Введение
В условиях стремительного роста объемов научной информации исследователи сталкиваются с необходимостью постоянного содержательного анализа публикационной активности в различных научных направлениях. Особенно это актуально для таких междисциплинарных областей, как образование, где традиционные библиометрические и библиографические методы оказываются недостаточно чувствительными к быстро меняющейся структуре знаний и смысловым взаимосвязям между исследованиями. Использование инструментов искусственного интеллекта (ИИ) открывает новые возможности для автоматизированного сбора, классификации и интерпретации научных данных. Однако применение ИИ в библиометрических и библиографических исследованиях все еще остается развивающимся направлением, требующим уточнения методологических подходов и оценки их эффективности на конкретных примерах. Этим и обусловлена необходимость комплексного осмысления потенциала ИИ в анализе научных коммуникаций, в том числе на примере кейсов.
Настоящее исследование направлено на осмысление и систематизацию возможностей применения инструментов ИИ в библиометрических и библиографических практиках, ориентированных на анализ развивающихся научных направлений. В качестве примера области исследования взято персонализированное образование как значимая и быстро эволюционирующая область педагогического знания. Персонализированное обучение все чаще признается исследователями важным подходом к повышению вовлеченности обучаемых и их успеваемости. Основная цель - на примере данной предметной области определить, насколько эффективно современные ИИ-технологии позволяют анализировать структуру, динамику и содержание научных публикаций, а также формировать целостную картину исследовательского поля.
Исследование опирается на междисциплинарное сочетание подходов:
- в области библиометрии, наукометрии и информетрии, где особое внимание уделяется инструментам анализа цитирования, соавторства, выявления тематических кластеров и научных трендов;
- теории личностно-ориентированному и личностно-развивающемуся, определенные Л.С. Выготским (Выготский, 1991) и в дальнейшем получившие развитие в исследованиях А.Н. Леонтьева, В.В. Давыдова, Д.Б. Эльконина и других ведущих ученых в области педагогической психологии (Дергачева, 2002);
- исследования в области искусственного интеллекта, прежде всего в применении методов машинного обучения и обработки естественного языка для извлечения знаний из текстов научных публикаций.
Такой подход позволил не только расширить методологический инструментарий, но и по-новому взглянуть на процесс научного исследования. Были поставлены следующие исследовательские вопросы:
- какие аналитические возможности предоставляет ИИ для изучения структуры и динамики научных публикаций в области персонализированного образования?
- какие ключевые тематические направления, авторы определяют развитие выбранной области?
- в чем заключаются преимущества использования ИИ по сравнению с традиционными библиометрическими методами при анализе научных данных?
- может ли применение ИИ способствовать выявлению неочевидных связей и содержательных трансформаций в исследовательском поле?
В научном дискурсе персонализированное обучение рассматривается с разных позиций: одни исследования фокусируются на когнитивных механизмах восприятия знаний, другие – на алгоритмических возможностях адаптации контента, а третьи – на педагогических стратегиях реализации персонализации. В связи с этим актуальность выбранной предметной области определяется необходимостью не только по-новому структурировать накопленные знания, но и оценить, каким образом современные адаптивные технологии позволяют реализовать персонализированное обучение в высшем образовании (Rehman, 2025). Идея персонализированного обучения сама по себе не нова, и научное сообщество уже неоднократно обращалось к ее изучению. Ранее проводимые обзоры литературы охватывали различные аспекты персонализации образовательного процесса, включая когнитивные модели адаптивного обучения (Sweller, 1988), методики индивидуализации образовательных траекторий. Отдельные обзоры сосредоточены на структуре контента, последовательности материалов и поддержке готовности к обучению. В ряде исследований акцент делается на педагогических подходах к персонализации, в других – на развитии цифровых платформ и адаптивных алгоритмов, а некоторые работы анализировали влияние персонализированного обучения на академическую успеваемость и вовлеченность студентов (Vanegas et al., 2024). Однако, несмотря на наличие систематических обзоров в этой области, тема остается актуальной, продолжает эволюционировать под влиянием развития технологий.
Методы
Исследование проводилось поэтапно, включая сбор, обработку и интерпретацию данных о публикационной активности в области персонализированного образования с применением современных цифровых инструментов, основанных на технологиях ИИ. Первым этапом стало определение ключевых понятий и терминов, связанных с персонализированным образованием. Для уточнения формулировок и выявления релевантных публикаций использовалась платформа Elicit.com, позволяющая автоматически подбирать научные статьи по содержательным параметрам и формулировать уточняющие исследовательские вопросы.
На следующем этапе с использованием платформы Typeset.io осуществлялась систематизация полученного массива публикаций, включая извлечение библиографических метаданных (авторы, год, журнал, ключевые слова), аннотаций и текстовых фрагментов. Платформа также применялась для группировки и предварительной интерпретации содержания публикаций.
Для визуализации исследовательского ландшафта, анализа содержательных и цитатных связей между публикациями использовалась платформа Connected Papers, позволяющая строить визуальные карты и выявлять тематически связанные исследования. Мы получили возможность наглядно представить структуру исследуемой области и определить ядро, периферию и точки роста в рамках изучаемой тематики.
Исследование сочетало в себе как количественные, так и качественные подходы к анализу публикационной активности в области персонализированного образования. С одной стороны, фиксировались такие показатели, как общее количество публикаций, динамика их появления по годам и распределение материалов по научным журналам. Эти данные позволили очертить общий масштаб и темпы развития направления. С другой стороны, мы уделили внимание содержательной стороне публикаций: проведен анализ аннотаций и ключевых слов, зафиксированы повторяющиеся тематики и тренды, вокруг которых строится научная дискуссия. Особое место занял анализ связей между публикациями – как на уровне общих тем, так и на уровне научного цитирования. С помощью визуализаций, созданных в Connected Papers, исследование позволило увидеть, как формируются тематические группы (или кластеры), насколько тесно они взаимосвязаны и какие публикации играют ключевую роль в узлах графов.
Результаты
Анализ публикационной активности по теме персонализированного образования, проведенный с использованием платформ Elicit.com, Typeset.io и Connected Papers, охватил более 350 научных работ, опубликованных в период с 2010 по 2024 год. Было зафиксировано устойчивое увеличение числа публикаций начиная с 2016 года, с пиковой активностью в 2021–2023 гг (рис. 1). Наиболее активно в данной области публиковались исследователи из Китая и Великобритании. Выявлено более 5 устойчивых тематических кластеров, среди которых ведущими оказались темы адаптивных образовательных технологий, цифровых следов обучающихся и систем рекомендаций в обучении (рис. 2).
(данные Connected Papers)
Семантический анализ показал, что ключевые понятия - personalized learning, adaptive learning systems, learner analytics - регулярно встречаются в публикациях и формируют центральную ось научного поля (рис. 3). Сетевой анализ позволил выделить ядро из наиболее цитируемых работ, сыгравших роль в структурировании и развитии направления. Были также обнаружены периферийные, но перспективные кластеры, связанные с этическими аспектами персонализации и использованием ИИ в обучении.
Рис. 3. Пример структурированного анализа научных публикаций по теме персонализированного обучения с использованием платформы Elicit.com
Исследовательские вопросы получили подтверждение: ИИ-инструменты продемонстрировали высокую эффективность в выявлении тем, авторов и связей между публикациями. Визуализация связей позволила получить наглядную картину научного взаимодействия и эволюции тем. По сравнению с ручным анализом, автоматизированный подход обеспечил более широкое и структурированное представление о развитии области. Таким образом, поставленная цель исследования была достигнута: применение ИИ-инструментов оказалось результативным и методологически оправданным при анализе научных данных в области персонализированного образования. Работа показала потенциал таких цифровых платформ не только как вспомогательных, но и как аналитических инструментов в научной практике.
Анализ публикационного массива позволил выделить несколько устойчивых тематических направлений – трендов, которые на протяжении последних лет сохраняют высокую научную активность и интерес исследователей. Во-первых, адаптивные обучающие системы, включающие алгоритмы, подстраивающиеся под индивидуальные особенности обучающихся (уровень знаний, стиль обучения, скорость усвоения материала). Во-вторых, учебная аналитика, сбор и интерпретация цифровых следов обучающихся с целью улучшения образовательных стратегий. В-третьих, модели персонализированного обучения в онлайн-среде, в том числе в рамках дистанционного и гибридного формата, системы рекомендаций в образовании, использующие ИИ для подбора учебных ресурсов и траекторий.
Эти направления сегодня формируют ядро научного поля по персонализированному обучению. При этом их характерной особенностью является наличие прикладных решений, подтвержденных экспериментально и внедряемых в образовательную практику. Были зафиксированы и более свежие или пока слабо исследованные направления, которые только начинают набирать научную инерцию: этические аспекты персонализации, интеграция ИИ с нейропсихологией и когнитивными науками для создания более «человеко-центрированных» адаптивных систем, персонализация в кросс-культурных и транснациональных контекстах, использование генеративного ИИ в индивидуализации обратной связи и поддержке обучающихся в реальном времени. По ним еще нет устойчивых теоретических рамок и полной эмпирической базой, а поэтому именно они представляют интерес как потенциальные «точки роста» в дальнейшем развитии выбранной области исследования.
Заключение
Результаты работы показывают, что цифровые инструменты на базе ИИ действительно могут стать надежными помощниками в осмыслении больших массивов научной информации. Использование платформ Elicit.com, Typeset.io и Connected Papers позволило не просто собрать и структурировать публикации по теме персонализированного образования, но и «увидеть» за цифрами – тенденции, смысловые линии и ключевые исследовательские узлы. Удалось выявить как устойчивые тематические направления, так и более «свежие» или пока слабо исследованные области. Появились новые возможности для научных коллективов, для преподавателей и методистов, которые стремятся актуализировать образовательные программы, опираясь на действительно современные научные данные.
Особенно важно, что инструменты ИИ позволяют педагогам и исследователям не только экономить время, но и выходить за рамки поверхностного обзора – углубляться в содержание, видеть связи между авторами и темами, сравнивать подходы. Такая методология может стать основой для более продуманных и целенаправленных научных исследований, разработки адаптивных образовательных решений.
Таким образом, цель работы – продемонстрировать практическую применимость ИИ в библиометрических и библиографических исследованиях – была достигнута. Полученные результаты могут быть применены не только в научной среде, но и в образовательной практике. В перспективе особенно интересным нам представляется развитие гибридных подходов, в которых автоматический анализ данных будет дополняться экспертной интерпретацией – для более точного понимания сложных и многослойных научных полей.