Using artificial intelligence technologies to optimize methodology and organization of scientific research

Using artificial intelligence technologies to optimize methodology and organization of scientific research

The rapid digitalization of science puts forward new requirements for the methodology and organization of research. Artificial intelligence (AI) tools are able to accelerate data analysis, support hypothesis generation, and automate routine procedures, but at the same time exacerbate issues of repro...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2025
Автор: Popereshnyak, S.V.
Формат: Стаття
Мова:Ukrainian
Опубліковано: PROBLEMS IN PROGRAMMING 2025
Теми:
artificial intelligence
scientific research methodology
research organization
reproducibility
ex plainability
Bayesian methods
optimization
POMDP
data bias
academic integrity
UDC 004.8: 001.89
Онлайн доступ:https://pp.isofts.kiev.ua/index.php/ojs1/article/view/861
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Problems in programming
Завантажити файл: Pdf

Репозитарії

Problems in programming
id pp_isofts_kiev_ua-article-861
record_format ojs
resource_txt_mv ppisoftskievua/2c/82ec6bfb32885f3ba8aea86552d1dc2c.pdf
spelling pp_isofts_kiev_ua-article-8612025-11-20T14:56:53Z Using artificial intelligence technologies to optimize methodology and organization of scientific research Використання технологій штучного інтелекту для оптимізації методології та організації наукових досліджень Popereshnyak, S.V. artificial intelligence; scientific research methodology; research organization; reproducibility; ex plainability; Bayesian methods; optimization; POMDP; data bias; academic integrity UDC 004.8: 001.89 штучний інтелект; методологія наукових досліджень; організація досліджень; відтво рюваність; пояснюваність; байєсівські методи; оптимізація; POMDP; упередженість даних; академічна доброчесність УДК 004.8: 001.89 The rapid digitalization of science puts forward new requirements for the methodology and organization of research. Artificial intelligence (AI) tools are able to accelerate data analysis, support hypothesis generation, and automate routine procedures, but at the same time exacerbate issues of reproducibility, transparency, and academic integrity. The purpose of the work is to substantiate and test approaches to integrating AI technol ogies to optimize the methodology and organization of scientific research in the field of digital development. The work applied a systematic analysis of modern practices, mathematical modeling of processes (optimiza tion of the choice of modes "human/AI/hybrid", Bayesian assessment of reliability, regularization of bias and interpretability, POMDP-planning of scientific cycles), as well as the design of a modular architecture for supporting research. Empirical testing was carried out on prototypes of workflows: automated literature re view, intelligent processing of experimental data, preparation of publication materials. An integrated model of scientific process management was proposed, combining: (i) formal selection of human and AI roles under resource and quality constraints; (ii) aggregation of evidence from human and machine channels through a Bayesian scheme; (iii) simultaneous limitation of algorithmic bias and increase of explainability; (iv) strategic POMDP-planning of experiments taking into account risks and costs. The paper showed that the use of the proposed model reduces the time for preparing reviews and analyzing data, increases the reproducibility of conclusions and transparency of decisions, as well as reduces the risks associated with the “black box” and data bias. Practical recommendations for implementing AI in research units are formulated: regulations for disclosing the use of AI, data quality control, requirements for the explainability of models, and the role of the researcher as a responsible interpreter. AI should be considered as a tool for strengthening scientific work. The integration of the proposed models into the methodology and organization of research increases the effi ciency, reproducibility, and ethical reliability of scientific results, opening the way to scalable, resource-effi cient research practices. Problems in programming 2025; 3: 91-101 Стрімка цифровізація науки висуває нові вимоги до методології та організації досліджень. Інструме нти штучного інтелекту (ШІ) здатні прискорювати аналіз даних, підтримувати формування гіпотез і автоматизувати рутинні процедури, однак водночас загострюють питання відтворюваності, прозорості та академічної доброчесності. Мета роботи — обґрунтувати та апробувати підходи до інтеграції тех нологій ШІ для оптимізації методології й організації наукових досліджень у сфері цифрового розви тку. В роботі було застосовано системний аналіз сучасних практик, математичне моделювання проце сів (оптимізаційні постановки вибору режимів «людина/ШІ/гібрид», байєсівське оцінювання достові рності, регуляризація упередженості та інтерпретованості, POMDP-планування наукових циклів), а та кож проєктування модульної архітектури підтримки досліджень. Емпіричну перевірку здійснено на прототипах робочих потоків: автоматизований огляд літератури, інтелектуальна обробка експеримен тальних даних, підготовка публікаційних матеріалів. Запропоновано інтегровану модель управління науковим процесом, що поєднує: (i) формальний вибір ролей людини й ШІ під обмеження ресурсів і якості; (ii) агрегування доказів із людських і машинних каналів через байєсівську схему; (iii) одночасне обмеження алгоритмічної упередженості та підвищення пояснюваності; (iv) стратегічне POMDP-пла нування експериментів з урахуванням ризиків і вартості. В роботі було показано, що використання запропонованої моделі забезпечує скорочення часу на підготовку оглядів і аналіз даних, зростання відтворюваності висновків та прозорості рішень, а також зменшення ризиків, пов’язаних із «чорною скринькою» і зміщеннями даних. Сформульовано практичні рекомендації щодо впровадження ШІ у дослідницькі підрозділи: регламенти розкриття використання ШІ, контроль якості даних, вимоги до пояснюваності моделей і ролі дослідника як відповідального інтерпретатора. ШІ доцільно розглядати як інструмент підсилення наукової праці. Інтеграція запропонованих моделей у методологію та орга нізацію досліджень підвищує ефективність, відтворюваність і етичну надійність наукових результатів, відкриваючи шлях до масштабованих, ресурсоефективних дослідницьких практик.Problems in programming 2025; 3: 91-101 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2025-11-14 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/861 10.15407/pp2025.03.091 PROBLEMS IN PROGRAMMING; No 3 (2025); 91-101 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 3 (2025); 91-101 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 3 (2025); 91-101 1727-4907 10.15407/pp2025.03 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/861/912 Copyright (c) 2025 PROBLEMS IN PROGRAMMING
institution Problems in programming
baseUrl_str https://pp.isofts.kiev.ua/index.php/ojs1/oai
datestamp_date 2025-11-20T14:56:53Z
collection OJS
language Ukrainian
topic artificial intelligence
scientific research methodology
research organization
reproducibility
ex plainability
Bayesian methods
optimization
POMDP
data bias
academic integrity
UDC 004.8: 001.89
spellingShingle artificial intelligence
scientific research methodology
research organization
reproducibility
ex plainability
Bayesian methods
optimization
POMDP
data bias
academic integrity
UDC 004.8: 001.89
Popereshnyak, S.V.
Using artificial intelligence technologies to optimize methodology and organization of scientific research
topic_facet artificial intelligence
scientific research methodology
research organization
reproducibility
ex plainability
Bayesian methods
optimization
POMDP
data bias
academic integrity
UDC 004.8: 001.89
штучний інтелект
методологія наукових досліджень
організація досліджень
відтво рюваність
пояснюваність
байєсівські методи
оптимізація
POMDP
упередженість даних
академічна доброчесність
УДК 004.8: 001.89
format Article
author Popereshnyak, S.V.
author_facet Popereshnyak, S.V.
author_sort Popereshnyak, S.V.
title Using artificial intelligence technologies to optimize methodology and organization of scientific research
title_short Using artificial intelligence technologies to optimize methodology and organization of scientific research
title_full Using artificial intelligence technologies to optimize methodology and organization of scientific research
title_fullStr Using artificial intelligence technologies to optimize methodology and organization of scientific research
title_full_unstemmed Using artificial intelligence technologies to optimize methodology and organization of scientific research
title_sort using artificial intelligence technologies to optimize methodology and organization of scientific research
title_alt Використання технологій штучного інтелекту для оптимізації методології та організації наукових досліджень
description The rapid digitalization of science puts forward new requirements for the methodology and organization of research. Artificial intelligence (AI) tools are able to accelerate data analysis, support hypothesis generation, and automate routine procedures, but at the same time exacerbate issues of reproducibility, transparency, and academic integrity. The purpose of the work is to substantiate and test approaches to integrating AI technol ogies to optimize the methodology and organization of scientific research in the field of digital development. The work applied a systematic analysis of modern practices, mathematical modeling of processes (optimiza tion of the choice of modes "human/AI/hybrid", Bayesian assessment of reliability, regularization of bias and interpretability, POMDP-planning of scientific cycles), as well as the design of a modular architecture for supporting research. Empirical testing was carried out on prototypes of workflows: automated literature re view, intelligent processing of experimental data, preparation of publication materials. An integrated model of scientific process management was proposed, combining: (i) formal selection of human and AI roles under resource and quality constraints; (ii) aggregation of evidence from human and machine channels through a Bayesian scheme; (iii) simultaneous limitation of algorithmic bias and increase of explainability; (iv) strategic POMDP-planning of experiments taking into account risks and costs. The paper showed that the use of the proposed model reduces the time for preparing reviews and analyzing data, increases the reproducibility of conclusions and transparency of decisions, as well as reduces the risks associated with the “black box” and data bias. Practical recommendations for implementing AI in research units are formulated: regulations for disclosing the use of AI, data quality control, requirements for the explainability of models, and the role of the researcher as a responsible interpreter. AI should be considered as a tool for strengthening scientific work. The integration of the proposed models into the methodology and organization of research increases the effi ciency, reproducibility, and ethical reliability of scientific results, opening the way to scalable, resource-effi cient research practices. Problems in programming 2025; 3: 91-101
publisher PROBLEMS IN PROGRAMMING
publishDate 2025
url https://pp.isofts.kiev.ua/index.php/ojs1/article/view/861
work_keys_str_mv AT popereshnyaksv usingartificialintelligencetechnologiestooptimizemethodologyandorganizationofscientificresearch
AT popereshnyaksv vikoristannâtehnologíjštučnogoíntelektudlâoptimízacíímetodologíítaorganízacíínaukovihdoslídženʹ
first_indexed 2025-11-15T02:09:04Z
last_indexed 2025-11-21T02:20:09Z
_version_ 1850423554665873408
fulltext Інформатизація науки і освіти 91 © С.В. Поперешняк, 2025 ISSN 1727-4907. Проблеми програмування. 2025. №3 УДК 004.8: 001.89 https://doi.org/10.15407/pp2025.03.091 С.В. Поперешняк ВИКОРИСТАННЯ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ОПТИМІЗАЦІЇ МЕТОДОЛОГІЇ ТА ОРГАНІЗАЦІЇ НАУКОВИХ ДОСЛІДЖЕНЬ Стрімка цифровізація науки висуває нові вимоги до методології та організації досліджень. Інструме- нти штучного інтелекту (ШІ) здатні прискорювати аналіз даних, підтримувати формування гіпотез і автоматизувати рутинні процедури, однак водночас загострюють питання відтворюваності, прозорості та академічної доброчесності. Мета роботи — обґрунтувати та апробувати підходи до інтеграції тех- нологій ШІ для оптимізації методології й організації наукових досліджень у сфері цифрового розви- тку. В роботі було застосовано системний аналіз сучасних практик, математичне моделювання проце- сів (оптимізаційні постановки вибору режимів «людина/ШІ/гібрид», байєсівське оцінювання достові- рності, регуляризація упередженості та інтерпретованості, POMDP-планування наукових циклів), а та- кож проєктування модульної архітектури підтримки досліджень. Емпіричну перевірку здійснено на прототипах робочих потоків: автоматизований огляд літератури, інтелектуальна обробка експеримен- тальних даних, підготовка публікаційних матеріалів. Запропоновано інтегровану модель управління науковим процесом, що поєднує: (i) формальний вибір ролей людини й ШІ під обмеження ресурсів і якості; (ii) агрегування доказів із людських і машинних каналів через байєсівську схему; (iii) одночасне обмеження алгоритмічної упередженості та підвищення пояснюваності; (iv) стратегічне POMDP -пла- нування експериментів з урахуванням ризиків і вартості. В роботі було показано, що використання запропонованої моделі забезпечує скорочення часу на підготовку оглядів і аналіз даних, зростання відтворюваності висновків та прозорості рішень, а також зменшення ризиків, пов’язаних із «чорною скринькою» і зміщеннями даних. Сформульовано практичні рекомендації щодо впровадження ШІ у дослідницькі підрозділи: регламенти розкриття використання ШІ, контроль якості даних, вимоги до пояснюваності моделей і ролі дослідника як відповідального інтерпретатора. ШІ доцільно розглядати як інструмент підсилення наукової праці. Інтеграція запропонованих моделей у методологію та орга- нізацію досліджень підвищує ефективність, відтворюваність і етичну надійність наукових результатів, відкриваючи шлях до масштабованих, ресурсоефективних дослідницьких практик. Ключові слова: штучний інтелект; методологія наукових досліджень; організація досліджень; відтво- рюваність; пояснюваність; байєсівські методи; оптимізація; POMDP; упередженість даних; академічна доброчесність. S. Popereshnyak USING ARTIFICIAL INTELLIGENCE TECHNOLOGIES TO OPTIMIZE METHODOLOGY AND ORGANIZATION OF SCIENTIFIC RESEARCH The rapid digitalization of science puts forward new requirements for the methodology and organization of research. Artificial intelligence (AI) tools are able to accelerate data analysis, support hypothesis generation, and automate routine procedures, but at the same time exacerbate issues of reproducibility, transparency, and academic integrity. The purpose of the work is to substantiate and test approaches to integrating AI technol- ogies to optimize the methodology and organization of scientific research in the field of digital development. The work applied a systematic analysis of modern practices, mathematical modeling of processes (optimiza- tion of the choice of modes "human/AI/hybrid", Bayesian assessment of reliability, regularization of bias and interpretability, POMDP-planning of scientific cycles), as well as the design of a modular architecture for supporting research. Empirical testing was carried out on prototypes of workflows: automated literature re- view, intelligent processing of experimental data, preparation of publication materials. An integrated model of scientific process management was proposed, combining: (i) formal selection of human and AI roles under resource and quality constraints; (ii) aggregation of evidence from human and machine channels through a Bayesian scheme; (iii) simultaneous limitation of algorithmic bias and increase of explainability; (iv) strategic POMDP-planning of experiments taking into account risks and costs. The paper showed that the use of the proposed model reduces the time for preparing reviews and analyzing data, increases the reproducibility of conclusions and transparency of decisions, as well as reduces the risks associated with the “black box” and data bias. Practical recommendations for implementing AI in research units are formulated: regulations for Інформатизація науки і освіти 92 disclosing the use of AI, data quality control, requirements for the explainability of models, and the role of the researcher as a responsible interpreter. AI should be considered as a tool for strengthening scientific work. The integration of the proposed models into the methodology and organization of research increases the effi- ciency, reproducibility, and ethical reliability of scientific results, opening the way to scalable, resource-effi- cient research practices. Key words: artificial intelligence; scientific research methodology; research organization; reproducibility; ex- plainability; Bayesian methods; optimization; POMDP; data bias; academic integrity. Вступ Сучасна наука перебуває у стані гли- бокої трансформації під впливом цифрових технологій, серед яких провідне місце посі- дають методи штучного інтелекту (ШІ). Використання алгоритмів машинного нав- чання, обробки природної мови, комп’юте- рного зору та інтелектуальних систем уп- равління дедалі частіше стає невід’ємною складовою досліджень у різних галузях знань. Це зумовлено потребою у швидкому опрацюванні великих масивів даних, підви- щенні точності аналітики, автоматизації ру- тинних процедур і забезпеченні відтворю- ваності експериментів. Інтеграція ШІ у дослідницьку прак- тику відкриває нові можливості для генера- ції знань, які ще донедавна видавалися не- досяжними, та дозволяє оптимізувати орга- нізаційні процеси на всіх етапах — від фо- рмування гіпотези до підготовки публіка- ції. Водночас таке впровадження потребує переосмислення традиційної методології та розробки нових підходів до управління знаннями. Безсистемне або суто технічне використання інтелектуальних інструмен- тів може призвести до методологічних по- хибок, викривлення результатів чи зни- ження довіри до наукових висновків. Отже, актуальним завданням є ком- плексний аналіз можливостей, переваг і об- межень застосування ШІ в контексті мето- дології та організації наукових досліджень. Цифрові технології мають розглядатися не як заміна, а як інструмент підсилення нау- кової праці, що здатний забезпечити баланс між автоматизацією та академічною добро- чесністю. Аналіз останніх досліджень і публікацій. У сучасних наукових дослідженнях дедалі більше уваги приділяється викорис- танню технологій штучного інтелекту. Ро- боти західних авторів демонструють, що ШІ здатний не лише прискорювати обробку великих масивів даних, а й формувати нові підходи до генерації гіпотез та побудови моделей наукових експериментів [1]. Вод- ночас підкреслюються ризики, пов’язані з відтворюваністю результатів і залежністю від алгоритмічних рішень [2]. Окрему увагу приділяють етичним викликам, зокрема, питанням прозорості використання ШІ та необхідності обов’яз- кового розкриття його застосування у нау- кових роботах [3]. Досліджується також по- тенціал ШІ у вдосконаленні рецензування, де інтелектуальні системи допомагають підвищити швидкість та якість експертної оцінки, хоча й виникають побоювання щодо збереження академічної доброчесно- сті [4]. В українському науковому просторі акцент робиться на можливостях ШІ у сфері освіти та наукової комунікації. Зок- рема, у [5] узагальнено сучасні тенденції розвитку технологій, а також перспективи їх інтеграції в освітній процес. Вітчизняні дослідники також підкреслюють як пере- ваги використання інтелектуальних систем (швидкий доступ до знань, автоматизація рутинних процесів), так і ризики, пов’язані з можливими методологічними похибками та алгоритмічними викривленнями [6; 7]. Таким чином, аналіз останніх публі- кацій засвідчує, що питання інтеграції ШІ в методологію та організацію наукових дос- ліджень перебуває у фокусі як міжнарод- ної, так і національної наукової спільноти, а актуальними залишаються проблеми ефе- ктивності, прозорості та етичної відповіда- льності. Мета та завдання дослідження. Метою статті є обґрунтування та розробка концептуальних підходів до інтеграції тех- Інформатизація науки і освіти 93 нологій штучного інтелекту в методологію та організацію наукових досліджень у сфері цифрового розвитку. Особлива увага приді- ляється оцінці ефективності ШІ як інстру- мента оптимізації дослідницьких процесів, підвищення відтворюваності результатів та забезпечення академічної доброчесності. Виклад основного матеріалу. Сучасні дослідження активно інтег- рують інструменти штучного інтелекту, які змінюють процес здобуття й організації знань. Машинне навчання дозволяє аналі- зувати великі масиви даних із високою швидкістю, забезпечуючи нові можливості для прогнозування та виявлення закономір- ностей у різних галузях. Водночас воно по- роджує питання відтворюваності результа- тів та залежності від коректності навчаль- них вибірок. Зростає роль технологій обробки природної мови, які полегшують роботу з науковими текстами, але водночас несуть ризики методологічних спрощень і некри- тичного використання автоматично створе- них матеріалів. Подібні виклики виникають і у сфері комп’ютерного зору, що значно прискорює аналіз візуальних даних, проте часто перетворює алгоритми на «чорні скриньки», складні для інтерпретації. Інтелектуальні системи управління та цифрові сервіси підтримки дослідниць- кої діяльності оптимізують роботу лабора- торій і процес публікацій, але водночас створюють ризик надмірної залежності від автоматизації. Таким чином, ШІ відкриває нові пе- рспективи для науки, проте його викорис- тання потребує критичного осмислення, збереження академічної доброчесності та розробки методологічних засад, що гаран- тують баланс між технічною ефективністю та науковою відповідальністю. Проте, використання штучного інте- лекту у науковій практиці поєднує значний потенціал з низкою методологічних ризи- ків. Для кращого розуміння цього балансу доцільно узагальнити ключові напрями за- стосування ШІ разом із можливостями, які вони відкривають, та обмеженнями, що су- проводжують їх використання (рис. 1, табл. 1). Таблиця1. Можливості та ризики використання ШІ в науці Напрям застосу- вання ШІ Можливості Ризики та обмеження Обробка великих да- них Швидке опрацювання терабайтів інформації; виявлення прихова- них закономірностей Помилки через «шумні» дані; залежність від якості вибірки Комп’ютерний зір та аналіз сигналів Виявлення деталей, непомітних для людини; автоматизований мо- ніторинг Чутливість до умов середо- вища, високі обчислювальні вимоги Обробка природної мови Систематизація наукової літера- тури; автоматизоване виявлення трендів Ризик некоректної інтерпрета- ції термінів; проблема добро- чесності при генерації текстів Формування гіпотез і прогнозів Моделювання сценаріїв; підви- щення точності передбачень «Чорна скринька» моделей, складність перевірки корект- ності Організація дослід- ницької діяльності Автоматизація підготовки звітів, публікацій, планів Надмірна залежність від техні- чних систем, загроза втрати критичного аналізу Інформатизація науки і освіти 94 Узагальнене співвідношення між пе- ревагами й викликами використання ШІ можна також візуалізувати у вигляді схеми, яка демонструє взаємодію потенціалу тех- нологій та супровідних ризиків. Отже, сучасні інструменти штуч- ного інтелекту поєднують у собі колосаль- ний потенціал і водночас суттєві обме- ження. Вони здатні не лише оптимізувати окремі етапи дослідження, а й трансформу- вати саму структуру наукової діяльності. Однак для цього потрібне критичне осмис- лення їхньої ролі та формування нових ме- тодологічних рамок, які гарантуватимуть надійність і відтворюваність наукових ре- зультатів. Основні напрями застосування ШІ в дослідженнях. Сучасна наукова діяльність дедалі більше потребує інтеграції інтелектуальних цифрових технологій, серед яких штучний інтелект (ШІ) посідає провідне місце. Його застосування в методології та організації досліджень можна розглядати за кількома ключовими напрямами, що визначають ха- рактер трансформацій у науковому середо- вищі. У сукупності ці напрями відобража- ють комплексний вплив ШІ на сучасну на- уку — від зміни методологічних засад до трансформації організаційних практик (табл. 2.). Важливим завданням залиша- ється гармонізація технічних можливостей і традиційних наукових принципів, що за- безпечує збалансованість між інноваціями та академічною надійністю. Інтеграція штучного інтелекту у ме- тодологію та організацію наукових дослі- джень не є лінійним процесом. Кожен етап природно переходить у наступний, утворю- ючи замкнуте коло безперервного вдоско- налення знань (Рис. 2). Такий підхід дозво- ляє підвищувати якість досліджень, але во- дночас вимагає постійного контролю за ри- зиками автоматизації. Циклічність демонструє, що наука в умовах цифрової трансформації перетво- рюється на інтерактивний і безперервний процес: результати одного етапу стають пі- дґрунтям для нового циклу. ШІ виступає каталізатором цього процесу, прискорю- ючи обіг знань, але водночас посилюючи вимоги до методологічної строгості та кон- тролю якості. Штучний інтелект у наукових дослідженнях Можливості Швидка обробка Висока точність Систематизація Автоматизація Ризики "Чорна скринька" моделей Методологія похибки Проблеми відтворюваності Академічна доброчесність Рис. 1. Взаємодія можливостей і ризиків ШІ у наукових дослідженнях Інформатизація науки і освіти 95 Таблиця 2. Основні напрями застосування ШІ у наукових дослідженнях Напрям застосу- вання Можливості Ризики / Обмеження 1. Автоматизація по- шуку та систематиза- ції знань Швидкий аналіз великих обсягів пу- блікацій; формування бібліографіч- них оглядів; виявлення прихованих зв’язків між дослідженнями Залежність від алгоритмічних рекомендацій; втрата критич- ного осмислення джерел 2. Генерація та пере- вірка гіпотез Прогнозування на основі великих даних; підтримка вибору напрямів дослідження Обмежена пояснюваність («чо- рна скринька»); можливі мето- дологічні викривлення 3. Інтелектуальна об- робка експеримента- льних даних Висока точність і швидкість аналізу даних; автоматизація роботи з різно- рідними джерелами (зображення, сенсори) Ризик помилкових інтерпрета- цій; потреба у валідації резуль- татів 4. Оптимізація орга- нізаційних процесів Управління проєктами, ресурсами, координація команд; підвищення ефективності наукових колаборацій Ймовірність упереджених управлінських рішень; пи- тання етики та прозорості 5. Підтримка акаде- мічної доброчесності Виявлення плагіату, некоректних цитувань, фабрикацій даних; підви- щення довіри до результатів Формалізація оцінки наукової роботи; ризик хибнопозитив- них результатів 6. Автоматизована підготовка наукових матеріалів Швидке створення звітів, статей, презентацій; зменшення рутинної роботи Питання авторства та оригіна- льності; зниження ролі твор- чого внеску дослідника 7. Віртуальні лабора- торії та моделювання Економія ресурсів; можливість мо- делювати експерименти та створю- вати цифрові двійники Потреба у верифікації моделей у реальних умовах; ризик над- мірної довіри до симуляцій Рис. 2. Циклічна модель застосування ШІ у наукових дослідженнях Автоматизація пошуку та систематизація знань Генерація та перевірка гіпотез Обробка експерементальних даних (ML/AI) Оптимізація організації процесів Підтримка академічної доброчесності Автоматизована підготовка публікацій Віртуальні лабораторії та стимуляції/моделі Інформатизація науки і освіти 96 Методологічні та етичні виклики. Впровадження технологій штуч- ного інтелекту у методологію та організа- цію наукових досліджень відкриває нові горизонти для автоматизації та підви- щення продуктивності наукової праці. Во- дночас цей процес супроводжується низ- кою викликів, які стосуються не лише тех- нічної реалізації, а й принципових основ наукового пізнання та академічної добро- чесності. З методологічної точки зору основ- ним викликом є прозорість і відтворюва- ність результатів. Алгоритми машин- ного навчання часто функціонують як «чо- рні скриньки», ускладнюючи пояснення отриманих висновків. Це створює ризик зниження довіри до результатів, особливо в міждисциплінарних дослідженнях, де ва- жливо продемонструвати логіку обчис- лень і коректність інтерпретацій. Іншою проблемою є упередженість даних, яка неминуче переноситься на моделі та може призвести до спотворення результатів. Та- ким чином, виникає потреба у створенні стандартів контролю якості даних, алгори- тмів та їхньої валідації. Ще один аспект, пов’язаний із бала- нсом між автоматизацією та творчі- стю. Використання генеративних моделей чи інтелектуальних систем для форму- вання гіпотез або підготовки текстів нау- кових статей здатне значно прискорити до- слідження. Проте надмірна залежність від автоматизованих інструментів може приз- вести до зниження оригінальності мис- лення та «стандартизації» наукових ре- зультатів. Виникає ризик того, що науко- вець із суб’єкта пізнання перетвориться на спостерігача за роботою алгоритмів. Етичні виклики стосуються насам- перед академічної доброчесності. Вико- ристання ШІ у написанні текстів, аналізі джерел чи візуалізації даних ставить пи- тання про межу між «допомогою» та «ав- торством». Необхідно чітко визначити правила цитування результатів, згенерова- них алгоритмами, а також умови верифіка- ції даних, отриманих за допомогою авто- матизованих систем. Особливої уваги пот- ребує проблема плагіату та фальсифіка- цій, які можуть бути замасковані під ре- зультати роботи ШІ. Крім того, варто враховувати пи- тання етичного використання даних. Дослідження, що ґрунтуються на вели- ких масивах інформації, часто включа- ють персональні або чутливі дані. Відпо- відальність за їх збереження та анонімі- зацію покладається не лише на дослід- ника, а й на системи, якими він користу- ється. Порушення цього принципу може спричинити не лише репутаційні, а й пра- вові наслідки. Щоб чіткіше окреслити потенційні проблеми інтеграції ШІ у наукові дослі- дження, узагальнимо їх у вигляді порівня- льної таблиці, яка відображає виклики, їхні наслідки та можливі шляхи подо- лання. Отож, методологічні та етичні ви- клики використання ШІ у наукових дослі- дженнях можна охарактеризувати як по- двійну дилему: • з одного боку, вони стимулюють по- шук нових стандартів наукової діяль- ності, • а з іншого — потребують переосмис- лення ролі дослідника у взаємодії з ци- фровими технологіями. Вирішення цих питань неможливе без комплексного підходу, який поєднує те- хнічні, філософські, правові та організа- ційні аспекти. У зв’язку з цим постає потреба не лише у якісному аналізі можливостей і ри- зиків, а й у формалізації самого процесу ін- теграції ШІ у дослідницьку діяльність. Ма- тематичні моделі дозволяють виразити ключові закономірності організації науко- вої роботи у вигляді оптимізаційних за- вдань, забезпечити відтворюваність резуль- татів і задати критерії для порівняння аль- тернативних рішень. Інформатизація науки і освіти 97 Таблиця 3. Методологічні та етичні виклики використання ШІ у наукових дослідженнях Виклик Потенційні наслідки Можливі шляхи подолання Непрозорість ал- горитмів («чорна скринька») Зниження довіри до результатів; складність інтерпретації висновків Використання explainable AI (XAI), розробка прозорих моделей, докуме- нтування процесів Упередженість даних Спотворення результатів; методо- логічні помилки Стандарти контролю якості даних, багатоджерельна валідація, балансу- вання наборів Автоматизація vs. творчість Зниження оригінальності мис- лення; стандартизація результатів Збереження ролі дослідника як інте- рпретатора; регулювання обсягу ав- томатизації Проблеми акаде- мічної доброчес- ності Плагіат, викривлення авторства, сумнівні публікації Введення чітких правил цитування ШІ, перевірка унікальності текстів Фальсифікації даних Поширення недостовірних резуль- татів; зниження наукової репутації Верифікація результатів, незалежне рецензування, відкриті репозиторії даних Етичне викорис- тання даних Ризики розкриття персональних або чутливих даних; правові нас- лідки Анонімізація, дотримання GDPR та локальних стандартів захисту даних Залежність від алгоритмів Зміщення ролі дослідника з суб’єкта на спостерігача Формування «гібридної моделі» до- слідження: людина + ШІ як парт- нери Математична модель інтеграції ШІ у методологію та організацію наукових досліджень. Сучасні підходи до використання штучного інтелекту в організації наукових досліджень не можуть обмежуватися лише якісними описами. Для забезпечення відт- ворюваності, обґрунтованості та оптималь- ного використання ресурсів необхідно фор- малізувати процеси у вигляді математич- них моделей. Нижче подано кілька взаємо- пов’язаних моделей, що дозволяють розг- лядати завдання наукової діяльності як оп- тимізаційні проблеми із врахуванням яко- сті, ризиків, інтерпретованості та етичних обмежень. Модель 1. Оптимізація вибору режиму виконання завдань Кожне дослідницьке завдання може виконуватися людиною (H), штучним інте- лектом (A) або у гібридному режимі (H +A). Вводяться змінні: 𝑥𝑥𝑖𝑖 (𝐻𝐻), 𝑥𝑥𝑖𝑖 (𝐴𝐴), 𝑥𝑥𝑖𝑖 (𝐻𝐻𝐴𝐴) ∈ {0, 1}, 𝑥𝑥𝑖𝑖 (𝐻𝐻) + 𝑥𝑥𝑖𝑖 (𝐴𝐴)+ 𝑥𝑥𝑖𝑖 (𝐻𝐻𝐴𝐴) ≤ 1, що відповідає способу виконання завдання 𝑖𝑖. Цільова функція враховує наукову цінність 𝑣𝑣𝑖𝑖, точність 𝛼𝛼, ризики 𝑟𝑟𝑖𝑖 та штраф за низьку інтерпретованість: Інформатизація науки і освіти 98 max ∑ 𝑣𝑣𝑖𝑖 𝑛𝑛 𝑖𝑖=1 ∙ 𝛼𝛼𝑖𝑖(1 − 𝑟𝑟𝑖𝑖) − 𝜆𝜆(1 − 𝜄𝜄𝑖𝑖). Обмеження накладаються на ресу- рси: ∑ �̅�𝑑𝑖𝑖 𝑛𝑛 𝑖𝑖=1 ≤ 𝑇𝑇max, ∑ 𝑐𝑐�̅�𝑖 𝑛𝑛 𝑖𝑖=1 ≤ 𝐶𝐶max, ∑ 𝛼𝛼𝑖𝑖𝑖𝑖𝑥𝑥𝑖𝑖 𝑛𝑛 𝑖𝑖=1 ≤ 𝑅𝑅𝑖𝑖. Отож, модель дозволяє формалізу- вати питання «які завдання і в якому ре- жимі виконувати», забезпечуючи баланс між якістю, часом та витратами. Модель 2. Байєсівське оцінювання достовірності результатів Кожна гіпотеза 𝜃𝜃𝑖𝑖 ∈ {0,1} має апріо- рну ймовірність істинності 𝜋𝜋𝑖𝑖. Людські та машинні результати комбінуються через правдоподібності: 𝑃𝑃(𝜃𝜃𝑖𝑖 = 1|𝐷𝐷(𝐻𝐻), 𝐷𝐷(𝐴𝐴)) = 𝜋𝜋𝑖𝑖𝐿𝐿(𝐻𝐻)(𝐷𝐷(𝐻𝐻)|1)𝐿𝐿(𝐴𝐴)(𝐷𝐷(𝐴𝐴)|1) 𝜋𝜋𝑖𝑖𝐿𝐿(𝐻𝐻)(𝐷𝐷(𝐻𝐻)|1)𝐿𝐿(𝐴𝐴)(𝐷𝐷(𝐴𝐴)|1) + (1 − 𝜋𝜋𝑖𝑖)𝐿𝐿(𝐻𝐻)(𝐷𝐷(𝐻𝐻)|0)𝐿𝐿(𝐴𝐴)(𝐷𝐷(𝐴𝐴)|0). Таким чином, рішення про публіка- цію чи продовження дослідження ухвалю- ється не лише на основі кількісних даних, а й з урахуванням інтегрованої доказовості. Модель 3. Регуляризація упередженості та інтерпретованості У процесі навчання моделі ШІ міні- мізується функція: min 𝑤𝑤 ℒ𝑡𝑡𝑡𝑡𝑡𝑡𝑖𝑖(𝑤𝑤) + 𝜇𝜇𝑅𝑅𝑏𝑏𝑖𝑖𝑡𝑡𝑡𝑡(𝑤𝑤) + 𝜂𝜂𝑅𝑅𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒(𝑤𝑤), де 𝑅𝑅𝑏𝑏𝑖𝑖𝑡𝑡𝑡𝑡 — штраф за статистичні зсуви, а 𝑅𝑅𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 — за відсутність інтерпретованості. Це забезпечує баланс між точністю, етичні- стю та прозорістю досліджень. Модель 4. Планування досліджень як POMDP Науковий процес моделюється як за- дача частково спостережуваного марковсь- кого процесу (POMDP), де стан 𝑠𝑠𝑡𝑡 відобра- жає поточний рівень підтвердження гіпо- тез, ресурси та ризики. Нагорода визначається як: 𝑅𝑅(𝑠𝑠𝑡𝑡, 𝑎𝑎𝑡𝑡) = 𝛥𝛥цінності знання − витрати − 𝜅𝜅 ⋅ ризик. Оптимальна політика 𝜋𝜋 ∗ забезпечує максимізацію довгострокової користі від експериментів у разі обмежених ресурсів і врахуванні етичних норм. Розглянемо схему, що демонструє взаємодію чотирьох моделей: від вибору за- вдань і режиму їх виконання — до оцінки достовірності результатів, контролю упере- дженості ШІ та стратегічного планування дослідницьких циклів (Рис. 3). Отже, математична модель не лише формалізує ключові етапи інтеграції ШІ у науковий процес, а й забезпечує основу для побудови інструментів аналізу, які врахо- вують як ефективність, так і етичні вимоги до досліджень. Рис. 3. Схема зв’язків моделей Розроблені математичні підходи до інтеграції ШІ у методологію та організацію наукових досліджень мають практичний потенціал у різних аспектах дослідниць- кого процесу. Для підтвердження їхньої до- цільності розглянемо кілька сценаріїв, що ілюструють роботу моделей у реальних умовах (Табл. 4). Оптимізація завдань Байєсівська достовірність Регуляризація упереджень POMDP планування Інформатизація науки і освіти 99 Таблиця 4. Приклади застосування моделей у різних галузях Модель Сфера застосування Очікуваний результат Оптимізація завдань Аналіз наукових публікацій Мінімізація часу обробки даних Байєсівська достовірність Біомедичні дослідження Підвищення надійності гіпотез Регуляризація упереджень Соціологія, освіта Зменшення впливу системних викривлень POMDP планування Міждисциплінарні проекти Адаптивне управління ресур- сами Як бачимо, математичні моделі не є суто теоретичними, а мають безпосереднє прикладне значення. Їх інтеграція у дослід- ницьку практику дозволяє зробити процес більш ефективним, прозорим та етично об- ґрунтованим. Обговорення результатів та перспективи розвитку Отримані результати демонстру- ють, що інтеграція технологій штучного інтелекту у методологію та організацію на- укових досліджень може суттєво підви- щити ефективність роботи дослідницьких колективів. Застосування оптимізаційних моделей дозволяє структурувати процеси планування, зменшуючи часові витрати на рутинні операції та формуючи прозорі ал- горитми вибору дослідницьких завдань. Байєсівські методи підвищують достовір- ність висновків, забезпечуючи адаптивну оцінку даних у динамічних і неповних ін- формаційних умовах. Регуляризаційні під- ходи роблять результати більш об’єктив- ними, знижуючи вплив прихованих викри- влень і підвищуючи рівень академічної до- брочесності. Особливу увагу заслуговує викорис- тання моделей динамічного управління на- уковим процесом, таких як POMDP, що від- кривають можливість створення систем підтримки ухвалення рішень у масштабних міждисциплінарних проєктах. Це важливо в умовах глобалізації науки, коли дослі- дження дедалі частіше проводяться у вели- ких міжнародних колабораціях. Разом з тим результати підкреслю- ють наявність низки викликів. Серед них — необхідність розробки стандартів викорис- тання ШІ у науковій діяльності, запобі- гання надмірній залежності від автоматизо- ваних систем, а також вироблення механіз- мів контролю прозорості алгоритмів. Вирі- шення цих проблем вимагає міждисциплі- нарного підходу, що поєднує зусилля фахі- вців у галузі комп’ютерних наук, методоло- гії, етики та права. Перспективним напрямом є ство- рення інтегрованих платформ, які поєдну- ватимуть аналіз даних, управління експери- ментами та автоматизовану підготовку ре- зультатів до публікації. Такі системи здатні забезпечити не лише ефективність, а й від- творюваність наукових досліджень. Додат- кові можливості відкриває застосування ге- неративних моделей ШІ для пошуку нових гіпотез, формування експериментальних сценаріїв та симуляції результатів ще до проведення реальних дослідів. У цілому можна стверджувати, що використання штучного інтелекту у мето- дології та організації наукових досліджень є не лише інструментом підвищення ефек- тивності, а й фактором трансформації самої наукової практики. Подальші дослідження мають бути зосереджені на розробці прозо- рих, етично обґрунтованих та масштабова- них рішень, здатних інтегруватися у різні галузі знань. Інформатизація науки і освіти 100 Висновки. У статті проаналізовано сучасний стан і тенденції використання штучного ін- телекту в науковій практиці, зокрема, в ас- пектах методології досліджень та організа- ції наукової діяльності. Визначено ключові можливості застосування алгоритмів ма- шинного навчання, обробки природної мови, систем комп’ютерного зору та сенсо- рного злиття даних для прискорення обро- бки інформації, формування гіпотез, підви- щення точності прогнозування та автомати- зації організаційних процесів. Окремо акцентовано увагу на ризи- ках і обмеженнях використання ШІ, пов’язаних із відтворюваністю результатів, академічною доброчесністю, прозорістю алгоритмів та етичними викликами. Пока- зано, що ефективна інтеграція інтелектуа- льних інструментів у дослідницький про- цес можлива лише за умови поєднання тех- нічної ефективності з дотриманням науко- вих стандартів. Запропоновано узагальнену модель інтеграції ШІ в методологію наукових дос- ліджень, яка базується на математичному описі процесу обробки даних, адаптивних механізмах прогнозування та балансі між автоматизацією й людським контролем. В роботі обґрунтовано доцільність впровадження ШІ у навчально-наукову дія- льність, зокрема, в аспектах автоматизації аналітики, управління дослідницькими процесами, моделювання та формування цифрових компетентностей студентів. Це сприятиме підвищенню якості досліджень, масштабованості наукових експериментів та інтеграції в міжнародний академічний простір. Отримані результати підтверджу- ють, що штучний інтелект є не лише техні- чним інструментом, а й чинником трансфо- рмації методології науки, здатним забезпе- чити поєднання ефективності, відтворюва- ності та інноваційності у сучасних дослі- дженнях. Література 1. Gao J., Wang D. Quantifying the Benefit of Artificial Intelligence for Scientific Research [Електронний ресурс] // arXiv preprint arXiv:2304.10578. – 2023. – DOI: 10.48550/arXiv.2304.10578. 2. The Potential and Concerns of Using AI in Scientific Research [Електронний ресурс] // Frontiers in Artificial Intelligence. – 2023. – DOI: 10.3389/frai.2023.10636627. 3. Disclosing artificial intelligence use in scientific research [Електронний ресурс] // Accountability in Research. – 2025. – Vol. 32, Iss. 3. – P. 176–190. – DOI: 10.1080/08989621.2025.2481949. 4. Artificial intelligence in peer review: Enhancing efficiency while maintaining integrity [Електронний ресурс] // Journal of Korean Medical Science. – 2025. – Vol. 40, e92. – DOI: 10.3346/jkms.2025.40.e92. 5. Штучний інтелект у науці та освіті (AISE 2024): збірник матеріалів міжнародної нау- кової конференції (Київ, 1–2 березня 2024 р.) [Електронний ресурс] / упоряд. Є. Зава- льнюк, В. Матусевич, В. Коваленко. – Київ: УкрІНТЕІ, 2024. – DOI: 10.35668/978-966- 479-141-7. – Режим доступу: http://visnyk.naps.gov.ua 6. Дашко І., Череп О., Михайліченко Л. Розви- ток штучного інтелекту: переваги та недо- ліки [Електронний ресурс] // Economy & Society. – 2024. – DOI: 10.32782/2524- 0072/2024-67-31. 7. Куцак Л. В. Штучний інтелект у сучасній освіті: перспективи застосування та ви- клики [Електронний ресурс] // Вісник ВНЗ. – 2025. – DOI: 10.31652/2412-1142-2024-74- 27-37. – Режим доступу: http://vspu.net References 1. Gao, J., & Wang, D. (2023). Quantifying the Benefit of Artificial Intelligence for Scientific Research. arXiv preprint arXiv:2304.10578. https://doi.org/10.48550/arXiv.2304.10578 2. The Potential and Concerns of Using AI in Scientific Research. (2023). Frontiers in Artificial Intelligence. https://doi.org/10.3389/frai.2023.10636627 3. Disclosing artificial intelligence use in scientific research. (2025). Accountability in Research, 32(3), 176–190. https://doi.org/10.1080/08989621.2025.24819 49 4. Artificial intelligence in peer review: Enhancing efficiency while maintaining integrity. (2025). Journal of Korean Medical Science, 40, e92. https://doi.org/10.3346/jkms.2025.40.e92 5. Zavalnyuk, Ye., Matusevych, V., & Kovalenko, V. (Comps.). (2024). Shtuchnyi Інформатизація науки і освіти 101 intelekt u nautsi ta osviti (AISE 2024): zbirnyk materialiv mizhnarodnoi naukovoi konferentsii (Kyiv, 1–2 bereznia 2024 r.) [Artificial Intelligence in Science and Education (AISE 2024): Proceedings] (Electronic resource). Kyiv: UkrINTEI. https://doi.org/10.35668/978-966-479-141-7. Retrieved from http://visnyk.naps.gov.ua [in Ukrainian]. 6. Dashko, I., Cherep, O., & Mykhailichenko, L. (2024). Rozvytok shtuchnoho intelektu: perevahy ta nedoliky [Development of artificial intelligence: advantages and disadvantages]. Economy & Society. https://doi.org/10.32782/2524-0072/2024-67- 31 [in Ukrainian]. 7. Kutsak, L. V. (2025). Shtuchnyi intelekt u suchasnii osviti: perspektyvy zastosuvannia ta vyklyky [Artificial intelligence in modern education: prospects and challenges]. Visnyk VNZ. https://doi.org/10.31652/2412-1142- 2024-74-27-37. Retrieved from http://vspu.net [in Ukrainian]. Одержано: 17.10.2025 Внутрішня рецензія отримана: 25.10.2025 Зовнішня рецензія отримана: 24.10.2025 Про авторів: Поперешняк Світлана Володимирівна, к.ф.-м.н., доцент http://orcid.org/0000-0002-0531-9809. Місце роботи авторів: Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», тел. +38-098-645-54-62 E-mail: spopereshnyak@gmail.com

Схожі ресурси