Описаны современные модели и средства публикации и распространения научных знаний. Охарактеризованы современные информационные системы управления научными изданиями и сервисы, определяющие их функциональность.

Введено понятие цифровой инфраструктуры электронного научного журнала как комплекса, который объединяет программную платформу, реализующую основные рабочие процессы управления электронным журналом, и информационные системы, которые обеспечивают функционирование как основных, так и дополнительных сервисов, учитывающих, в частности, специфику предметной области журнала.

Представлен подход к организации цифровой инфраструктуры электронного научного журнала на основе открытой программной системы Open Journal Systems (OJS). Предложены сервисы, расширяющие функциональные возможности этой системы и учитывающие специфику предметной области научных журналов. На основе технологии расширения функционала OJS созданы программные модули, обеспечивающие автоматизацию ряда редакционных процессов электронного научного журнала.

Представлена система сервисов автоматической обработки коллекций научных документов. Эти сервисы обеспечивают проверку соответствия документов коллекций принятым правилам формирования коллекций и преобразования документов в установленные форматы; структурный анализ документов и извлечение метаданных, а также их интеграцию в научное информационное пространство. Система сервисов позволяет автоматически выполнять набор операций, который не реализуем за практически приемлемое время при традиционной «ручной» обработке электронного контента, и предназначена для обработки больших коллекций научных документов.

Охарактеризованы алгоритмы автоматической стилевой валидации текстов на этапе регистрации статьи в информационной системе электронного научного журнала, автоматического подбора рецензентов, рассылки уведомлений и контроля сроков рецензирования.

Представлены методы обработки документов, содержащих математические формулы, в частности, алгоритм поиска по формулам в коллекциях математических документов. Указаны основные идеи, подходы и уже полученные результаты по разработке семантических технологий управления математическими знаниями, в том числе, подход к построению рекомендательных систем на основе онтологий математического знания и метод автоматизации процесса первичной обработки научной статьи, использующей TеX-нотацию.

Охарактеризована проблема построения системы анализа и оценки информационного и социального воздействия публикуемого научного контента на его пользователей. Проведено сопоставление традиционных (библиометрических и наукометрических) и альтернативных показателей такой оценки. Описан мировой опыт использования информетрических сервисов на сайтах научных журналов. Обсуждены варианты реализации этих подходов в рамках цифровой инфраструктуры электронного научного журнала.

В соответствии с требованием Высшей аттестационной комиссии (ВАК) метаданные выпусков журналов из Перечня рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук (Перечень ВАК) уже более 20 лет регулярно размещаются в Российском индексе научного цитирования (РИНЦ) в библиографической базе eLibrary.ru. С марта 2023 г. редакции журналов из Перечня ВАК по рекомендации ВАК начали размещать сведения о выпусках журналов за 2022 г. в базу данных «Российские научные журналы (РНЖ)», созданной Российским научно-исследовательским институтом экономики, политики и права в научно-технической сфере. В апреле 2025 г. приказом Минобрнауки РФ было добавлено новое требование — для журналов из Перечня ВАК наряду с регистрацией в РИНЦ eLibrary.ru требуется регистрация в информационной системе (ИС) «Метафора», разработанной Российским центром научной информации (РЦНИ). Журналам из Перечня ВАК рекомендовано регулярно передавать в ИС «Метафора» метаданные вышедших выпусков журналов через специально организованные интерфейсы. Какую роль выполняют базы РНЖ и ИС «Метафора» в инфраструктуре научных публикаций?

РЦНИ, помимо развития ИС «Метафора», по поручению Правительства РФ выполняет функцию оператора «Белого списка» (БС) научных изданий. «Белый список» в 2023 г. сформировала Межведомственная рабочая группа (МРГ) Минобрнауки РФ. «Белый список» предлагается использовать для мониторинга и оценки публикационной активности российских ученых. В БС изначально было включено около 29 тыс. англоязычных международных журналов и около 1000 русскоязычных журналов из базы Russian Science Citation Index (RSCI). В сентябре 2025 г. русскоязычная часть БС значительно расширилась за счет включения в него журналов из Перечня ВАК. Хотелось бы получить от идеологов БС развернутую информацию о том, как будут корреспондироваться уровни журналов «Белого списка» (У1, У2, У3, У4) и категории журналов Перечня ВАК (К1, К2, К3)?

Рассмотрен цикл построения графа знаний и расширения онтологии для специальной предметной области, описывающей процесс управления потоками данных в службах информационной поддержки. Предложена методика формирования корпуса данных для наполнения онтологии с автоматической псевдоразметкой, включающей специальные категории для фиксации ранее не представленных классов и отношений. Обучена специализированная модель извлечения именованных сущностей на корпусе данных объемом 3 млн токенов с 92 метками. Результаты были использованы для интеграции извлеченных фактов, что увеличило граф знаний до 0.98 млн триплетов, при этом коэффициент расширения графа (отношение общего числа фактов к явным триплетам) увеличился с 2.65 до 3.52 при сохранении логической согласованности. Наборы токенов с одинаковыми метками были преобразованы в устойчивые семантические множества, что позволило полуавтоматически расширить онтологию. В онтологию добавлены 12 новых классов, которые были извлечены из неструктурированных текстовых данных. Показан прикладной пример запросов и дальнейшей аналитики.

Перечень рецензируемых научных журналов ВАК постепенно превращается в достаточно сложную информационную систему, завязанную на нормативные документы ВАК, библиометрические данные eLibrary.ru, решения экспертных советов ВАК и рабочих групп, занимающихся анализом, ранжированием и категорированием журналов Перечня. Созданная ФГБУ РИЭПП база Российские научные журналы (РНЖ) может стать системой, обслуживающей запросы разных категорий пользователей, связанных с темой защиты диссертаций. Пока в РНЖ реализованы интерфейс представителя редакции журнала и интерфейс члена экспертного совета ВАК. В РНЖ желательно включить открытый интерфейс, обращенный соискателю ученой степени, для проверки выполнения требований ВАК к публикациям в журналах из Перечня. При налаженном взаимном обмене данными между РНЖ и eLibrary.ru интерфейс соискателя с обозначенным функционалом может быть организован в среде пользователя eLibrary.ru.

Представлен формализованный метод автоматического обнаружения изменений требований к программному обеспечению в процессе эволюции версий технической документации. Исходными данными служат множества требований, извлеченных и классифицированных на функциональные и нефункциональные, с дополнительной детализацией типов нефункциональных требований (производительность, безопасность, доступность и др.) для каждой версии документации. Задача сопоставления требований между версиями сведена к построению частичного отображения между множествами требований и присвоению каждому требованию статуса: неизмененное (Unchanged), измененное (Modified), новое (New) или удаленное (Deleted). Предложена композитная функция сходства пар требований, объединяющая семантическое сходство на основе векторных представлений (эмбеддингов), лексическое сходство, совпадение класса требования и структурный контекст документа. Представлены результаты применения метода на открытом наборе пар требований. Разработан прототип системы анализа изменений требований в технических документациях.

Выделены четыре категории целей изучения математики в школе: освоение теоретических положений на доказательном уровне; освоение алгоритмов решения математических задач, иллюстрирующих положения теории; использование изученных алгоритмов для решения прикладных и исследовательских задач; использование математических методов и алгоритмов при обучении программированию. Такое выделение позволяет обосновать и конкретизировать применение цифровых технологий в курсе математики, а также обеспечить их преемственность, в том числе, с последующими курсами высшей школы. Подчеркнута значимость применения мобильных и облачных технологий и приложений в самостоятельной (домашней) работе учащихся по математике.

Рассмотрена проблема формального представления знаний о дезинформации в малоресурсном двуязычном медиапространстве. Автоматическое обнаружение фейковых новостей традиционно сводится к бинарной классификации REAL/FAKE, которая не описывает внутреннюю структуру недостоверного сообщения: тип фейкового контента, применённую технику дезинформации, коммуникативное намерение автора, характеристики источника и доказательной базы.

В работе представлены два взаимосвязанных ресурса. Первый – двуязычный корпус KazFakeCorpus: 4276 текстов на казахском и русском языках, сбалансированных по классам внутри каждого языка; класс REAL сформирован из официальных материалов портала Gov.kz, класс FAKE – из их контролируемых трансформаций. Разметку по многоуровневой семантической схеме выполнили в среде Label Studio два независимых эксперта; значения Krippendorff’s Alpha по основным уровням составили 0,79–0,88. Второй ресурс – онтология KazFakeOnto, переводящая схему разметки из плоского реляционного представления в формальную модель на языке OWL 2 DL: 38 классов, 26 объектных свойств, 22 свойства данных, 112 индивидов, 1155 утверждённых триплетов. Одиннадцать определяемых классов не утверждаются вручную, а выводятся ризонером из значений свойств; цепочка свойств связывает материал с аннотатором через объект аннотации. Непротиворечивость проверена с помощью HermiT, запросный слой апробирован на пятнадцати SPARQL- и тринадцати DL-запросах.

Показано, что онтологический слой обеспечивает воспроизводимую спецификацию схемы разметки, автоматический вывод содержательных категорий и единую формальную среду для постановки корпусно-лингвистических вопросов и анализа ошибок моделей машинного обучения. Обсуждаются ограничения подхода и направления масштабирования онтологии на полный корпус и на естественно возникающую дезинформацию.

Применение современных методов тематического анализа для аналитической обработки больших объемов информации используется в настоящие время практически во всех сферах человеческой деятельности, в том числе, в наукометрии. Многие наукометрические системы и системы цитирования, включая всемирно известные WoS, Scopus, Google Shcolar, разрабатывают тематические рубрикаторы для поиска и обработки информации. Важными практическими задачами, которые могут решаться с применением методов тематической классификации, являются: оценка динамики развития тематических направлений в организации, отдельной стране и мировой науке в целом; поиск статей по заданной тематике; поиск и оценка авторитетности экспертов; поиск журналов для публикации и другие актуальные задачи. Авторами созданы программные реализации алгоритмов для решения некоторых из перечисленных задач и ведутся научные исследования с целью создания новых эффективных математических моделей и алгоритмов в этой области.

Статья посвящена проблеме коммуникативной предвзятости систем автоматического распознавания речи при работе с атипичной речью на русском языке. Актуальность исследования обусловлена активным внедрением технологий искусственного интеллекта в социальную сферу и государственное управление в России, что предполагает обеспечение их доступности для различных категорий граждан, включая людей с речевыми нарушениями. Введено понятие коммуникативной предвзятости ASR-моделей как свойства системы в условиях неопределенности (атипичная речь, шум, паузы) принимать решения о заполнении смысловых и акустических лакун на основе собственной обучающей выборки. В эмпирической базы исследования выбран корпус RuAphasiaBank, включающий записи речи пациентов с различными типами афазии (моторной, сенсорной, семантической, сенсомоторной) разной степени тяжести, а также нейротипичных информантов. Для сравнительного анализа были отобраны шесть ASR-моделей, работающих с русским языком: две открытые (GigaAM, T-One) и четыре коммерческие (Yandex SpeechKit, Any2Text, Charla, Speech2Text). Качество распознавания оценено с использованием метрик WER и CER, а также с помощью  анализа соотношения вставок, удалений и замен на уровне слов и символов. Результаты показали, что модели реализуют различные стратегии при столкновении с атипичной речью: «паническое укорачивание» (GigaAM, Yandex SpeechKit), «лексическое сохранение» в ущерб точности (T-One) и «стабильная» стратегия сбалансированных ошибок (Any2Text, Speech2Text, Charla). Лингвистический анализ выявил, что каждая модель порождает специфический искаженный коммуникативный стиль: от разговорной диалогической речи до стиля, ассоциируемого с когнитивными нарушениями или употреблением молодежного сленга. На основе полученных данных моделируются потенциальные риски для социального самочувствия и правовой защищенности пациентов с афазией при использовании голосовых помощников в государственных учреждениях.

Статья посвящена рассмотрению подходов к анализу тональности текстов по отношению к заданному объекту, а также его характеристикам (аспектам). Для решения задачи анализа тональности по отношению к характеристикам сущности необходимо решать также задачи извлечения аспектов для сущности, категоризацию или кластеризацию аспектов по аспектным категориям, определение тональности текста по отношению к заданному аспекту или аспектной категории. Также в статье описывается задание по анализу тональности отзывов пользователей в рамках открытого тестирования систем анализа тональности SentiRuEval.

Рассмотрена задача выбора технических решений для компонентов системы управления научными данными. Последние разделены на три категории: научные датасеты, научно-техническая и наукометрическая информации – различающиеся по структуре, объему, характеру обновления, профилю доступа и требованиям к метаданным, что усложняет эффективное управление ими в рамках единого универсального хранилища. На основе типологизации данных и сценариев использования для ключевых ролей (исследователь, аналитик, инженер данных, администратор) сформированы требования к компонентам системы. Был проведен сравнительный анализ альтернативных решений по каждому компоненту и предложена модульная архитектура, разграничивающая исходные данные и их производные представления. Определены согласованный набор технологий, совместимый с локальным развертыванием, а также сквозные механизмы идентификации, авторизации и управления ресурсами.