Когнитивный алгоритм и программа конспектирования текста

Цель исследования. Исследование направлено на изучение возможностей применения когнитивных технологий (КТ) для эффективного решения плохо формализуемых задач в сфере анализа больших объемов текстовых данных. Особое внимание уделяется задаче автоматического конспектирования текстов — одной из важнейших проблем современной науки и техники, стимулирующей активное развитие методов искусственного интеллекта и машинного обучения.

Методы. Для достижения поставленной цели применялся извлекательный метод автоматического составления конспекта. Этот подход предполагает выбор наиболее значимых фрагментов исходного текста путем выделения отдельных предложений или фраз на основании определенных критериев. Использовались следующие критерии отбора: частота встречаемости слов; семантическая важность слов и выражений; позиция предложений внутри документа. Эти показатели позволяют выделить основные мысли текста и создать компактное резюме, сохраняющее смысл исходного материала.

Результаты. В ходе экспериментов была разработана программа на языке программирования Python, реализующая извлеченный метод конспектирования. Алгоритм основан на анализе частоты появления ключевых слов в тексте, что обеспечивает эффективную оценку значимости каждого предложения. Программа обладает рядом преимуществ: простота реализации и эксплуатации; открытый исходный код, позволяющий легко адаптировать решение под конкретные нужды пользователей; высокая эффективность при обработке значительных объемов текстовой информации. Разработанный инструмент демонстрирует способность эффективно создавать краткое изложение текста, сохраняя основную смысловую нагрузку и структуру оригинального содержания.

Заключение. Использование когнитивного алгоритма позволило значительно повысить производительность процесса анализа и обработки текстовой информации. Предложенная методика способна автоматизировать рутинные операции по составлению конспектов, помогая специалистам быстро получать общее представление о содержании крупных документов и публикаций. Это особенно актуально в условиях современного информационного общества, характеризующегося постоянно растущими потоками данных, которые требуют быстрого и качественного осмысления. Таким образом, исследование показало перспективность внедрения когнитивных технологий в сферу автоматизации интеллектуального труда и предложило практическое решение актуальной проблемы конспектирования больших объемов информации, которое может стать важным помощником для специалистов и исследователей.

1. Староверова Н. А., Шустрова М. Л. Искусственный интеллект в профессиональной сфере. Казань: ООО "Ред.-издательский центр "Школа", 2022. Ч. 1. 84 с. EDN PTSPTI.

2. Бова В.В., Кравченко Ю.А., Родзин С.И. Методы и алгоритмы кластеризации текстовых данных (ОБЗОР) // Известия ЮФУ. Технические науки. 2022. № 4 (228). С. 122-143.

3. Григорян Э.Г., Паршин М.Н. Методы NLP для предобработки текстовых данных и выделения признаков // Бизнес и общество. 2021. № 3 (31).

4. Тюрина Д.А., Пальмов С.В. Применение нейронных сетей в обработке естественного языка // Журнал прикладных исследований. 2023. № 7. С. 158-162.

5. Irada Seyidova, Osman Şərifli I.S.O.Ş., Murad Abbasov M.A. Реализация методов искусственного интеллекта в обработке естественного языка с использованием технологий больших данных // Equipment, Technologies, Materials. 2024. Т. 23, № 5. С. 104-113.

6. Кравченко Д.Ю. Модель онтологии знаний для интеллектуальных систем обработки и анализа текстов // Известия ЮФУ. Технические науки. 2024. № 2 (238). С. 38-50.

7. Захарова М.В., Интеллектуальные помощники для научного исследования в университетах // Мир науки. Педагогика и психология. 2024. Т. 12. № 4.

8. Ковтан А.И., Якубович Д.А., Использование систем искусственного интеллекта в обработке текстовой информации // Сборник материалов научно-практических конференций. Владимир, 2024. С. 1785-1796.

9. Лисицин Л. А., Халин Ю. А., Лисицин А. Л. Системы поддержки принятия управленческих решений в условиях неполной информации // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 95-99.

10. Sharma M., Schuermyer C., Benware B. Determination of Dominant-Yield-Loss Mechanism with Volume Diagnosis // Proc. of IEEE Design & Test of Computers. 2010. Vol.27, no.3. P.54-61.

11. Сурова Н. Ю., Косов М. Е. Искусственный интеллект. М.: Издательство "Юнити-Дана", 2021. 408 с. EDN QZEMDW.

12. Остроух А. В. Введение в искусственный интеллект. Красноярск: Научно-инновационный центр, 2020. 250 с. DOI 10.12731/978-5-907208-26-1. EDN KTJGZM.

13. Когнитивное моделирование информационного обеспечения игрового автоматизированного обучения / Халин Ю.А., Катыхин А.И., Зинкин С.А., Шилин А.А. // Известия Юго-Западного государственного университета. 2022. Т. 26, № 4. С. 117-131. https://doi.org/10.21869/2223-1560-2022-26-4-117-131

14. Исследование методов обработки текстовой информации и обзор этапов создания модели искусственного интеллекта при создании чат-ботов / А.В. Иванова, А.А. Кузьменко, Р.А. Филиппов [и др.] // Автоматизация и моделирование в проектировании и управлении. 2021. № 2 (12). С. 19-23.

15. Наместников А. М. Онтологический подход к структурированию знаний проектной организации // Радиотехника. 2016. N 9. С. 77-83.

16. Цифровая трансформация и искусственный интеллект в разработке биологически активных веществ и лекарственных форм / Л. В. Погребняк, Е. А. Кульгав, Е. В. Ковтун, А. В. Погребняк. М.: Мир науки, 2022. 201 с. EDN LWVFJC.

17. Lal M. Neo4j Graph Data Modeling. Packt Publishing, 2015. 119 р.

18. Никитин Ю.В., Хорошилов А.А. Интеллектуальный текстовый процессор // Искусственный интеллект. Теория и практика. 2023. № 1 (1). С. 56-75.

19. Пань В., Цзы Е. Роль искусственного интеллекта (AGI) в цифровой журналистике: от производства новостей до взаимодействия со зрителем // Успехи гуманитарных наук. 2024. № 8. С. 36-40.