |
8,793 | 2026-02-24T09:06:24.252000Z | 2026-02-24T09:06:24.252000Z | Lec. | Планируемый результат: | false | true | false | |
8,792 | 2026-02-24T09:06:22.847000Z | 2026-02-24T09:06:22.847000Z | Lec. | Разработать консольное приложение и графический интерфейс приложения | false | true | false | |
8,791 | 2026-02-24T09:06:20.967000Z | 2026-02-24T09:06:20.967000Z | Lec. | Провести сравнительный анализ полученных и существующих моделей; | false | true | false | |
8,790 | 2026-02-24T09:06:18.984000Z | 2026-02-24T09:06:18.984000Z | Lec. | Разработать модуль формирования отчетов с графиками для значений метрик качества и графиками изменения функции потерь при обучении; | false | true | false | |
8,789 | 2026-02-24T09:06:17.467000Z | 2026-02-24T09:06:17.467000Z | Lec. | Реализовать модуль обучения больших языковых моделей для multilabel классификации по рубрикам ГРНТИ и использовать его для обучения различных видов Больших Языковых Моделей (БЯМ, LLM); | false | true | false | |
8,788 | 2026-02-24T09:06:14.781000Z | 2026-02-24T09:06:14.781000Z | Lec. | Разработать модуль предобработки данных при их передаче в формате csv для консольного приложения и в формате txt для графического интерфейса пользователя; | false | true | false | |
8,787 | 2026-02-24T09:06:13.220000Z | 2026-02-24T09:06:13.220000Z | Lec. | Для получения предсказаний требуется реализовать эффективную систему классификации с использованием моделей машинного обучения, обученных на датасете научных работ предоставленном ВИНИТИ РАН | false | true | false | |
8,786 | 2026-02-24T09:06:11.437000Z | 2026-02-24T09:06:11.437000Z | Lec. | Целью работы является разработка программного обеспечения, которое позволит загружать названия, аннотации, ключевые слова научных статей и получать наиболее вероятные рубрики ГРНТИ для каждой статьи | false | true | false | |
8,785 | 2026-02-24T09:06:09.698000Z | 2026-02-24T09:06:09.698000Z | Lec. | Автоматизация поиска подходящих рубрик ГРНТИ поможет авторам научных работ существенно сократить время, увеличить точность, объективность решения задачи классификации, уменьшив влияние человеческого фактора | false | true | false | |
8,784 | 2026-02-24T09:06:07.913000Z | 2026-02-24T09:06:07.913000Z | Lec. | Поскольку количество рубрик велико, поиск нужной может занимать много времени | false | true | false | |
8,783 | 2026-02-24T09:06:05.927000Z | 2026-02-24T09:06:05.927000Z | Lec. | Этого достаточно для того, чтобы описать область знаний, к которой относится статья | false | true | false | |
8,782 | 2026-02-24T09:06:04.147000Z | 2026-02-24T09:06:04.147000Z | Lec. | Обычно используют 3 уровня классификатора | false | true | false | |
8,781 | 2026-02-24T09:06:02.538000Z | 2026-02-24T09:06:02.538000Z | Lec. | Государственного рубрикатора научно-технической информации (далее –ГРНТИ) | false | true | false | |
8,780 | 2026-02-24T09:06:00.795000Z | 2026-02-24T09:06:00.795000Z | Lec. | Каждая научная публикация должна иметь тематический код | false | true | false | |
8,779 | 2026-02-24T09:05:59.252000Z | 2026-02-24T09:05:59.252000Z | Lec. | Система основана на использовании современных нейронных сетей, и состоит из модулей предобработки текстов статей, обучения моделей нейронных сетей, классификации публикаций и генерации статистических отчетов по заданным критериям | false | true | false | |
8,778 | 2026-02-24T09:05:57.252000Z | 2026-02-24T09:05:57.252000Z | Lec. | Для обучения классификатора использовался датасет из 295000 текстов, предоставленных ВИНИТИ РАН | false | true | false | |
8,777 | 2026-02-24T09:05:55.417000Z | 2026-02-24T09:05:55.417000Z | Lec. | Система позволила оптимизировать время и трудозатраты сотрудников, повысила объективность и качество рубрикации, а также снизила влияние человеческого фактора при назначении рубрик новым документам | false | true | false | |
8,776 | 2026-02-24T09:05:53.648000Z | 2026-02-24T09:05:53.648000Z | Lec. | Были рассмотрены и исследованы алгоритмы машинного обучения, решающие задачи классификации текстов | false | true | false | |
8,775 | 2026-02-24T09:05:51.900000Z | 2026-02-24T09:05:51.900000Z | Lec. | В ходе реализации проекта создано специальное программное обеспечение, предназначенное для классификации текстов по уровням ГРНТИ | false | true | false | |
8,774 | 2026-02-24T09:05:50.142000Z | 2026-02-24T09:05:50.142000Z | Lec. | Список литературы 55 | false | false | false | |
8,773 | 2026-02-24T09:05:48.208000Z | 2026-02-24T09:05:48.208000Z | Lec. | Примеры работы ПО 46. 10.1 Веб интерфейс 46. 10.2 CLI интерфейс 53. 11 | false | false | false | |
8,772 | 2026-02-24T09:05:46.666000Z | 2026-02-24T09:05:46.666000Z | Lec. | Экономическая эффективность 44. 9.Перечень основных технических и научных результатов 44. 9.1 Научные результаты 44. 9.2 Технические результаты 45. 10 | false | false | false | |
8,771 | 2026-02-24T09:05:44.881000Z | 2026-02-24T09:05:44.881000Z | Lec. | Методика создания веб интерфейса 40. 7.5.1 Методика реализации бэкенда 40. 7.5.2 Методика реализации фронтеда 42. 8 | false | false | false | |
8,770 | 2026-02-24T09:05:43.117000Z | 2026-02-24T09:05:43.117000Z | Lec. | Методика создания консольной версии ПО 39. 7.5 | false | true | false | |
8,769 | 2026-02-24T09:05:41.447000Z | 2026-02-24T09:05:41.447000Z | Lec. | Методика создания модуля формирования отчетов для оценки результатов предсказания 38. 7.4 | false | true | false | |
8,768 | 2026-02-24T09:05:39.379000Z | 2026-02-24T09:05:39.379000Z | Lec. | Методика создания модуля обучения моделей 37. 7.3 | false | true | false | |
8,767 | 2026-02-24T09:05:37.467000Z | 2026-02-24T09:05:37.467000Z | Lec. | Методика создания модуля предобработки данных 36. 7.2 | false | true | false | |
8,766 | 2026-02-24T09:05:35.559000Z | 2026-02-24T09:05:35.559000Z | Lec. | Описание разработанной системы 36. 7.1 | false | true | false | |
8,765 | 2026-02-24T09:05:33.843000Z | 2026-02-24T09:05:33.843000Z | Lec. | Информация о составе проектной команды 36. 7 | false | true | false | |
8,764 | 2026-02-24T09:05:32.176000Z | 2026-02-24T09:05:32.176000Z | Lec. | Панов Елисей Николаевич 35. 6 | true | true | false | |
8,763 | 2026-02-24T09:05:30.672000Z | 2026-02-24T09:05:30.672000Z | Lec. | Еценкова Татьяна Владимировна 35. 5.4 | true | false | false | |
8,762 | 2026-02-24T09:05:29.047000Z | 2026-02-24T09:05:29.047000Z | Lec. | Горбунцов Александр Алексеевич 35. 5.3 | true | true | false | |
8,761 | 2026-02-24T09:05:27.456000Z | 2026-02-24T09:05:27.456000Z | Lec. | Аношин Виктор Иванович 34. 5.2 | true | false | false | |
8,760 | 2026-02-24T09:05:25.891000Z | 2026-02-24T09:05:25.891000Z | Lec. | Ход работы 34. 5.1 | false | true | false | |
8,759 | 2026-02-24T09:05:24.328000Z | 2026-02-24T09:05:24.328000Z | Lec. | Методика и результаты испытаний 13. 4.1 Эксперимент по использованию метода zero-shot learning для решения задачи multilabel классификации 13. 4.1.1 Zero-shot learning 13. 4.1.2 Подготовка данных 14. 4.1.3 Результаты 15. 4.2 Эксперименты по применению моделей машинного обучения с учителем 15. 4.3 Эксперимент по использ... | false | false | false | |
8,758 | 2026-02-24T09:05:17.524000Z | 2026-02-24T09:05:17.524000Z | Lec. | Существующие подходы для решения задачи классификации научных работ 12. 4 | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.