В статье обоснованы и систематизированы подходы к применению технологий искусственного интеллекта (ИИ) в высшем профессиональном образовании (ВПО) как инструмента информационно-аналитического обеспечения индивидуального обучения, коучинга, управленческой деятельности и психологического консультирования. Цель работы — представить способы использования ИИ-инструментов (генеративных моделей, интеллектуальных ассистентов, рекомендательных систем и средств интеллектуальной обработки документов) в образовательный процесс и управление вузом при сохранении ответственности человека и требований академической этики. Показано, что ключевым эффектом ИИ в ВПО является переход от «усредненного» обучения к персонализированным траекториям, поддерживаемым образовательной и предметной аналитикой, а также формирование новых практик наставничества (коучинга) на основе данных. Предложены решения (аналитические рекомендательные системы; интеллектуальные образовательные среды; системы поддержки управления) и описаны типовые сценарии: ИИ-тьютор, коучинговый сценарий, аналитический дашборд, автоматизация методической подготовки преподавателя, поддержка психологического консультирования (скрининг запросов, симуляторы диалогов). Отдельно выделены риски (галлюцинации, смещения данных) и необходимость проверки специалистом по источникам. Практическая значимость работы заключается в формировании применимых подходов внедрения ИИ в ВПО, ориентированных на повышение качества обучения и управляемости образовательных процессов. В разработке использованы: (1) теоретические методы — анализ и синтез, системный подход, сравнительный анализ, классификация, обобщение психолого-педагогического и организационно-управленческого опыта внедрения ИИ; (2) информационно-аналитические методы — контент-анализ научных публикаций и практик применения ИИ в ВПО; анализ типовых кейсов применения (генеративные ассистенты, чат-боты); (3) методологическое моделирование — проектирование методической модели использования ИИ (уровни: обучение / коучинг / управление / консультирование), описание функций, входов / выходов и ограничений (в том числе требования к данным, валидац

Цифровая трансформация системы образования привела к значительному росту данных об учебной активности, что создало технологические предпосылки для внедрения интеллектуальных рекомендательных систем (ИРС). Однако коммерческие рекомендательные алгоритмы, оптимизированные на максимизацию вовлеченности и прибыли, не могут быть напрямую перенесены в образовательную среду, где главной целевой функцией выступает повышение качества усвоения знаний и снижение академической неуспешности.

 Цель. Разработать концептуальную модель интеллектуальной рекомендательной системы для формирования индивидуальных образовательных траекторий, объединяющую гибридные алгоритмы с механизмами объяснимого искусственного интеллекта и встроенными средствами этического контроля.

Методы. Исследование базируется на систематическом обзоре рецензируемых публикаций за 2021–2025 гг., индексированных в Scopus, Web of Science и РИНЦ. Применены методы сравнительного анализа алгоритмов рекомендаций, архитектурного моделирования, а также экспериментальная валидация на открытых образовательных датасетах.

Результаты. Предложена четырехуровневая архитектура ИРС, включающая уровень сбора данных, уровень обработки и векторизации, алгоритмическое ядро на основе гибридной модели и уровень взаимодействия с модулем объяснения рекомендаций. Экспериментально установлено, что предложенная гибридная модель превосходит классическую коллаборативную фильтрацию по точности на 13% и решает проблему

«холодного старта» за счет семантического анализа новых курсов. Разработанный модуль объяснений, использующий метод LIME (Local Interpretable Model-agnostic Explanations), позволяет визуализировать факторы, повлиявшие на каждую рекомендацию, что повышает доверие со стороны преподавателей и студентов.

Выводы. Полученные результаты согласуются с выводами ведущих зарубежных исследователей о преимуществе гибридных графовых моделей перед чисто коллаборативными подходами. В отличие от известных решений, предложенная модель включает встроенный этический блок проверки справедливости и ориентирована на интеграцию с российскими системами управления обучением.

В условиях цифровизации банковского сектора и повышения требований к оперативности и безопасности обработки наличных средств традиционные методы организации инкассации перестают обеспечивать необходимый уровень эффективности. анализ существующих решений показывает, что современные инкассаторские службы сталкиваются с фрагментарностью применяемых технологий, недостаточной интеграцией между мобильными и веб-системами, а также отсутствием интеллектуальных инструментов поддержки принятия решений. Пробел в исследовательской литературе заключается в отсутствии комплексных архитектур, объединяющих мобильные приложения, веб-сервисы мониторинга и модули искусственного интеллекта в единую экосистему управления инкассационными процессами.

Цель исследования заключается в анализе возможностей автоматизации процессов инкассации с использованием мобильных и веб-технологий, а также интеллектуальных компонентов, направленных на повышение эффективности, прозрачности и безопасности инкассационного процесса на базе мобильной автоматизированной инкассаторской системы.

Методологическая база включает системный анализ процессов инкассации, моделирование бизнес-процессов (BPMN), архитектурное проектирование, методы программной инженерии, а также применение алгоритмов машинного обучения для оптимизации маршрутов, прогнозирования задержек и выявления аномалий. Полученные результаты демонстрируют, что использование мобильного приложения в сочетании с веб-сервисом центра мониторинга и ИИагентами позволяет обеспечить непрерывный обмен данными, повысить точность планирования, автоматизировать инструктаж и документирование операций, а также сократить влияние человеческого фактора.

Сделанные выводы подтверждают, что внедрение МАИС обеспечивает качественный рост эффективности инкассационных процессов, повышает уровень безопасности и создает основу для дальнейшего развития интеллектуальных решений в области логистики и банковской автоматизации. Перспективой исследования является расширение функциональности ИИагентов и интеграция системы с комплексами корпоративной безопасности и финансового мониторинга.

В статье исследуется применение искусственных нейронных сетей в задачах управления рисками информационной безопасности систем электронного документооборота. Рассмотрены предпосылки перехода от традиционных средств защиты, основанных преимущественно на сигнатурных правилах и экспертных регламентах, к адаптивным моделям анализа событий безопасности. Особое внимание уделено специфике электронного документооборота как цифровой среды, в которой одновременно циркулируют юридически значимые документы, персональные данные, служебная переписка и технологические журналы. Показано, что рост объемов электронных документов, распределенность организационных процессов и усложнение сетевой инфраструктуры требуют пересмотра подходов к мониторингу и ранжированию угроз. В качестве перспективного направления предложена концепция нейросетевого риск-ориентированного контура, включающего сенсорный слой сбора событий, модуль интеллектуальной корреляции TrafficLLM и механизм непрерывного дообучения на основе параметрически эффективной адаптации EA-PEFT. Такая архитектура позволяет учитывать дрейф данных, выявлять нетиповые сценарии пользовательского и сетевого поведения, а также формировать оценку риска без существенного увеличения нагрузки на эксплуатационный персонал. Научная новизна работы заключается в представлении целостной модели применения нейросетевых технологий к управлению рисками информационной безопасности СЭД: от классификации организационных, административных, субъективных и технологических рисков до описания интеграции модели в инфраструктуру электронного документооборота. Практическая значимость состоит в возможности использования предложенного подхода в организациях с распределенной структурой, интенсивным обменом юридически значимыми электронными документами и повышенными требованиями к непрерывности бизнес-процессов.

В условиях цифровой трансформации российского образования, регламентируемой национальными проектами, особую актуальность приобретает внедрение интеллектуальных чат-ботов на базе больших языковых моделей (LLM). Исследование посвящено систематизации опыта применения мультимодальных чат-ботов в образовании и оценке перспектив их адаптации к российскому национальному мессенджеру MAX (VK). На основе анализа научных публикаций за период 2018–2025 гг. выявлены ключевые направления эффективного использования ботов: персонализированное обучение, автоматизация рутинных процессов, мгновенная обратная связь 24/7, геймификация и т.д. Определены оптимальные архитектурные решения, такие как гибридные системы (YaLM + RAG) и мультимодальная оркестрация (текст/графика/аудио). Выявлены ключевые риски и технические, педагогические, этические ограничения. Обозначены перспективы развития, к которым относятся: полный переход на отечественные LLM (GigaChat, Saiga), интеграция виртуальной и дополненной реальности (VR/AR) в образовательные чат-боты, создание федеральной платформы образовательных ботов, развитие дискуссионных площадок и систем подготовки педагогов для адаптации к цифровым инструментам. Статья будет полезна исследователям и практикам, интересующимся внедрением ИИ-технологий в образование, и закладывает основу для разработки новых образовательных решений на стыке педагогики и искусственного интеллекта. 

Современные социальные сети характеризуются сложной неслучайной топологией, однако существующие исследования фрагментарно описывают их структурные свойства применительно к российскому сегменту, оставляя пробел в валидации классических графовых моделей. Актуальность обусловлена необходимостью разработки точных математических методов анализа для управления информационными потоками и противодействия угрозам в цифровой среде. Целью работы является моделирование и анализ структуры социальной сети «ВК» с использованием графовых теорий для выявления ключевых метрик кластеризации, эффекта «малого мира» и масштабируемости. Исследование основано на анализе анонимизированного среза данных социальной сети «ВК» объемом более 1 млн пользователей. Построен неориентированный граф дружеских связей. Применены алгоритмы расчета коэффициента кластеризации, распределения степеней узлов, средней длины кратчайшего пути и модульности (метод Louvain). Установлено, что сеть «ВК» обладает свойствами scale-free сети с показателем степенного распределения и наличием хабов, высоким коэффициентом кластеризации (≈ 0,52) и малой средней длиной пути (<5 шагов), что соответствует модели Барабаши-Альберта и эффекту «малого мира». Выявлены устойчивые тематические сообщества с высокой структурной замкнутостью. Полученные результаты коррелируют с выводами работ Милгрэма, Уоттса-Строгаца и Барабаши Альберта, подтверждая универсальность данных моделей для российских платформ. Перспективы исследования связаны с изучением динамических процессов распространения информации и применением графовых нейронных сетей для прогнозирования связей.

В статье предлагается решение проблемы социоэкономического синтеза больших опережающих данных с помощью информатики. Размерность экономических процессов сближается с размерностью социальных процессов, что составляет новизну объекта исследования опережающих данных. По-новому стоит вопрос о предмете исследования — на стыке эконометрики и социологии в информатике, а также о трансформации методов социально-экономического анализа, поиска, обработки и аналитического представления больших опережающих данных. Рассмотрены социоэкономические аспекты актуализации опережающих данных, а также информатика как платформа трансформации эконометрических методов для синтеза больших опережающих данных. В выводах формулируется положение о выдвижении технологии больших опережающих данных на авансцену экономики и управления; представлены принципиальные методологические и организационно-технические мероприятия по внедрению технологии опережающих данных в новые, более высокие хозяйственные уклады.

В современной научной литературе исследование сделок слияний и поглощений занимает одно из ключевых положений, однако изучение поведенческого фактора и нерационального поведения покупателя требует большего внимания. Эффект якоря позволяет оценить подобного рода отклонения на количественном уровне.

Актуальность работы обусловлена необходимостью учета когнитивных искажений инвесторов для понимания закономерностей и оценки эффективности национального фондового рынка. Научная новизна заключается в эмпирической проверке данной гипотезы применительно к российскому рынку капитала с использованием количественных методов.

Целью статьи является эмпирическая проверка гипотезы о влиянии эффекта якоря в доходности акций компаний-покупателей на российском рынке M&A, количественная оценка силы этого влияния с помощью построения регрессионных моделей и разработка практических рекомендаций для инвесторов по учету данного поведенческого искажения. Исследование проводилось на основе данных об отечественных компаниях-покупателях с применением корреляционно-регрессионного анализа. Методология включала моделирование ожидаемой и аномальной доходности акций относительно даты объявления сделок слияний и поглощений для выявления статистически значимых закономерностей. В результате исследования эмпирически подтверждено значимое влияние эффекта якоря на динамику котировок. Получены уравнения регрессий, установлена статистическая значимость факторных признаков, что количественно характеризует силу данного поведенческого искажения на российском рынке.

Полученные результаты согласуются с выводами исследований зарубежных фондовых рынков, подтверждая универсальность эффекта.

Практическая ценность работы заключается в возможности применения подхода для сравнительного анализа эффективности разных рынков капитала и для разработки инвестиционных стратегий, нивелирующих поведенческие предубеждения.