УДК 004.85:316.77
DOI: 10.36871/ek.up.p.r.2026.04.14.031

Авторы

Анна Николаевна Матафонова,
Тихоокеанский государственный университет, Хабаровск, Россия

Аннотация

В статье представлены результаты исследования, посвященного изучению поведения языковых моделей при длительном взаимодействии в научной и образовательной практике. Были выявлены и подтверждены три гипотезы: последовательное усложнение запросов и добавление справочной информации повышает качество ответов. Резкие изменения темы и перегрузка контекста приводят к ухудшению качества, модели демонстрируют различные модели ухудшения качества в соответствии с TruthfulQA и HaluEval. Результатом исследования являются рекомендации по формулированию языковых моделей для повышения устойчивости и уменьшения деградации при работе с нейросетевыми моделями. Методология включает контент-анализ научно-исследовательской литературы, методы сравнения, обобщения, эксперимента.

Ключевые слова

нейросетевые модели, языковые модели, устойчивость, деградация

Список литературы

  1. Kirkpatrick J. et al. Overcoming catastrophic forgetting in neural networks // Proceedings of the national academy of sciences. 2017. Vol. 114, no. 13. P. 3521–3526.
  2. McCloskey M., Cohen N.J. Catastrophic interference in connectionist networks: The sequential learning problem // Psychology of learning and motivation. Academic Press, 1989. Vol. 24. P. 109–165.
  3. Акбердина В.В., Пьянкова С.Г. Методологические аспекты цифровой трансформации промышленности // Научные труды Вольного экономического общества России. 2021. Т. 227, № 1. С. 292–313. DOI: 10.38197/2072-2060-2021- 227-1-292-313. EDN: WCJPRL.
  4. Андреев В.К., Лаптев В.А., Чуча С.Ю. Искусственный интеллект в системе электронного правосудия при рассмотрении корпоративных споров // Вестник Санкт-Петербургского университета. Право. 2020. Т. 11, № 1. С. 19–34. DOI: 10.21638/spbu14.2020.102. EDN: LWZBIV.
  5. Белкин А.Д., Бекенева Я.А. Особенности использования технологий LLM и RAG в образовательных системах // VI Международная конференция по нейронным сетям и нейротехнологиям (NeuroNT’2025) : Материалы конференции, Санкт-Петербург, 04–05 июня 2025 года. Санкт-Петербург: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина), 2025. С. 92–95.
  6. Блохин С.В., Дидур Д.А. Анализ галлюцинаций в генеративных нейросетях: методы и метрики оценки // Донецкие чтения — 2025: образование, наука, инновации, культура и вызовы современности : Материалы X Международной научной конференции, посвященной 60-летию создания Донецкого научного центра, Донецк, 05–07 ноября 2025 года. Донецк: Донецкий государственный университет, 2025. С. 164–166.
  7. Константинова Л.В., Ворожихин В.В., Петров А.М. [и др.] Генеративный искусственный интеллект в образовании: дискуссии и прогнозы // Открытое образование. 2023. Т. 27, № 2. С. 36–48. DOI: 10.21686/1818-4243-2023-2-36-48. EDN: VPMIZK.
  8. Гильманов А.Р., Гусев А.Л., Окунев А.А. Предобработка статистических данных для повышения качества прогноза нейронной сети // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2018. № 3. С. 49–51.
  9. Давыдов С.Г., Замков А.В., Крашенинникова М.А., Лукина М.М. Использование технологий искусственного интеллекта в российских медиа и журналистике // Вестник Московского университета. Серия 10: Журналистика. 2023. Т. 48, № 5. С. 3–21. DOI: 10.30547/vestnik. journ.5.2023.321. EDN: ZZJRRX.
  10. Лукичев П.М., Чекмарев О.П. Риски применения искусственного интеллекта в системе высшего образования // Вопросы инновационной экономики. 2024. Т. 14, № 2. С. 463–482. DOI: 10.18334/vinec.14.2.120731. EDN: MKEVSE.
  11. Михалев К.И., Шибайкин С.Д., Никулин В.В. Исследование деградации интеллектуальных систем // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2025. № 1(225). С. 37–45.
  12. Нейросетевой коллапс: почему вскоре может остановиться развитие алгоритмов ИИ. URL: https://www.forbes.ru/mneniya/491738- nejrosetevoj-kollaps-pocemu-vskore-mozetostanovit-sa-razvitie-algoritmov-ii.
  13. Писарев М.В., Шепелина П.В. Внедрение интеллектуальных цифровых решений для управления надёжностью транспортно-технологических комплексов // Universum: технические науки. 2025. № 7-2(136). С. 24–28. EDN: ZOVESK.
  14. Аменицкий А.В., Рухович И.В., Аменицкая Л.А., Аменицкий Д.А. Побочные эффекты галлюцинаций искусственного интеллекта // Наука, инновации, образование: актуальные вопросы и современные аспекты. Пенза : Наука и Просвещение (ИП Гуляев Г.Ю.), 2024. С. 224–235. EDN: AVBZZL.
  15. Скороходов Д.А., Каминский В.Ю. Алгоритм диагностики деградации и ресурсного прогнозирования для судовых экологических систем // Морские интеллектуальные технологии. 2026. № 1-1(71). С. 276–282. DOI: 10.37220/ MIT.2026.71.1.028. EDN: ELVPSG.