Автоматизация процесса формирования поручений при обращениях граждан в органы государственной власти на основе методов машинного обучения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Серова Влада Сергеевна

• Серова Влада Сергеевна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Серова Влада Сергеевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

ГЛАВА 1. АНАЛИЗ ПОДХОДОВ, КОНЦЕПЦИЙ, МЕТОДОВ И ИНСТРУМЕНТОВ УПРАВЛЕНИЯ РАСПРЕДЕЛЕНИЕМ БОЛЬШОГО ОБЪЁМА ЗАДАЧ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХ

1.1 Процессы управления и распределения большого объёма задач по исполнителям в организационных системах

1.2 Анализ подходов и методов управления распределением большого объёма задач в организационных системах по исполнителям

1.2.1 Обзор теоретических и прикладных исследований

1.2.2 Современные научные подходы к управлению распределением задач

1.3 Делегирование и уровни распределения задачи

1.4 Методологии, методики и инструменты управления

1.5 Ограничения ручного распределения задач

1.6 Постановка задачи интеллектуального управления классификацией и обработкой обращений на государственные услуги с учётом сроков исполнения

1.7 Автоматизация управления распределением большого объёма задач в организационных системах

1.8 Автоматизация распределения задач с использованием методов классификации на основе обработки естественного языка

Выводы по главе

ГЛАВА 2. РАЗРАБОТКА МЕТОДА РАСПРЕДЕЛЕНИЯ БОЛЬШОГО ОБЪЁМА ЗАДАЧ В ОРГАНИЗАЦИИ ПО ИСПОЛНИТЕЛЯМ НА ОСНОВЕ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

2.1 Анализ и тестирование методов классификации текстовых данных на основе современных NLP-моделей

2.2 Математическое описание метода полносвязные нейронные сети

2.3 Математическое описание метода BERT

2.4 Сравнительный анализ методов классификации текстовых данных на основе полносвязных нейронных сетей и BERT

2.5 Описание гибридного метода интеллектуальной классификации текстовых данных

2.6 Математическая модель гибридного метода интеллектуальной классификации текстовых данных

2.7 Алгоритм интеллектуальной классификации текстовых данных

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ КЛАССИФИКАЦИИ ТЕКСТОВЫХ ДАННЫХ

3.1 Требования к системе интеллектуальной классификации текстовых данных, автоматизирующей методологию управления распределением большим объёмом задач в организационных системах на основе применения интеллектуального анализа текстовых данных

3.2 Система интеллектуальной классификации текстовых данных

3.3 Критерии оценки эффективности применения гибридного метода, алгоритма и информационной системы интеллектуальной классификации обращений

3.4 Тестирование гибридного метода, алгоритма и информационной системы интеллектуальной классификации обращений

Выводы по главе

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ А - Акт внедрения

ПРИЛОЖЕНИЕ B - Свидетельства о государственной регистрации программы для ЭВМ

Введение диссертации (часть автореферата) на тему «Автоматизация процесса формирования поручений при обращениях граждан в органы государственной власти на основе методов машинного обучения»

ВВЕДЕНИЕ. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

В диссертационной работе представлены результаты научных исследований, направленных на повышение эффективности управления процессами обработки обращений граждан в государственных учреждениях путем автоматизации процессов обработки, классификации и маршрутизации этих обращений. Ключевым фактором повышения оперативности и качества является применение гибридного метода интеллектуального анализа текстовых данных, усовершенствованного на основе современных технологий машинного обучения и алгоритма формирования корпусов ключевых слов и тем, что позволяет учитывать специфику предметной области и тематику обращений.

Диссертационная работа развивает идеи научных российских и зарубежных школ, внесших вклад в следующие области:

1. Теоретическим основам управления большими системами при управлении персоналом, распределении задач, полномочий и ответственности посвящены труды Р. Акоффа, И. Ансоффа, М. Арбиба, Р. Д. Арчибальда, Л. Берталанфи, С. Бира, М.Г. Брауна, В.Н. Буркова, Д. Н. Верзилина, Н. Виннер, О.С. Виханского, Д.П. Вумека, А.К. Гастева, В.М. Глушкова, П. Гохана, А.Г. Гранберга, К. Ф. Грея, Э. Деминга, П. Друкера, Р. Каплана, Р. Калмана, А. В. Киселева, М. Ковени, А.П. Козловцева, Ф. Котлера, Р. Коуза, Э. У. Ларсона, О.В. Логиновского, А.В. Голлая, Д. Магидсона, Т. Г. Максимовой, А. А. Матвеева, М. Мескона, Б.З. Мильнера, Г. Минцберга, Д.А. Новикова, Н. Нортона, А. И. Орлова, Г.С. Поспелова, У. Райс-Джонстона, Ю. И. Ребрина, С.Ф. Рогова, Г. Саймона, Б.В. Соколова, В. Г. Спирина, К. Уолша, П. Фалба, Р.А. Фатхутдинова, А.В. Цветкова, С.И. Шаныгина, А.В. Шеера, Э. Шейна, Д. Шелдрейка, Г.П. Щедровицкого, Г. Дж. Эддисона, Ф. Эмери, К. Эшби, Р.М. Юсупова и др.

2. Исследованию применений методов анализа данных и машинного обучения посвящены труды Д.М. Лосевой, А.Л. Горбунова, А.А. Жалыбина,

A.В. Маликова, Бобкова С.П., Суворова С.В., Фролова И.А., Казадаева А.И.,

B.В. Курейчика, С.И. Родзина, В.В. Бовы, П.Н. Бегена, Тузовского А.А.,

Ш.А. Оцоков, П. Щёголева, Шарутина К.Н., В.Е. Дементьева, С.Х. Киреева,

B.В. Никулина, С.Д. Шибайкина, М.С. Соколовой, А.В. Боровского, Е.Е. Раковской, А.Л. Бисикало, Р.Б. Сергиенко, М. Шан Ур Реман, А.Э. Хан, Т.О. Гасанова, В. Минкер., М.Х. Султанахмедова, К.В. Иргизовой, И. А. Хаустова.

3. Основополагающими работами в области использования трансформерных моделей стали работы авторов Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, которые предложили первую трансформерную архитектуру. Зарубежные исследователи, такие как Якоб Ушкорейт, Марко Рампони, Алекс Хьюз, Д.А.Хак, А.Е. Уильямс и др. учёные, представляющие ведущие компании OpenAI, Google, Meta, продолжили развивать идеи, заложенные в оригинальной трансформерной архитектуре. Их усилия привели к созданию таких мощных моделей, как BERT, T5 и Llama, которые находят широкое применение в самых разнообразных задачах, от машинного перевода до анализа тональности текста. Эти модели продемонстрировали впечатляющие результаты в понимании и генерации естественного языка.

4. Российские учёные также внесли значительный вклад в развитие трансформерных моделей, создав такие известные решения, как YaLM 100B (Яндекс), RuBERT (DeepPavlov) и GigaChat (SberAI). Особого внимания заслуживают работы Е.С.Алексеевой, А.В.Алмакаева, Д.А. Волкова, П.С. Гуляевой, О.Д.Гурджи, Д.Т.Галеева, А.А.Кулинич, И.К.Кусакина,

C.А.Нечаева, В.Д.Олисеенко, А.Ю.Романова, Д.В. Титова, Цурупа А.М. и многих других российских исследователей, которые активно работают над созданием и адаптацией трансформерных моделей для решения задач, актуальных для российской языковой среды. Важным направлением исследований является оптимизация трансформерных моделей, направленная на повышение их эффективности и снижение вычислительных затрат. В этой области активно работают такие российские учёные, как С.А. Березин, В.Е. Дементьев, А.Л. Горбунов, Д.Т. Галеев, Д.С. Дале, С.Х. Киреев, Н. Е. Косых, М.А. Костерин, Н. Д. Кропанев, А.В. Маликов, И.В. Парамонов, Н.Г. Ярушкина и др. Результаты

их работы позволяют создавать более компактные и быстрые трансформерные модели, что делает их более доступными для использования в различных приложениях и на различных платформах.

Актуальность темы исследования

Эффективность управления в организационных системах во многом определяется степенью автоматизации процессов. Для органов государственного управления автоматизация особенно важна, поскольку она напрямую влияет на качество выполнения процессов внутри организации, в том числе и на процесс обработки обращений граждан, который является важным инструментом реализации их прав, влияющий на уровень доверия общества к власти.

В связи с повышением удобства и доступности электронных каналов, наблюдается устойчивая тенденция увеличения числа граждан, взаимодействующих с государственными органами в цифровом формате. Обращение граждан в органы государственного управления - важный инструмент для реализации их прав, поэтому их рассмотрение является приоритетной задачей для сотрудников государственных учреждений. Каждое поступившее в электронном виде обращение представляет собой задачу для сотрудника государственного учреждения, выполнение которой должно быть оперативным и качественным. Такая форма взаимодействия становится особенно популярной благодаря удобному интерфейсу, оперативности и доступности современных цифровых сервисов. Количество поступивших обращений в органы государственной власти растет экспоненциально. Так, например, в Челябинской области с 2012 по 2020 год количество онлайн-обращений россиян к представителям власти выросло с 3,6 тыс. до 124 тыс. В период с 7 по 19 декабря 2024 г. 7 тыс. обращений поступило на «горячую линию» Президента от граждан Челябинской области. 3 тыс. обращений поступило в 2024 г. на «горячую линию» Губернатора Челябинской области. В работе [745] указывается, что в Санкт-Петербурге ежедневно жители отправляют по 2,5 тыс. обращений на портал «Наш Санкт-Петербург». Часть таких сообщений требует незамедлительного реагирования, так как может быть связана с угрозами жизни или чрезвычайными ситуациями. Вместе

с тем Федеральный закон № 59-ФЗ от 02.05.2006 «О порядке рассмотрения обращений граждан Российской Федерации» [363] устанавливает срок рассмотрения каждого обращения в 30 дней, что обуславливает необходимость разработки эффективных механизмов обработки больших массивов информации. Дополнительно рост числа обращений граждан приводит к увеличению расходов государственных органов на оплату труда дополнительного персонала.

Таким образом, в условиях постоянно растущего числа электронных обращений граждан, органы государственной власти сталкиваются с проблемой эффективной организации работы. Руководителям государственных учреждений становится все сложнее вручную обрабатывать весь поток входящей информации, быстро классифицировать обращения и направлять их тем исполнителям, которые обладают необходимыми компетенциями для их рассмотрения. В этой связи, задача автоматизации процесса распределения обращений становится ключевой для повышения эффективности работы органов государственной власти. Только правильно направленное обращение может быть качественно и своевременно рассмотрено исполнителями, обладающими соответствующей экспертизой.

Цель и задачи диссертационной работы

Цель диссертационного исследования: повышение эффективности управления процессами обработки обращений граждан в органах государственной власти за счёт разработки и внедрения интеллектуальной системы автоматической классификации и маршрутизации текстовых данных, обеспечивающей сокращение сроков обработки, повышение скорости и точности распределения задач.

Задачи исследования. Для достижения поставленной цели в работе сформулированы и решены следующие задачи:

- проведен анализ существующих подходов, концепций, методов и моделей управления организационными системами при маршрутизации большого объёма задач по ответственным исполнителям;

- исследованы современные подходы и алгоритмы классификации текстовых данных, включая традиционные алгоритмы машинного обучения и современные нейросетевые архитектуры;

- разработана математическая модель интеллектуальной классификации обращений граждан, интегрирующая статистический, семантический и нейросетевой анализ;

- разработан гибридный метод интеллектуальной классификации текстовых данных на основе архитектуры многоуровневой нейросетевой модели, позволяющий оперативно и с высокой точностью осуществлять классификацию большого объёма текстовых данных;

- спроектирован алгоритм интеллектуальной маршрутизации обращений с использованием итеративного расширения признакового пространства и динамической адаптации к изменяющимся условиям предметной области. Алгоритм включает этапы предобработки текста, извлечения признаков, интерактивного уточнения списка ключевых слов и тем, классификации обращений и автоматической маршрутизации обращений к соответствующим исполнителям;

- разработана система интеллектуальной классификации и автоматической маршрутизации обращений по исполнителям, обеспечивающая отправку результатов классификации по целевым исполнителям, интегрированная с корпоративными каналами связи;

- проведена апробация разработанной системы, включая сбор корпуса обращений граждан, обучение и тестирование гибридного метода интеллектуальной классификации при классификации текстовых обращений, содержащих специализированную лексику, а также валидация результатов с участием экспертов;

- сформулированы рекомендации по внедрению системы автоматической интеллектуальной классификации обращений в государственные учреждения.

Предмет исследования - процессы автоматической интеллектуальной классификации и автоматизированной маршрутизации обращений граждан в органах государственной власти на основе методов машинного обучения и интеллектуального анализа текстовых данных.

Объект исследования - методы, модели и технологии управления процессами обработки и распределения больших потоков текстовых данных в организационных системах, в том числе применяемые для автоматизации и повышения эффективности обработки обращений граждан в государственных учреждениях.

Методы исследования. Теоретической и методологической основой диссертационного исследования являются методы современной теории управления организационными системами, обобщение и систематизация подходов к управлению организационными системами и распределению задач. Использованы также методы интеллектуального анализа данных и машинного обучения. Методы системного анализа и проектирования использованы при проектировании алгоритма автоматической маршрутизации обращений на основе результатов классификации и разработке архитектуры информационной системы интеллектуальной классификации обращений. Метод экспериментального исследования был использован при апробации разработанного гибридного метода классификации текстовых данных и системы интеллектуальной обработки обращений на реальных данных.

Тематика работы. Содержание диссертации соответствует следующим пунктам области исследования Паспорта специальности ВАК РФ «2.3.4. Управление в организационных системах»:

п. 2. Разработка математических моделей и критериев эффективности, качества и надёжности организационных систем;

п. 3. Разработка методов и алгоритмов решения задач управления в организационных системах;

п. 4. Разработка информационного и программного обеспечения систем управления и механизмов принятия решений в организационных системах;

п. 9. Разработка методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в организационных системах;

п. 11. Разработка практико-ориентированных технологий управления организационными системами.

Научная новизна управления распределением большим объёмом задач в организационных системах на основе применения интеллектуального анализа текстовых данных заключается в следующем:

1. Разработана математическая модель классификации текстовых данных представляющая собой интеграцию статистических (TF-IDF), семантических (BERT) и нейросетевых методов анализа текстов. Научная новизна данной модели заключается в том, что впервые:

- введен дополнительный обучаемый слой согласования признаков в виде раздельных линейных операторов WTxtßdf и WBxbert с последующей нелинейностью ReLU. В отличие от существующих способов конкатенации это обеспечивает адаптивное перераспределение вкладов статистических и семантических признаков в процессе обучения модели, позволяя более эффективно использовать информацию из разных источников и достичь более высокой обобщающей способности. Данный слой позволяет модели динамически определять, какие признаки (статистические или семантические) более важны для конкретного текста, и соответствующим образом корректировать их вклад в итоговую классификацию;

- интегрирован итеративный частотный контур («облако слов») в замкнутую схему работы классификатора, что позволяет реализовать механизм адаптивного самообучения и динамического расширения словаря. При этом, если точность классификатора arg тах(у;)<80%, тексты направляются в частотный анализ для обновления ключевых слов и стоп-слов, а при необходимости - для добавления новой категории. Данное пороговое значение обеспечивает оптимальный баланс между точностью и полнотой классификации, минимизируя количество ошибочных классификаций и обеспечивая при этом достаточную скорость обработки данных;

- осуществлено раздельное проектирование статистического и семантического каналов в общее скрытое пространство Rk с использованием матриц WT Е

Rkn и WB e Rkn. Это позволяет явно учитывать вклад каждого канала перед подачей в многослойный персептрон из трёх полносвязных слоёв, обеспечивая большую гибкость в настройке модели и возможность адаптации к различным типам текстовых данных.

Разработанная математическая модель классификации текстовых данных обеспечивает высокую точность классификации, адаптацию к специализированной лексике и устойчивость к изменению тематического содержания.

2. Разработан метод классификации текстовых данных (Combined Neural BERT), интегрирующий статистический, семантический и частотный анализы с нейросетевыми архитектурами для повышения точности классификации текстов, содержащих специализированную лексику. Метод включает последовательную обработку TF-IDF и BERT с оптимизацией признакового пространства дополнительным обучаемым слоем согласования признаков. Данный слой обеспечивает корректное выделение релевантных признаков при ограниченном объёме ключевых слов. Для дальнейшего повышения точности классификации текстов, проводится частотный анализ с применением технологии «облако слов», который позволяет выявлять новые специализированные термины, релевантные для каждой тематической категории обращений. Полученные термины используются для динамического пополнения словаря модели, что способствует росту полноты и релевантности признакового пространства. Обновленный словарь, повторно используется на этапе формирования векторных представлений TF-IDF и BERT. Таким образом, реализуется итерационный процесс обучения модели, который повторяется до достижения высокого уровня точности классификации (например, 99%).

Таким образом, метод сочетает в себе проверенные технологии полносвязных нейронных сетей (FCNN) и контекстные эмбеддинги BERT и два новых компонента: обучаемый слой согласования признаков, адаптивно объединяющий статистические и семантические признаки, и встроенный частотный анализ (на базе "облака слов") для итеративного расширения словаря и уточнения признаков. Технология «облако слов», применённая в данном методе для автоматизированного ана-

лиза частоты встречаемости слов в тексте, представляет собой новый подход к использованию данной технологии, заключающийся в её интеграции в аналитический процесс, что ранее не реализовывалось в таком функциональном контексте.

3. Разработан алгоритм классификации текстовых данных, объединяющий статистический, семантический и частотный анализ с итеративным самообучением и маршрутизацией обращений для динамической актуализации признакового пространства, высокой точности и эффективной интеграции в процессы управления распределением задач. Алгоритм включает:

1. Формирование базового словаря ключевых слов, стоп-слов и обучение первичной версии модели.

2. Преобразование обращений в частотные и контекстные эмбеддинги.

3. Интеграция признаков с использованием дополнительного нейронного слоя.

4. Первичная классификация обращений.

5. Частотный анализ («облако слов») для выявления доменно значимых терминов в обращениях с низкой точностью.

6. Интерактивная экспертная настройка ключевых слов, стоп-слов с использованием визуализации «облака слов», расширение словарей.

7. Итеративное дообучение модели.

8. Динамическое создание новых тем (кластеров) в процессе обработки данных.

9. Применение механизмов фильтрации по значению порога точности классификации обращений способствует формированию более релевантных тематических категорий и повышению точности классификации.

4. Разработана программная система интеллектуальной классификации текстовых данных, реализованная на основе разработанных математической модели, метода и алгоритма классификации. Описана её архитектура и функциональность, которая предназначена для повышения оперативности и качества обработки больших объёмов обращений граждан.

Система интеллектуальной классификации текстовых данных способна автоматизировать обработку больших объёмов текстовых данных, относящихся к специализированным областям, автоматически классифицировать их, осуществлять

маршрутизацию по целевым группам пользователей на корпоративную почту, а также формировать аналитическую отчетность.

Теоретическая и практическая значимость

Теоретическая значимость работы заключается в развитии и обосновании методов и моделей управления процессами обработки больших потоков текстовых данных в организационных системах. Основные результаты теоретического характера:

- разработана математическая модель интеллектуальной классификации текстовых данных, интегрирующая статистический, семантический и нейросетевой анализ, что расширяет научные представления о подходах к управлению распределением задач в динамичных организационных системах;

- разработан метод интеллектуальной классификации Combined Neural BERT, который расширяет существующие подходы к интеллектуальному анализу текстов и вносит вклад в развитие теории классификации текстовых данных за счёт гибридной архитектуры, итеративного расширения признакового пространства, обеспечивающих адаптивную настройку моделей классификации и устойчивость их работы в условиях изменяющейся предметной области;

- обоснованы принципы построения алгоритма, позволяющего системе автоматически адаптироваться к изменяющимся данным, формировать новые тематические категории и осуществлять специализацию на темах, включающих специализированные или нестандартные слова. Интерактивная настройка ключевых слов с помощью технологии «облако слов» позволяет повысить точность классификации специализированной лексики.

Практическая значимость работы обусловлена возможностью использования ее результатов для автоматизации и повышения эффективности обработки больших объёмов текстовых данных в системах управления государственными и коммерческими структурами. Разработанные решения особенно актуальны для систем массового обслуживания, где требуется оперативная и точная обработка большого количества запросов.

Практическая ценность работы заключается в использовании алгоритма и программной системы интеллектуальной классификации и маршрутизации обращений, обеспечивающих существенные выгоды как для государственных учреждений, так и для коммерческих организаций. Интеграция разработанной системы с корпоративными каналами связи позволяет автоматизировать полный цикл обработки данных, начиная от предобработки и классификации и заканчивая маршрутизацией и формированием аналитической отчётности. Универсальность предложенного гибридного метода классификации (Combined Neural BERT) делает возможным его применение в различных сферах, таких как управление обращениями граждан, клиентская (техническая) поддержка, обработка заявок и документооборот при рассылке распоряжений и др. документов. Внедрение системы позволяет достичь значительного сокращения сроков обработки обращений, снижения нагрузки на персонал и повышения качества принимаемых управленческих решений. Результаты работы могут служить основой для разработки регламентов автоматизированной обработки информации, что способствует повышению эффективности деятельности и снижению затрат.

Для повышения качества принимаемых управленческих решений в сфере технического обслуживания на АО «Челябинский Цинковый завод» рекомендовано внедрение разработанных в диссертации метода классификации текстовых данных (Combined Neural BERT) и интерактивного механизма «облако слов» для уточнения списка ключевых слов. Их интеграция в интеллектуальную систему приема и распределения заявок на техническое обслуживание обеспечит оперативное получение актуальной и точной информации, необходимой для принятия обоснованных решений.

Внедрение системы интеллектуальной классификации текстов на основе гибридной модели Combined Neural BERT в региональный портал взаимодействия с бизнесом и населением Проектного офиса Фонда развития предпринимательства Челябинской области - Центр «Мой бизнес» позволило не только автоматизировать обработку обращений граждан, но и напрямую способствовать повышению качества управленческих решений. Также получено экспертное

заключение Центра развития цифровых технологий Челябинской области, которое подтвердило работоспособность и практическую применимость интеллектуальной системы классификации обращений, что разработанный гибридный метод классификации текстовых данных показывает высокую точность классификации данных в условиях разнообразия формулировок и терминологии и могут быть успешно внедрены в практику государственных органов для улучшения качества и оперативности принятия управленческих решений, основанных на анализе обращений граждан.

Акты внедрения результатов диссертационного исследования и экспертное заключение по результатам тестирования интеллектуальной системы классификации обращений и автоматизируемого метода представлены в Приложении А к диссертации.

Рассмотрим области применения результатов диссертационного исследования:

1. Автоматизация обработки больших объёмов текстовых данных в виде обращений граждан в государственные органы и формирование аналитической отчетности. Применение результатов работы позволит:

- повысить оперативность и качество обработки обращений граждан в государственные органы;

- автоматизировать маршрутизацию задач по исполнителям с учётом их тематической релевантности;

- снизить трудозатраты на анализ специализированных текстовых данных и повысить обоснованность принимаемых управленческих решений.

2. Оптимизация работы служб клиентской (технической) поддержки за счет классификации и маршрутизации входящих запросов. Применение результатов работы позволит:

- повысить скорость и качество обработки обращений клиентов;

- автоматизировать распределение запросов по ответственным специалистам в зависимости от тематики (например, вопросы оплаты - в финансовый отдел, технические - в отдел технической поддержки);

- сократить время реакции на обращения;

- обеспечить единый контроль и прозрачность процесса обработки запросов, что способствует повышению удовлетворенности клиентов.

3. Повышение эффективности управления внутренними процессами в корпорациях путем автоматизации классификации и маршрутизации распоряжений и служебных документов. Применение результатов работы позволит:

- ускорить обработку и доставку распоряжений внутри организации;

- повысить точность распределения задач с учетом их приоритетов и содержания;

- повысить оперативность принятия управленческих решений и прозрачность внутренних процессов.

4. Ускорение и оптимизация обработки заявок на конкурсы с использованием автоматического тематического распределения. Применение результатов работы позволит:

- ускорить первичную обработку и распределение заявок по тематическим категориям;

- оптимизировать работу экспертных комиссий за счет автоматизированной группировки заявок;

- сократить сроки рассмотрения заявок и повысить прозрачность процедуры оценки;

- обеспечить более объективный и обоснованный отбор участников благодаря единым критериям классификации.

Полученные результаты формируют основу для дальнейших исследований в области построения адаптивных моделей и методов анализа больших массивов текстовой информации в управлении сложными организационными системами.

Список литературы диссертационного исследования кандидат наук Серова Влада Сергеевна, 2025 год

ЛИТЕРАТУРА

1. Abdullah M. S., Mohammed A. H., Jassim S. I., Alseelawi S. M. Core Classifier Algorithm: A Hybrid Classification Algorithm Based on Class Core and Clustering // Applied Sciences. - 2022. - Vol. 12, No. 7. DOI: 10.3390/app12073524. - URL: https://www.mdpi.com/2076-3417/12/7/3524 (дата обращения: 14.10.2025).

2. Ackoff R. L., Magidson J., Addison H. J. Idealized Design: How to Prevent Tomorrow's Crisis Today. Creating the Corporation's Future. - Wharton School Publishing, 2006. - 256 p.

3. Alghobiri M. Guarding the Truth: Enhancing Fake Headline Detection Using Transformer-Based Encoding and Deep Learning Methods / M. Alghobiri // International Journal of Open Information Technologies. - 2024. - Vol. 12, № 5. - P. 151-165.

4. Annaswamy A. M., Fradkov A. L. A Historical Perspective of Adaptive Control and Learning // Annual Reviews in Control. - 2021. - Vol. 52. - P. 18-41.

5. Azevedo B. F., Rocha A. M. A. C., Pereira A. I. Hybrid approaches to optimization and machine learning methods: a systematic literature review // Machine Learning. 2024. Vol. 113. P. 4055-4097.

6. Bang Y., Cahyawijaya S., Lee N., et al. A Multitask, Multilingual, Multimodal Evaluation of ChatGPT on Reasoning, Hallucination, and Interactivity. Preprint. arXiv:2302.04023, 2023. 27 p.

7. Bansal D. Enterprise Data Warehouses: Types, Benefits, and Considerations. SSRN, 2025. D0I:10.2139/ssrn.5264339. URL: https://ssrn.com/abstract=5264339 (дата обращения: 30.03.2025).

8. Bao T., Ren N., Luo R., Wang B., Shen G., Guo T. A BERT-Based Hybrid Short-Text Classification Model Incorporating CNN and Attention-Based BiGRU / Journal of Organizational and End User Computing. - 2021. - Vol. 33, No. 6. - P. 1-21.

9. Bottou L., Curtis F.E., Nocedal J. Optimization Methods for Large-Scale Machine Learning. - arXiv preprint arXiv:1606.04838, 2016. - URL: https://arxiv.org/abs/1606.04838 (дата обращения: 14.10.2025).

10. Centralized Management - an overview. ScienceDirect Topics, без даты. - URL: https://www.sciencedirect.com/topics/computer-science/centralized-management (дата обращения: 30.04.2025).

11. Chen M., Mao S., Liu Y. Big Data: A Survey. // Mobile Networks and Applications. - 2014. Т. 19, - No. 2. - P. 171-209.

12. Chen T., Zhou Y., Liu Y., Zhang J. Hybrid Machine Learning Models of Classifying Residential Requests for Smart Dispatching. - arXiv preprint arXiv:1912.10546, 2019. - URL: https://arxiv.org/abs/1912.10546 (дата обращения: 14.10.2025).

13. De Leo, Vincenzo. Topic detection with recursive consensus clustering and semantic enrichment / Humanities and Social Sciences Communications. - 2023. - Vol. 10, Article - P. 1-10.

14. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of NAACL-HLT. -2019. - P. 4171-4186.

15. Dey S., Wasif S., Tonmoy D. S., et al. A comparative study of support vector machine and Naive Bayes classifier for sentiment analysis on Amazon product reviews // Proc. of the International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC3A). - 2020. - P. 217-220.

16. Elgendy N., Elragal A. Big Data Analytics: A Literature Review Paper. Industrial Conference on Data Mining (ICDM). - Berlin: Springer, 2014. - P. 214-227.

17. Gao H., Liu Y., Zhang R., Chen X. A Hybrid Model for Few-Shot Text Classification Using Transfer and Meta-Learning. - arXiv preprint arXiv:2502.09086, 2025. -URL: https://arxiv.org/abs/2502.09086 (дата обращения: 14.10.2025).

18. Glazkova A. V. Towards News Aggregation in Russian: a BERT-based Approach to News Article Similarity Detection // Computational Linguistics and Intellectual Technologies. - 2021. - Вып. 20. - P. 1050-1054.

19. Gray C. F., Larson E. W., Archibald R. D. Project Management: The Managerial Process [Управление проектами: управленческий процесс]. - 7th ed. - New York: McGraw-Hill Education, 2017. - 672 p.

20. Gupta R. Bidirectional Encoders to State-of-the-Art: A Review of BERT and Its Transformative Impact on Natural Language Processing // Informatics. Economics. Management. - 2024. - Vol. 3, No. 1. - P. 311-320.

21. Gupta S., Kishan B. A performance-driven hybrid text-image classification model for multimodal data // Scientific Reports. 2025. Vol. 15, Article 11598. DOI: 10.1038/s41598-025-95674-8. URL: https://www.nature.com/articles/s41598-025-95674-8 (дата обращения: 14.10.2025).

22. Haddi E., Liu X., Shi Y. The role of text pre-processing in sentiment analysis. Procedia Comput. Sci., 2013, vol. 17, pp. 26-32.

23. Hammer M. What is Business Process Management? // Handbook on Business Process Management. - Heidelberg: Springer-Verlag, 2010. - Vol. 1. - P. 104-112.

24. Kalman R. E., Falb P. L., Arbib M. A. Topics in Mathematical System Theory. -New York: McGraw-Hill, 1969. - 358 p.

25. Lample G., Ballesteros M., Subramanian S., Kawakami K., Dyer C. Neural Architectures for Named Entity Recognition. - arXiv preprint arXiv:1603.01360, 2016. -URL: https://arxiv.org/abs/1603.01360 (дата обращения: 14.10.2025).

26. Laskar M. T. R., Hoque E., Khan M. M., et al. A Systematic Study and Comprehensive Evaluation of ChatGPT on Benchmark Datasets. - arXiv preprint arXiv:2305.18486, 2023. - 44 p. - URL: https://arxiv.org/abs/2305.18486 (дата обращения: 14.10.2025).

27. Lim W. M., Tayyar Madabushi H. UoB at SemEval-2020 Task 12: Boosting BERT with Corpus Level Information // Proceedings of the 14th International Workshop on Semantic Evaluation (SemEval-2020). - 2020. - P. 1-6.

28. Liu Y., Ott M., Goyal N., Du J., Joshi M., Chen D., Levy O., Lewis M., Zettle-moyer L., Stoyanov V. RoBERTa: a robustly optimized BERT pretraining approach [Электронный ресурс] // arXiv preprint arXiv:1907.11692. - 2019. - URL: https://arxiv.org/abs/1907.11692 (дата обращения: 01.06.2025).

29. Luo X., Yu Z., Zhao Z., Zhao W., Wang J.-H. Effective short text classification via the fusion of hybrid features for IoT social data // Digital Communications and Networks. - 2022. - Vol. 8, № 6. - P. 942-954.

30. Marston S., Li Z., Bandyopadhyay S., Zhang J., Ghalsasi A. Cloud computing -The business perspective. Decision Support Systems. 2011. Vol. 51, No. 1. P. 176-189

31. Mavaie P., Holder L., Skinner M. K. Hybrid deep learning approach to improve classification of low-volume high-dimensional data // BMC Bioinformatics. 2023. Vol. 24. Article 419. DOI: 10.1186/s12859-023-05557-w. URL: https://bmcbioinformatics.bi-omedcentral.com/articles/10.1186/s12859-023-05557-w (дата обращения: 14.05.2025).

32. Nooraiepour A., Bajwa W. U., Mandayam N. A hybrid model-based and learning-based approach for classification using limited number of training samples. arXiv preprint arXiv:2106.13436, 2021. URL: https://arxiv.org/abs/2106.13436 (дата обращения: 14.10.2025).

33. Oliveira P., Andrade R.M.C., Nogueira T.P., Barreto I., Bueno L.M. Issue Auto-Assignment in Software Projects with Machine Learning Techniques // arXiv preprint arXiv:2104.01717. - 2021. URL: https://arxiv.org/abs/2104.01717

34. Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing (ACL-IJCNLP). - Beijing, China, 2015. - P. 741-751.

35. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing. - 2019. - P. 3982-3992

36. Serdaliyev Y. Applications of «chatgpt»: where it can be used and WHAT can we solve with chatgpt / Y. Serdaliyev, N. Zhunissov // Q A Iasayi atyndagy Halyqaralyq qazaq-turik ymversitetinin habarlary (fizika matematika mformatika seriiasy). - 2023. -Vol. 24, No. 1. - P. 129-138.

37. Serrador P. Does Agile work? - A quantitative analysis of agile project success / P. Serrador, J. K. Pinto // International Journal of Project Management. - 2015. - Vol. 33, No. 5. - P. 1040-1051.

38. Smetanin S. The applications of sentiment analysis for Russian language texts: current challenges and future perspectives. IEEE Access, - 2020. - Vol. 8. - P. 110693110719.

39. Srujan K. S., Nikhil S. S., Raghav Rao H., et al. Classification of Amazon book reviews based on sentiment analysis. In: Information Systems Design and Intelligent Applications. - Springer, 2018. - P. 401-411.

40. Stonebraker, M. The Case for Shared Nothing. IEEE Database Engineering Bulletin, - 1986, - Vol. 9, No. 1, pp. 4-9.

41. Talaat A. S. Sentiment analysis classification system using hybrid BERT models // Journal of Big Data. - 2023. - Vol. 10, Article 110.

42. Tripathy A., Agrawal A., Rath S.K. Classification of sentimental reviews using machine learning techniques. // Procedia Computer Science. - 2015. - Vol. 57. - P. 821829.

43. Wang Z., Zhu Y., Li Y., Qiang J., Yuan Y., Zhang C. Asymmetric Short-Text Clustering via Prompt // New Generation Computing. - 2024. - P. 1-17.

44. Zaharia M., Chowdhury M., Das T., et al. Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing // Proceedings of the 9th USE-NIX Symposium on Networked Systems Design and Implementation (NSDI). - 2012. -P. 15-28.

45. Абашев М.А. Методы классификации текстов с использованием машинного обучения // Журнал прикладной информатики. - 2021. - № 3. - С. 45-52.

46. Абрамов М. В. Автоматизация распознавания сложной текстовой CAP-TCHA с применением условной генеративно-состязательной нейронной сети / М. В. Абрамов, А. С. Задорожный, А. А. Корепанова, А. А. Сабреков // Научно-технический вестник информационных технологий, механики и оптики. - 2024. - Т. 24, № 1. - С. 90-100.

47. Авсеёва О. В. Сравнение классических моделей машинного обучения и нейронных сетей в применении к решению задачи определения тональности текста / О. В. Авсеёва, Д. Ф. Лебединский // Актуальные проблемы прикладной математики, информатики и механики: сборник трудов Международной научной конференции, Воронеж, 04-06 декабря 2023 года. - Воронеж: Издательство «Научно-исследовательские публикации», 2024. - С. 140-146.

48. Агеёв М.С. Методы автоматической рубрикации текстов, основанные на машинном обучении и знаниях экспертов: дис. канд. физ.-мат. наук. - М., 2018. - 145 с.

49. Аешин И. Т. Расчёт сходства текстов на основе TF-IDF / И. Т. Аешин, В. А. Федоров, А. А. Городов // Материалы XXVI Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно--космических систем академика М.Ф. Решетнева. В 2-х частях, Красноярск, 09-11 ноября 2022 года / Под общей редакцией Ю.Ю. Логинова. Том Часть 2. - Красноярск: ФГБОУ ВО «Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева», 2022. - С. 6-7.

50. Акопян А. А. Применение больших языковых моделей для анализа характеристик сложных технологических объектов на примере атомной электростанции // Информационные технологии в проектировании. - 2024. - № 2. - С. 55-63.

51. Акофф Р. Планирование в больших экономических системах / Р. Акофф, перевод с английского: Г. Б. Рубальский, под редакцией И. А. Ушакова - М.: Сов.ра-дио, 1972. - 223 с.

52. Алексеёва Л.М. Диагностика технических систем с использованием машинного обучения // Современные ИТ. - 1994. - № 2. - С. 33-39.

53. Алпатов А. Н. Анализ точности моделей машинного обучения с использованием методов векторизации для задач классификации разнородных текстовых данных / А. Н. Алпатов, К. С. Попов, А. Н. Чесалин // International Journal of Open Information Technologies. - 2022. - Т. 10, № 7. - С. 47-53.

54. Амиров Д. Ф. Технологии искусственного интеллекта в задачах кибербез-опасности на примере антифрода / Д. Ф. Амиров // REDS: Телекоммуникационные устройства и системы. - 2023. - Т. 13, № 1. - С. 4-12.

55. Анализ качества бинарной классификации веб-страниц методом опорных векторов / С. В. Волошин, А. Л. Царегородцев, Е. А. Карташев, В. В. Славский // Известия Алтайского государственного университета. - 2017. - № 4(96). - С. 84-88.

56. Анализ современных тенденций в области автоматизации управления с акцентом на искусственный интеллект, нейронные сети и машинное зрение // Экономика и технологии. - 2023. - № 2. - URL: https://etreview.ru/index.php/et/arti-cle/view/97 (дата обращения: 30.02.2025).

57. Антонов В.Ф., Бегена П.Н. Модель анализа тональности с использованием CNN // Журнал прикладной информатики. - 2019. - № 4. - С. 58-65.

58. Антонов, В. Ф. Применение нейронных сетей в задачах искусственного интеллекта / В. Ф. Антонов, Е. А. Поздняков, С. А. Орехов // Современная наука и инновации. - 2021. - № 2(34). - С. 154-160.

59. Арутюнова, Д. В. Методология системного подхода в формировании адаптивного механизма управления организацией / Д. В. Арутюнова // Известия ТРТУ. - 2005. - № 8(52). - С. 17-21.

60. Архипова, А. Б. Применение методов машинного обучения для обнаружения фишинговых писем: алгоритмы и подходы / А. Б. Архипова, В. А. Ижик // Безопасность цифровых технологий. - 2025. - № 1(116). - С. 70-85.

61. Астапов Р.Л., Дубатов Р.С. Классификация текстов с помощью сверточных нейронных сетей // Вестник науки. - 2020. - № 8 (29). - С. 53-56.

62. Астапов, Р. Л. Автоматизированное исправление ошибок при обработке естественного языка / Р. Л. Астапов, Р. М. Мухамадеёва // Актуальные научные исследования в современном мире. - 2021. - № 5-2(73). - С. 24-27.

63. Ахметгалиев А. И., Гафаров Ф. М., Ситдикова Ф. Б. Анализ тональности текстов с использованием нейросетевых моделей // Наука России: цели и задачи: сборник научных трудов по материалам XIV Международной научной конференции, Екатеринбург, 10 апреля 2019 года. - Т. 4. - Екатеринбург: НИЦ «Л-Журнал», 2019. - С. 33-40.

64. Ашинова М. К., Хуажева А. Ш., Михайлюк М. Н., Чаусов А. М. Оптимизация бизнес-процессов предприятия // Экономика и предпринимательство. -2025. -№ 4 (177). - С. 147-151.

65. Ашуров М.Ф. Применение алгоритмов машинного обучения для классификации текстовых данных // Вестник информационных технологий. - 2020. - № 2. -С. 33-39.

66. Бакулин В.В. Классификация текстов с использованием наивного байесовского классификатора // Журнал системного анализа. - 2018. - № 4. - С. 58-65.

67. Барентсен А. О вторичных значениях таксисных союзов предшествования в славянских языках / А. Барентсен, В. С. Храковский // Славистика. - 2020. - Vol. 24, No. 2. - P. 13-31.

68. Баркалов, С. А. Этапы становления Воронежской школы управления проектами: состояние и перспективы / С. А. Баркалов, П. Н. Курочка, Е. А. Серебрякова // Проектное управление в строительстве. - 2023. - № 2(29). - С. 17-59.

69. Басалаев А.Ю. Сравнительный анализ методов классификации текстов // Современные ИТ. - 2019. - № 1. - С. 25-30.

70. Басина П.А. Применение метода опорных векторов для классификации текстов // Вестник компьютерных наук. - 2017. - № 3. - С. 40-47.

71. Басина, П. А. Валидация моделей машинного обучения для автоматизированного определения тональности русскоязычных текстов / П. А. Басина, Д. О. Дунаева, А. Ю. Саркисова // Вестник Томского государственного университета. -2022. - № 485. - С. 206-216.

72. Батура Т.В. Автоматическая классификация текстов: методы и приложения // Журнал прикладной информатики. - 2016. - № 2. - С. 33-39.

73. Батура Т.В. Методы автоматической классификации текстов // Программные продукты и системы. - 2017. - Т. 30, № 1. - С. 85-99.

74. Беген П. Н., Чугунов А. В. Исследование возможностей применения искусственного интеллекта в сфере цифрового государственного управления // Альманах научных работ молодых учёных Университета ИТМО: XLVIII научная и учебно-методическая конференция Университета ИТМО, Санкт-Петербург, 29 января-01 февраля 2019 года. - Т. 3. - Санкт-Петербург: Университет ИТМО, 2019. - С. 202206.

75. Беген П. Н., Чугунов А. В. Разработка интеллектуального классификатора сообщений граждан на портале «Наш Санкт-Петербург»: опыт применения методов машинного обучения // Научный сервис в сети Интернет. - 2019. - № 21. - С. 131-140.

76. Белов С. Д., Зрелова Д. П., Зрелов П. В., Кореньков В. В. Обзор методов автоматической обработки текстов на естественном языке// Системный анализ в науке и образовании. - 2020. - № 3. - С. 8-22.

77. Белогорская Д. В. Реферирование новостных текстов при помощи квантитативных методов (TF-IDF) // Актуальные проблемы лингвистики и литературоведения: сборник материалов VII (XXI) Международной научно-практической конференции молодых учёных, Томск, 16-18 апреля 2020 года. - Вып. 21. - Томск: Томский государственный университет, 2020. - С. 117-120.

78. Белоногов Г.Г., Гиляревский Р.С., Козачук М.В. Автоматическая классификация текстов // Научно-техническая информация. Сер. 2. - 2001. - № 1. - С. 3-10.

79. Белоногова А. Д., Огнянович П. А., Гайдамака К. И. Применение методов машинного обучения для обеспечения качества спецификаций требований // International Journal of Open Information Technologies. - 2021. - Т. 9, № 8. - С. 30-35.

80. Белоногова А.Д., Огнянович П.А. Применение методов машинного обучения для обеспечения качества спецификаций требований // Программные продукты и системы. - 2020. - № 4. - С. 85-92.

81. Бендерская Е.Н., Никитин К.В. Рекуррентная нейронная сеть как динамическая система и подходы к её обучению // Проблемы передачи и обработки информации. - 2013. - № 4. - С. 29-35.

82. Бердников А.А. Использование алгоритмов машинного обучения в задачах классификации текстов // Вестник информационных технологий. - 2015. - № 1. -С. 25-30.

83. Беркун С. Искусство управления IT-проектами. - СПб.: Питер, 2010. - 431 с.

84. Бисикало А.Л. Применение методов машинного обучения в анализе тональности текстов // Современные ИТ. - 2021. - № 2. - С. 33-39.

85. Блинов В. И., Иванов П. А., Петров С. К. Процессное управление промышленными предприятиями: сущность и реализация задач процессного управления // Современные наукоёмкие технологии. - 2013. - № 3. - С. 115-119.

86. Бобков С. П., Суворов С. В., Фролов И. А., Казадаев А. И. Разработка классификационного алгоритма текстовой информации на основе обращений пользователей интернет-ресурсов с использованием нейронных сетей // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. -

2019. - № 2(40). - С. 35-40.

87. Бобков С. П., Филимонов А. В., Широкая О. А. Использование нейронных сетей в организации банка маркетинговых ходов // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. - 2010. - № 4(6). - С. 57-63.

88. Боброва Е. В., Моисеёнко О. И., Дюльдин Е. В. Использование методов глубокого обучения для обработки текстовых данных УЗИ щитовидной железы // International Journal of Open Information Technologies. - 2024. - Т. 12, № 8. - С. 56-65.

89. Бова В. В., Дуккардт А. Н. Применение искусственных нейронных сетей для коллективного решения интеллектуальных задач // Известия ЮФУ. Технические науки. - 2012. - № 7(132). - С. 131-138.

90. Бовы В.В., Курейчик А.В. Эволюционные алгоритмы в обучении нейронных сетей // Вестник компьютерных наук. - 2017. - № 1. - С. 25-30.

91. Богданов Д.Р. Классификация текстов по тональности с использованием наивного байесовского классификатора // Журнал прикладной информатики. -

2020. - № 4. - С. 58-65.

92. Бойко М.В. Анализ эмоциональной окраски текстов с применением машинного обучения // Вестник компьютерных наук. - 2019. - № 1. - С. 25-30.

93. Большаков Н. И., Сидорова Е. В. Сравнительный анализ методов машинного обучения для задач классификации данных // Математические методы в технологиях и технике. -2023. - № 8. - С. 66-71.

94. Браун М. Г. За рамками сбалансированной системы показателей. Как аналитические показатели повышают эффективность управления компанией: монография - М.: Олимп-Бизнес, -2012. - 220 с.

95. Бредихин С. В., Ляпунов В. М., Щербакова Н. Г. Спектральный анализ сети цитирования научных журналов // Проблемы информатики. - 2018. - № 2(39). - С. 24-40.

96. Булыга Ф. С., Курейчик В. М. Алгоритмы агломеративной кластеризации применительно к задачам анализа лингвистической экспертной // Известия ЮФУ. Технические науки. - 2021. - № 6(223). - С. 73-88.

97. Булыга Ф.С., Курейчик В.М. Кластеризация корпуса текстовых документов при помощи алгоритма k-means // Известия высших учебных заведений. СевероКавказский регион. Технические науки. - 2022. - № 3 (215). - С. 33-40.

98. Бурков В. Н., Новиков Д. А. Теория активных систем (история развития и современное состояние) // Проблемы управления. - 2009. - № 3 S1. - С. 29-35.

99. Бурков, В.Н., Новиков Д.А. Как управлять проектами: Научно-практическое издание. - М.: СИНТЕГ - ГЕО. - 1997, 188 с.

100. Бутор Л.В. ИНС для прогнозирования закупок // Вестник БНТУ. - 2022. -№ 3. - С. 15-22.

101. Валиев А. И. , Лысенкова С. А. Применение методов машинного обучения для автоматизации процесса анализа содержания текста // Вестник кибернетики. -2021. - № 4(44). - С. 12-15.

102. Васильев И.И. Обработка естественного языка: методы и приложения // Вестник компьютерных наук. - 1992. - № 1. - С. 25-30.

103. Верзилин Д. Н., Дорошенко К. О., Максимова Т. Г. Моделирование управления экономическими процессами (на примере малых и средних предприятий): монография /. - Москва: Мегаполис, 2022. - 224 с.

104. Ветрова, А. Д., Лещенко К. Д., Яхонтова И. М. Разработка методики автоматизации процессов предприятий малого бизнеса на основе облачных технологий / А. Д. Ветрова, // Epomen. Global. - 2023. - № 39. - С. 8-19.

105. Виханский О. С. К вопросу о смене парадигмы управления бизнесом // Вестник Московского университета. Серия 24: Менеджмент. - 2009. - № 1. -С. 5- 24.

106. Виханский О. С., Наумов А. И. «Другой» менеджмент: время перемен // Российский журнал менеджмента. - 2004. - Т. 2, № 3. - С. 105-126.

107. Виханский О. С., Наумов А. И. Менеджмент: учебник. - М.: Магистр; ИН-ФРА-М, 2014. - 656 с.

108. Воробьев Е.В., Гальченко Ю.В. Применение рекуррентных нейронных сетей для прогнозирования временных рядов // Математические модели и методы. -2015. - № 3. - С. 55-61.

109. Воробьев М.С. Методы машинного обучения в анализе тональности текстов // Журнал системного анализа. - 2018. - № 2. - С. 40-47.

110. Вуколов, А. А., Кононыхина К. А. Современные подходы к обработке естественного языка // Наукосфера. - 2025. - № 6-2. - С. 10-17. - DOI 10.5281/zenodo.15720707. - EDN FQARFH.

111. Вульфин А. М., Гаянова М. М., Улямаев Т. И. Модели глубоких нейронных сетей для распознавания медицинских именованных сущностей / А. М. Вульфин, // Journal of Advanced Research in Technical Science. - 2023. - № 39. - С. 86-101. - DOI 10.26160/2474-5901-2023-39-86-101. - EDN WTFGTF.

112. Габдрахманова, Н. Т. Кластеризация документов с помощью нейронных сетей // Речевые технологии. - 2019. - № 1. - С. 45-53.

113. Галиаскаров И.М., Мисриханов М.Ш., Рябченко В.Н., Шунтов А.В. Прогноз аварийности ЛЭП на основе нейросетей // Электроэнергия. - 2021. - № 4. -С. 45-50.

114. Гальцева Т.В. Применение SVM для анализа тональности текстов // Вестник информационных технологий. - 2017. - № 3. - С. 45-52.

115. Гальченко Ю.В. Методы классификации текстов на основе анализа ключевых слов // Современные ИТ. - 2014. - № 4. - С. 58-65.

116. Гапоненко А. Л., Пирогов С. В., Чернявский И. Ф. Стратегическое планирование социально-экономического развития регионов и городов // Экономика и предпринимательство. - 2013. - № 12 (ч. 1). - С. 256-263.

117. Гапонов Д. А. Использование методов машинного обучения для тематической классификации текстовых данных // Труды молодых ученых Алтайского государственного университета. - 2017. - № 14. - С. 243-246

118. Гареёва Г.А. Тематическое моделирование текстов с использованием LDA // Журнал системного анализа. - 2013. - № 3. - С. 40-47.

119. Гасанова Т.О. Классификация текстов по эмоциональной окраске с использованием методов машинного обучения // Современные ИТ. - 2016. - № 2. - С. 3339.

120. Гастев А. К. Как надо работать: как изобретать. - Москва: Центральный институт труда, 1922. - 46 с.

121. Гатауллин С.Т. Анализ тематической структуры текстов с применением методов машинного обучения // Вестник компьютерных наук. - 2012. - № 2. - С. 33-39.

122. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и их приложения: учебное пособие. - Казань: КФУ, 2024. - 106 с.

123. Гаянова М. М., Вульфин А. М. Тематическое моделирование русскоязычных текстов на основе алгоритмов интеллектуального анализа // Информационные технологии интеллектуальной поддержки принятия решений: Труды VIII Всероссийской научной конференции (с приглашением зарубежных учёных), Уфа, 6-9 октября 2020 г. В 2-х т. Т. 1. - Уфа: Уфимский государственный авиационный технический университет, 2020.

124. Герасименко Е.М. Методы машинного обучения в анализе текстов // Журнал прикладной информатики. - 2019. - № 5. - С. 58-65.

125. Глазков А.В., Гойхман В.Ю. Моделирование динамических процессов с использованием рекуррентных нейронных сетей // Автоматизация и управление в технических системах. - 2014. - № 2. - С. 70-76.

126. Глазкова А. В. Использование многослойного персептрона для построения интеллектуальной системы автоматического определения текстовой информации // Молодой ученый. - 2022. - № 14 (408). - С. 112-117.

127. Глебова Д. С., Дегтярев П. А. Универсализация категорий и автоматизация процесса контент-анализа ответов на открытые вопросы в исследованиях вовлечённости персонала // Организационная психология. - 2024. - Т. 14, № 2. - С. 80-111.

128. Гойко В. Л., Басина П. А., Бакулин В. В. Алгоритм текстовой классификации контента социальной сети «ВКонтакте» для оценки качества жизни населения // Открытые данные - 2021: материалы форума, Севастополь, 30 сентября - 2 октября 2021 г. / под ред. А. Ю. Саркисовой. - Томск: Национальный исследовательский Томский государственный университет, 2021. - С. 41-53.

129. Гойко В.Л. Применение тематического моделирования для классификации текстов // Журнал прикладной информатики. - 2011. - № 1. - С. 25-30.

130. Голикова Н. Л. К вопросу психолого-педагогических и лингвистических исследований дактильной, мимико-жестовой речи и сурдоперевода в структуре специального, интегрированного и инклюзивного обучения // Международный научно-исследовательский журнал. - 2024. - № 10(148).

131. Головастова Э. А., Красотин Д. Н. Задача эффективной кластеризации текстовой выборки в зависимости от различной параметризации этой выборки // Информационные технологии и вычислительные системы. - 2019. - № 4. - С. 60-69.

132. Головастова Э. А., Красотин Д. Н. Кластеризация текстовой выборки, параметризованной ключевыми словами своих элементов // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2020. - № 3. - С. 108-119.

133. Гончаров Д. С., Григорьев С. В. Большие языковые модели на примере чат-ботов GPT-3: сегодняшние реалии, проблемы истины, преимущества и опасности // Вызовы современности и стратегии развития общества в условиях новой реальности: сборник материалов XV Международной научно-практической конференции, Москва, 15 марта 2023 г. - Москва: Издательство «АЛЕФ», 2023. - С. 283-290.

134. Горбич Л.Г. Анализ ключевых слов в задачах классификации текстов // Вестник информационных технологий. - 2010. - № 4. - С. 58-65.

135. Горожанов А. И. Метод программного анализа контекста лексической единицы // Актуальные проблемы филологии и педагогической лингвистики. - 2024. -№ 3. - С. 178-190.

136. Горчаков А. В., Демидова Л. А., Советов П. Н. Автоматизированный анализ текстов программ при помощи представлений на основе цепей Маркова и машин экстремального обучения // Вестник Рязанского государственного радиотехнического университета. - 2022. - № 82. - С. 89-103.

137. Горячкин Б. С., Коренькова Т. В., Черных Ю. С. Методика определения оптимальных категорий для классификации новостного массива // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2024. - № 4. - С. 55-61.

138. Гостюнина В. А. Метод и алгоритмы классификации текстовой информации по индикаторам деструктивной направленности: специальность 05.13.01 "Системный анализ, управление и обработка информации (по отраслям)": диссертация на соискание ученой степени кандидата технических наук / Гостюнина Валерия Андреёвна, 2021. - 146 с.

139. Грачев А.В. ИНС для диагностики в АПК // Фундаментальные и прикладные исследования. - 2023. - № 4. - С. 39-42.

140. Григорьева Д.Р. Использование тематического моделирования в анализе текстовых данных // Современные ИТ. - 2009. - № 3. - С. 40-47.

141. Гусев П.Ю. Методы анализа ключевых слов для классификации текстов // Журнал системного анализа. - 2008. - № 2. - С. 33-39.

142. Давлетова Г.Р. Тематическое моделирование текстов: подходы и методы // Вестник компьютерных наук. - 2007. - № 1. - С. 25-30.

143. Давлетшин Н.М. Применение анализа ключевых слов в задачах классификации текстов // Журнал прикладной информатики. - 2006. - № 4. - С. 58-65.

144. Двойникова А.А., Карпов А.А. Аналитический обзор подходов к распознаванию тональности русскоязычных текстовых данных. Информационно-управляющие системы, 2020, № 4, с. 20-30.

145. Девятерикова М.В., Плескунов Д.А. Сравнительный анализ методов генетической оптимизации при обучении нейронных сетей // Прикладная математика и фундаментальная информатика. - 2024. - Т. 11, № 3. - С. 45-52.

146. Дементьев В.Е. Применение SVM для классификации текстов // Современные информационные технологии. - 2020. - № 2. - С. 33-39.

147. Дементьев, В. Е., Киреёв С. Х. Выбор алгоритмов машинного обучения для классификации текстовых документов // Техника средств связи. - 2022. - № 2(158).

- С. 22-52.

148. Денисов Д. В. Анализ методов машинного обучения для тематической классификации текстов // Международный журнал информационных технологий и энергоэффективности. - 2024. - Т. 9, № 4(42). - С. 5-11.

149. Джумабаев М.Ш. Анализ тональности текстов с применением наивного байесовского классификатора // Журнал прикладной информатики. - 2015. - № 4.

- С. 58-65.

150. Джурабаев А.Э. Методы машинного обучения в анализе эмоциональной окраски текстов // Вестник компьютерных наук. - 2014. - № 1. - С. 25-30.

151. Добров Б.В. Применение SVM для классификации текстов по тональности // Журнал системного анализа. - 2013. - № 2. - С. 40-47.

152. Друкер П. Ф. Практика менеджмента / П. Ф. Друкер. - М.: Вильямс, 2007.

- 400 с.

153. Дубаков А. А., Воробьев А. М. Разработка алгоритма иерархической агло-меративной кластеризации для анализа текстовых документов // Математическое и информационное моделирование. - Вып. 16. - Тюмень: Тюменский государственный университет, 2018. - С. 246-255.

154. Дубаков А. А., Воробьёв А. М. Разработка алгоритма иерархической агло-меративной кластеризации для анализа текстовых документов // Математическое и

информационное моделирование. - Вып. 16. - Тюмень: Тюменский государственный университет, 2018. - С. 246-255.

155. Дубатов Р.С., Жалыбина А.А. Прогнозирование технического состояния оборудования // Инженерные технологии. - 2018. - № 4. - С. 50-56.

156. Дубчак В. А. Автоматизация процессов очистки и аугментации данных при подготовке наборов для нейронных сетей // Инновации и инвестиции. - 2025. - № 2. - С. 430-433.

157. Дударин П. В., Ярушкина Н. Г. Подходы к нечёткой и иерархической кластеризации и классификации ключевых показателей эффективности системы стратегического планирования Российской Федерации // Нечёткие системы, мягкие вычисления и интеллектуальные технологии (НСМВИТ-2017): труды VII Всероссийской научно-практической конференции, Санкт-Петербург, 03-07 июля 2017 года. Т. 2. - Санкт-Петербург: Политехника-сервис, 2017. - С. 65-4.

158. Евдошенко О. И., Евдошенко Н. И. Разработка модели автоматического классификатора обращений граждан // Прикаспийский журнал: управление и высокие технологии. - 2024. - № 2(66). - С. 46-52.

159. Егоров Д.Д. Извлечение информации из текстов с применением методов машинного обучения // Вестник информационных технологий. - 1990. - № 3. - С. 45-52.

160. Егорова Е. С., Лапонина О. Р. Состязательное тестирование моделей машинного обучения, предназначенных для обнаружения SQL-инъекций // International Journal of Open Information Technologies. - 2025. - Т. 13, № 6. - С. 34-41. -EDN VFRUJJ.

161. Емельянов Б. Б., Яшин С. Н. Соционические исследования как инструмент управления персоналом организации // Прогрессивная экономика. - 2024. - № 1. -С. 20-31.

162. Ермакова Л.М. Тематическое моделирование текстов с использованием методов машинного обучения // Вестник информационных технологий. - 2005. -№ 3. - С. 40-47.

163. Ермолаева Ю.Е. Анализ ключевых слов в текстах: методы и приложения // Современные ИТ. - 2004. - № 2. - С. 33-39.

164. Жаксыбаев Д.О., Мизамова Г.Н. Алгоритмы обработки естественного языка для понимания семантики текста // Труды Института системного программирования РАН. - 2022. - Т. 34, №1. - С. 141-150.

165. Жилова Р.А., Заварукина А.С. Управление робототехническими системами с применением ИНС // Робототехника и автоматика. - 2017. - № 3. - С. 60-66.

166. Жиряева Е.В. Тематическое моделирование текстов: обзор методов // Журнал системного анализа. - 2003. - № 1. - С. 25-30.

167. Жужель В. В., Кухта В. И., Шиманский А. Д., Якушин В. В.Не бывает двух одинаковых пользователей: нейросетевая кластеризация на основе последовательностей событий // Компьютерные исследования и моделирование. - 2023. - Т. 15, № 1. - С. 157-170.

168. Жужель В., Грабарь В., Каплоухая Н. Не бывает двух одинаковых пользователей: нейросетевая кластеризация на основе последовательностей событий для генерации аудиторий / // Доклады Российской академии наук. Математика, информатика, процессы управления. - 2023. - Т. 514, № 2. - С. 395-416.

169. Заводских Р. К., Ефанов Н. Н., Томашев Д. Д. Статическая оценка производительности посредством эмбеддингов промежуточных представлений LLVM // Тр. Моск. физ.-техн. ин-та. - 2022. - Т. 14, № 3 (55). - С. 34-45.

170. Зайцев В. Г., Желтова А. А., Тибирькова Е. В. Разработка образовательных ресурсов с использованием web-сервиса ТгеПо // Высшеё образование в России. -2016. - № 12. - С. 94-98.

171. Захарова А. А. Кластеризация текстовых документов с учетом семантической информации // Альманах научных работ молодых учёных Университета ИТМО: Материалы XLIX научной и учебно-методической конференции, Санкт-Петербург, 29 января - 01 февраля 2020 года. Том 3. - Санкт-Петербург: ФГАБОУ ВО "НИУ ИТМО", 2020. - С. 90-93.

172. Захарова И. Г., Белякова Е. Г. Возможности концепции Agile для поддержки профессионального самоопределения студентов-педагогов с использованием платформы Trello // Вестник Томского государственного университета. -2020. - № 454. - С. 190-197.

173. Захарова И.Г. Анализ тональности текстов с использованием методов машинного обучения // Вестник компьютерных наук. - 2018. - № 1. - С. 25-30.

174. Зудилова Т.В. Анализ эмоциональной окраски текстов с использованием методов машинного обучения // Вестник информационных технологий. - 2012. -№ 3. - С. 45-52.

175. Иванов А. В. Оптимизация распределения задач в командах с разным уровнем опыта // Журнал управления проектами. - 2022. - Т. 16, № 1. - С. 34-47

176. Иванов И.И. Классификация текстов с использованием методов машинного обучения // Журнал системного анализа. - 2001. - № 2. - С. 40-47.

177. Иванов, А. В. Оптимизация распределения задач в командах с разным уровнем опыта // Журнал управления проектами. - 2022. - Т. 16, № 1. - С. 34-47.

178. Иванова Г.С. Применение анализа ключевых слов в задачах классификации текстов // Вестник компьютерных наук. - 2002. - № 4. - С. 58-65.

179. Иванова Е.С., Петрова Н.А. Анализ тональности научных текстов с помощью ИНС // Современные ИТ. - 2020. - № 3. - С. 58-63.

180. Иванова И.С., Козлова М.Е. Классификация текстов на основе ИНС // Журнал прикладной информатики. - 2021. - № 5. - С. 80-86.

181. Иванько А.Ф., Иванько М.А., Сизова Ю.А. Обзор характеристик нейросе-тей // Наука и техника. - 2022. - № 3. - С. 15-22.

182. Ильина А. В., Волченко А. М. Система управления по целям: основные принципы и преимущества // Science Time. - 2017. - № 1(37). - С. 183-188.

183. Иномов Б.Б. Классификация текстов с использованием нейронных сетей // Журнал прикладной информатики. - 2001. - № 3. - С. 40-47.

184. Иргизова К.В. Применение методов машинного обучения в технических системах // Современные ИТ. - 2021. - № 2. - С. 33-39.

185. Искусственный интеллект на госслужбе: как трансформируется платформа «Обращайся». URL: https://www. eastrussia. ru/material/iskusstvennyy-intellekt-na-gossluzhbe-kak-transformiruetsya-platforma-obrashchaysya/?utm_source=chatgpt.com (дата обращения - 01.09.2025)

186. Исраелян А. М., Фатхи Д. В. Применение методов искусственного интеллекта в задаче автоматизации процесса модерации объявлений // Молодой исследователь Дона. - 2023. - № 3(42). - С. 21-25.

187. Кадермятова Л. М., Тутубалина Е. В. Анализ моделей векторных представлений слов в задаче разметки семантических ролей в русскоязычных текстах // Электронные библиотеки. - 2020. - Т. 23, № 5. - С. 1026-1043.

188. Казанцев А.А. Тематическое моделирование текстов с применением методов машинного обучения // Вестник информационных технологий. - 2000. - № 2. -С. 33-39.

189. Калинин А.А. Обработка естественного языка: методы и приложения // Журнал системного анализа. - 2017. - № 2. - С. 40-47.

190. Камшилова Ю.А. Анализ ключевых слов в задачах классификации текстов // Современные ИТ. - 1999. - № 1. - С. 25-30.

191. Качанов Ю. А., Кравченя П. Д., Кузнецов М. А., Кузнецова А. С., Гилка В. В. Распределённый алгоритм извлечения текстовой информации из новостных сайтов с использованием технологий больших данных // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т. 11, № 4. - С. 8-25.

192. Каширина И.Л., Демченко М.В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей // Вестник ВГУ. Серия: Системный анализ и информационные технологии. - 2018. - № 4. - С. 123130.

193. Кашутин И.А. Диагностика технических систем с использованием машинного обучения // Журнал прикладной информатики. - 2020. - № 4. - С. 58-65.

194. Керженцев П. М. Принципы организации. - Москва: Издательство «Экономика», 1968. -144 с.

195. Ким Д. В. Инициализация баз правил нечетких продукционных моделей с использованием ЕМ-алгоритма классификации // Системы управления и информационные технологии. - 2020. - Т. 82, № 4. - С. 112-118.

196. Киреёв С.Х. Прогнозирование технических параметров с применением машинного обучения // Журнал прикладной информатики. - 2015. - № 4. - С. 58-65.

197. Князева Н. В. К вопросу о синтаксическом статусе субстантивов в русских предложениях тождества // Этническая культура. - 2024. - Т. 6, № 1. - С. 13-19.

198. Ковалёв С. М. Ковалёв В. М. Методы анализа и оптимизации бизнес-процессов: учебное пособие. - Минск: Белорусский государственный университет, 2020. - 35 с.

199. Кодекс Российской Федерации об административных правонарушениях: Федеральный закон от 30 декабря 2001 г. № 195-ФЗ (ред. от 31.07.2023) // Собрание законодательства РФ. - 2002. - № 1 (ч. I). - Ст. 1

200. Колмогоров А.В. Прогнозирование технических параметров с применением методов машинного обучения // Вестник компьютерных наук. - 2019. - № 1. - С. 25-30.

201. Комарова С.Н., Илясова Е. П., Ишина В. Д. Эффективные инструменты управления временем // Эффективное управление экономикой: проблемы и перспективы: Сборник трудов VIII Всероссийской научно-практической конференции, Симферополь, 13-14 апреля 2023 года. - Симферополь: Общество с ограниченной ответственностью «Издательство Типография «Ариал», 2023. - С. 103-106.

202. Коренная К. А., Логиновский О. В., Максимов А. А. Стратегия эффективного управления крупным промышленным предприятием // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». - 2016. - Т. 16, № 3. - С. 102-109.

203. Коробкин Д. М., Фоменков С. А, Давыдова С. В., Айвазян А. В. Статистический анализ патентного массива для задач поиска и извлечения структурированной информации // Известия Волгоградского государственного технического университета. - 2017. - № 1(196). - С. 59-65.

204. Корсаков М. Н., Ребрин Ю. И., Федосова Т. В. [и др.] Экономика, организация и управление на предприятии: учебное пособие /; Под редакцией М. А. Боровской. - Таганрог: Таганрогский технологический институт Южного федерального университета, 2007. - 437 с.

205. Коршунов А. Тематическое моделирование текстов на естественном языке / А. Коршунов, А. Гомзин // Труды Института системного программирования РАН.

- 2012. - Т. 23. - С. 215-244.

206. Корюкин А. В. Исследование влияния настроек TF-IDF векторизации текста на результаты бинарной классификации тональности / А. В. Корюкин // Математические методы в технологиях и технике. - 2021. - № 5. - С. 126-130.

207. Котельников Е. В. Анализ тональности текстов на основе генетического алгоритма и совместной кластеризации слов и документов / Е. В. Котельников, М.

B. Плетнева // Известия Российской академии наук. Теория и системы управления.

- 2016. - № 1. - С. 115.

208. Кравченко Д. Ю., Кравченко Ю. А., Мансур А., Мохаммад Ж., Павлов Н.

C. Алгоритм оптимизации извлечения ключевых слов на основе применения лингвистического парсера // Artificial Intelligence, Knowledge and Data Engineering. -2024. - № 2. - С. 467-494.

209. Краснов Ф.В. Управление техническими системами на основе машинного обучения // Журнал системного анализа. - 2018. - № 2. - С. 40-47.

210. Криворотов Д.М. Применение машинного обучения в инженерных задачах // Вестник информационных технологий. - 2017. - № 3. - С. 45-52.

211. Кривошеёв Н. А., Спицын В. Г. Методы машинного обучения для классификации текстовой информации // Труды Международной конференции по компьютерной графике и зрению «Графикон». - 2019. - № 29. - С. 266-269.

212. Крошилин А. В., Крошилина, С. В., Попова, А. А. Интеллектуальная поддержка принятия управленческих решений в организационных системах распределения задач между сотрудниками // Современные наукоемкие технологии. - 2024.

- № 12. - С. 55-60

213. Кузнецов И. А. Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах: специальность 05.13.01 "Системный анализ, управление и обработка информации (по отраслям)": диссертация на соискание ученой степени кандидата технических наук / Кузнецов Игорь Александрович, 2019. - 127 с.

214. Кузнецов Т. А. Создание системы автоматической классификации текстовых отзывов на русском языке с помощью машинного обучения / Т. А. Кузнецов, С. И. Гавриленков // Политехнический молодежный журнал. - 2022. - № 5(70). - С. 35-42.

215. Кузнецова Е.В. Определение эмоциональной окраски текстов с использованием машинного обучения // Вестник компьютерных наук. - 1997. - № 1. - С. 2530.

216. Кузнецова Е.В., Сидоров А.В. Трансформеры в МЬР-задачах // Современные ИТ. - 2023. - № 2. - С. 70-77.

217. Куликов В.В. Использование методов машинного обучения в технической диагностике // Современные ИТ. - 2016. - № 2. - С. 33-39.

218. Курейчик В.В. Эволюционные, синергетические и гомеостатические методы принятия решений. - Таганрог: Изд-во ТРТУ, 2001. - 240 с.

219. Курейчик В.В., Курейчик В.М., Гладков Л.А. Генетические алгоритмы. -М.: Физматлит, 2010. - 368 с.

220. Курейчик, В. В., Родзин С. И., Бова В. В. Методы глубокого обучения для обработки текстов на естественном языке // Известия ЮФУ. Технические науки. -2022. - № 2(226). - С. 189-198

221. Лавриненко И. Ю. Использование чат-ботов ОРТ в процессе обучения английскому языку в неязыковом вузе: теоретический аспект // Вестник Сибирского института бизнеса и информационных технологий. - 2023. - Т. 12, № 2. - С. 18-25.

222. Лавров Д.Н. Применение тематического моделирования для классификации текстов // Журнал системного анализа. - 1998. - № 4. - С. 58-65.

223. Лагутина Н. С., Лагутина К. В. Обзор моделей автоматической оценки сходства ответа учащегося с эталонным ответом // Моделирование и анализ информационных систем. - 2025. - Т. 32, № 1. - С. 42-65.

224. Лапко Б. В., Хуан Тяньцэнь. Формирование комплекса задач обеспечения реализации эффективного управления промышленным предприятием // Экономическая наука сегодня. - Минск: БНТУ, 2023. - Вып. 18. - С. 142-151.

225. Левин А.О., Белов Ю.С. Использование генеративно-состязательных сетей для генерации изображений по тексту // Технические науки. - 2023. -№2. - С. 1115.

226. Лиелль Джон Роберт. Тематическое моделирование текстов: подходы и методы // Вестник компьютерных наук. - 1997. - № 3. - С. 40-47.

227. Литвинова О.А. Применение анализа ключевых слов в задачах классификации текстов // Вестник информационных технологий. - 1995. - № 1. - С. 25-30.

228. Литвинова Т.А. Анализ тематической структуры текстов с применением методов машинного обучения // Журнал прикладной информатики. - 1996. - № 2. - С. 33-39.

229. Логиновский О. В., Голлай А. В., Дранко О. И. Эффективное управление организационными и производственными структурами: монография / под ред. О. В. Логиновского. - М.: ИНФРА-М, 2020. - 450 с.

230. Логиновский О. В., Голлай А. В., Дранко О. И., Шестаков А. Л., Шин-карев А. А. Эффективное управление организационными и производственными структурами: монография - М.: ИНФРА-М, 2020. - 450 с.

231. Ломакина Л. С., Субботин Л. С. Классификация потоковых данных на основе байесовского критерия // Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8, № 1(28).

232. Лукашевич Н.В. Семантический анализ текстов с использованием машинного обучения // Вестник информационных технологий. - 2016. - № 3. - С. 45-52.

233. Луценко А.В., Иванов И.И. Анализ тональности с использованием CNN // Моделирование, оптимизация и ИТ. - 2021. - № 4. - С. 11-17.

234. Максютин П.А. Тематическое моделирование текстов с использованием методов машинного обучения // Современные ИТ. - 1994. - № 4. - С. 58-65.

235. Маликов А.В. Диагностика технических систем с использованием машинного обучения // Вестник компьютерных наук. - 2014. - № 1. - С. 25-30.

236. Мальчуков А. Л., Храковский В. С. Наклонение во взаимодействии с другими категориями: опыт типологического обзора // Вопросы языкознания. - 2015.

- № 6. - С. 9-32.

237. Мамонтов А.И. Анализ ключевых слов в текстах: методы и приложения // Журнал системного анализа. - 1993. - № 3. - С. 40-47.

238. Мансур Али Махмуд. Алгоритм на основе трансформеров для классификации длинных текстов // Известия ЮФУ. Технические науки. - 2024. - № 3(239).

- С. 187-196.

239. Марквирер В. Д. Постановка задачи распределения преподавательской нагрузки в вузе // Современные технологии в строительстве. Теория и практика. -2023. - Т. 1. - С. 379-383.

240. Масленников О.В. Влияние шума на поведение рекуррентных нейросетей // Там же. - 2021. - № 6. - С. 912-920.

241. Масленников О.В. Динамика искусственной рекуррентной нейронной сети // Прикладная нелинейная динамика. - 2021. - № 5. - С. 799-811.

242. Масленников О.В. ИНС для диагностики технических систем // Наука и техника. - 2022.

243. Матвеёва, А. Р., Антонов Е. В. Методика формирования базы данных характеристик сложного технологического объекта с использованием больших языковых моделей // Вестник Национального исследовательского ядерного университета "МИФИ". - 2024. - Т. 13, № 5. - С. 350-357.

244. Меликбекян А.А., Борбат А.М., Новикова Т.О., Павлов К.А. Исследование содержания медицинских эссе: нейросетевые подходы и традиционные методы // Международный журнал прикладных и фундаментальных исследований. - 2024. -№ 6. - С. 25-31.

245. Мельников К. С., Белов Ю. С. Анализ основных методов обработки естественного языка для решения задачи классификации статей// Наукоемкие технологии в приборо- и машиностроении и развитие инновационной деятельности в вузе: Материалы Всероссийской научно-технической конференции. В 2-х томах, Калуга, 14-16 ноября 2023 года. - Москва: Издательство МГТУ им. Н.Э. Баумана, 2024. -С. 83-85.

246. Мельников М. П., Воробкалов П. Н. Поиск информации о лекарственных взаимодействиях препарата из биомедицинских текстов: использование tf-idf для классификации // Информационные технологии в науке, управлении, социальной сфере и медицине: Сборник научных трудов Международной научной конференции, Томск, 29 апреля 2014 года / Национальный исследовательский Томский политехнический университет. Том Часть 1. - Томск: Национальный исследовательский Томский политехнический университет, 2014. - С. 229-231.

247. Мильнер Б. З. Перестройка управленческой деятельности // Экономические системы. - 2009. - № 3. - С. 30-40.

248. Мильнер, Б. З. Стратегическое управление: от искусства к научной дисциплине // Экономическая наука современной России. - 2007. - № 3(38). - С. 144-149.

249. Минкер В. Применение методов машинного обучения в технических системах // Журнал системного анализа. - 2013. - № 2. - С. 40-47.

250. Мокроусов М. Н. Разработка и исследование методов и системы семантического анализа естественно-языковых текстов: специальность 05.13.01 "Системный анализ, управление и обработка информации (по отраслям)": диссертация на соискание ученой степени кандидата технических наук / Мокроусов Максим Николаевич. - Ижевск, 2010. - 175 с.

251. Молошникова И.А. Прогнозирование технических параметров с применением методов машинного обучения // Вестник информационных технологий. -2012. - № 3. - С. 45-52.

252. Морозова Т.Т. Семантический анализ текстов с использованием машинного обучения // Журнал системного анализа. - 1991. - № 2. - С. 40-47.

253. Мотовских Л. В. Выделение ключевых слов для классификации текстов / Л. В. Мотовских // Вестник Московского государственного лингвистического университета. Гуманитарные науки. - 2020. - № 9(838). - С. 235-242.

254. Мотовских Л.В. Тематическое моделирование текстов: обзор методов // Вестник компьютерных наук. - 1992. - № 2. - С. 33-39.

255. Мусаев, А. А., Григорьев Д. А. Обзор современных технологий извлечения знаний из текстовых сообщений // Компьютерные исследования и моделирование. - 2021. - Т. 13, № 6. - С. 1291-1315.

256. Мустакимов Р. Р. Моделирование задачи о назначениях при распределении задач между сотрудниками IT-компании // Сборник избранных статей научной сессии ТУСУР. - 2023. - № 1-3. - С. 148-150.

257. Набиуллин Д. А., Кононова В. В., Новикова С. В. Метод автоматизированной разметки больших данных с использованием нейронных сетей // Вестник технологического университета. - 2021. - № 6. - С. 103-107.

258. Набиуллин Д.А., Янаева М.В. Классификация пользовательских отзывов с применением глубоких нейросетей // Современные ИТ. - 2020. - № 2. - С. 33-39.

259. Намиот Д. Е., Романов В. Ю. Анализ данных для программных репозито-риев // International Journal of Open Information Technologies. - 2018. - Т. 6, № 4. -С. 18-23.

260. Натекин А.Г., Калинкин М.А. Оптимизация нечетких нейронных классификаторов с помощью модельно-ориентированного кластерного анализа // Труды IX Международной конференции «Идентификация систем и задачи управления» SICPRO'12. - Москва, 30 января -2 февраля 2012 г. -С. 520-546.

261. Наумов В.М. Применение анализа ключевых слов в задачах классификации текстов // Журнал прикладной информатики. - 1991. - № 1. - С. 25-30.

262. Наумов Р. К., Железков Н. Э. Сравнительный анализ форматов хранения текстовых данных для дальнейшей обработки методами машинного обучения// Научный результат. Информационные технологии. - 2021. - Т. 6, № 1. - С. 40-47.

263. Несговорова В. С. Построение систем управления процессно-ориентиро-ванных компаний // Российское предпринимательство. - 2016. - Т. 17, № 10. - С. 1289-1298.

264. Нестеров С.А. Обработка естественного языка: методы и приложения // Журнал системного анализа. - 2011. - № 2. - С. 40-47.

265. Нестеров С.А. Тематическое моделирование текстов с использованием методов машинного обучения // Вестник информационных технологий. - 1990. - № 4. - С. 58-65.

266. Низамов Т.Д. Семантический анализ текстов с использованием машинного обучения // Вестник информационных технологий. - 2010. - № 3. - С. 45-52.

267. Никитин К.В. Новый подход к применению рекуррентных нейронных сетей для задач распознавания образов // Нейрокомпьютеры: разработка, применение. - 2015. - № 2. - С. 41-47.

268. Никитин К.В. Рекуррентные нейронные сети как модели нелинейных динамических систем // DSPA. - 2018. - № 1. - С. 15-22.

269. Никитин Р.В. Анализ ключевых слов в текстах: методы и приложения // Современные ИТ. - 1989. - № 3. - С. 40-47.

270. Николаев К.С. Тематическое моделирование текстов: подходы и методы // Журнал системного анализа. - 1988. - № 2. - С. 33-39.

271. Николаев С.П. Прогнозирование технических параметров с применением методов машинного обучения // Журнал прикладной информатики. - 1993. - № 4.

- С. 58-65.

272. Никулина В.В. Извлечение информации из текстов с применением методов машинного обучения // Современные ИТ. - 2009. - № 2. - С. 33-39.

273. Новиков Д. А. Вводный курс лекций по теории управления организационными системами // Управление большими системами: сборник трудов. - 2004.

- № 8. - С. 10-87.

274. Новиков Д. А. Вводный курс лекций по теории управления организационными системами // Управление большими системами: сборник трудов. - 2004.

- № 8. - С. 10-87.

275. Новиков Д. А. Методология управления. - Москва, 2011. - 128 с.

276. Новиков Д. А. Механизмы управления - конструктор для управленцев // Управленческое консультирование. Актуальные проблемы государственного и муниципального управления. - 2011. - № 3(43). - С. 5-16.

277. Новиков Д. А. Модели обучения в процессе работ. // Управление большими системами: сборник трудов. - 2007. - № 19. - С. 5-22.

278. Новиков Д. А. Состояние и перспективы теории активных систем. // Управление большими системами: сборник трудов. - 2004. - № 9. - С. 7-26.

279. Новиков, Д.А. Теория управления организационными системами. - М.: МПСИ, 2005. - 584 с.

280. Новиков Д. А. Законы, закономерности и принципы управления // Инновации в менеджменте. - 2016. - № 1(7). - С. 44-53.

281. Новикова Т.О., Павлов К.А. Применение нейросетей для анализа тональности текстов // Вестник информационных технологий. - 2021. - № 3. - С. 45-52.

282. Овчинникова И.Г. Применение анализа ключевых слов в задачах классификации текстов // Вестник компьютерных наук. - 1987. - № 1. - С. 25-30.

283. Одинцова М.А. Возможности систем класса ERP для стратегического управления предприятием // Политика, экономика и инновации. - 2020. - № 4 (33). - С. 7

284. Орлова Н.Н. Методы машинного обучения в анализе тональности текстов // Журнал системного анализа. - 1996. - № 2. - С. 40-47.

285. Осипов А.В. Тематическое моделирование текстов с использованием методов машинного обучения // Журнал прикладной информатики. - 1986. - № 4. -С. 58-65.

286. Осипова Н.А. Построение тезаурусов с использованием машинного обучения // Журнал прикладной информатики. - 2008. - № 4. - С. 58-65.

287. Осипова Ю.А. Анализ ключевых слов в текстах: методы и приложения // Вестник информационных технологий. - 1985. - № 3. - С. 40-47.

288. Осочкин А.А. Тематическое моделирование текстов: обзор методов // Современные ИТ. - 1984. - № 2. - С. 33-39.

289. Оспанова Н.Б. Применение анализа ключевых слов в задачах классификации текстов // Журнал системного анализа. - 1983. - № 1. - С. 25-30.

290. Оськина К.А. Тематическое моделирование текстов с использованием методов машинного обучения // Вестник компьютерных наук. - 1982. - № 4. - С. 5865.

291. Оцоков Ш.А. Классификация текстов с использованием нейронных сетей // Журнал прикладной информатики. - 1981. - № 3. - С. 40-47.

292. Оцоков Ш.А. Обработка естественного языка: методы и приложения // Вестник компьютерных наук. - 2007. - № 1. - С. 25-30.

293. Панфилова И.А. Применение нейросетевых моделей для классификации текстов // Журнал искусственного интеллекта. - 2020. - № 5. - С. 45-52.

294. Пастухов А.А. Прогноз параметров энергетических установок с ИНС // НТВ СПбПУ. - 2015. - № 2. - С. 28-35.

295. Певнева А. Г., Обухов А. В., Зимовец А. И. Модель нечеткого байесовского классификатора для обработки информации // Современные наукоемкие технологии. - 2021. - № 12-1. - С. 78-83.

296. Пентюк С. И. Адаптивное распределение задач: как учитывать сложность и опыт сотрудников // Образование. Наука. Производство: сб. докладов XVI Меж-дунар. молодеж. форума, Белгород, 30-31 октября 2024 г. - Белгород: Белгородский государственный технологический университет им. В. Г. Шухова, 2024. - С. 186189.

297. Перцев Ю. В. Методы анализа текста на естественном языке в задаче экстрактивного информационного поиска // Успехи кибернетики. - 2024. - Т. 5, № 4. - С. 67-74.

298. Петров П.П. Применение методов машинного обучения для автоматической классификации текстов // Вестник информационных технологий. - 2000. - № 3. - С. 45-52.

299. Петрова А. Н. , Фролов Д. О. Оптимизация поиска в научных публикациях с помощью глубокого обучения // Учёные записки Комсомольского-на-Амуре государственного технического университета. - 2024. - № 5(77). - С. 77-83.

300. Петрова Н.А., Смирнов А.П. Использование нейросетей в анализе тональности // Вестник ИТ. - 2022. - № 4. - С. 60-66.

301. Петухов К. В., Стригунов Ю. В. Задачи и методы синтеза систем адаптивного управления// Современные проблемы и пути их решения в науке, производстве и образовании. - 2018. - № 6. - С. 16-19.

302. Плешакова Е.С. Глубокое обучение в задачах тематической классификации текстов // Вестник компьютерных наук. - 2019. - № 3. - С. 33-40.

303. Позднякова М.В. Семантический анализ текстов с использованием машинного обучения // Журнал системного анализа. - 2006. - № 2. - С. 40-47.

304. Полицына В., Полицын С. А., Поречный А. С., Милованова Е. Е. Анализ подходов к автоматическому выделению контекстных синонимов из текстов на русском языке // Proceedings of VSU, Series: Systems Analysis and Information Technologies. - 2020. - № 3. - С. 120-132.

305. Поляков И.В. Классификация текстов с применением рекуррентных нейронных сетей // Журнал системного анализа. - 2017. - № 1. - С. 25-32.

306. Попова А. А. Интеллектуальное распределение задач между сотрудниками с учетом компетенций на основе семантических сетей // IT OPEN 2023: материалы III регионального конкурса науч. -исслед. работ в области информационных и вычислительных технологий. - Рязань: Рязанский государственный радиотехнический университет имени В. Ф. Уткина, 2024. - С. 186-195.

307. Попова Л. Ф. Формирование системы менеджмента качества на основе процессного подхода в управлении промышленными предприятиями // Вестник Самарского государственного экономического университета. - 2015. - №2 4 (126). -С. 43-47.

308. Попова, О. А. Анализ и выбор метода кластеризации для текстовых документов короткой длины с целью реализации в модуле рекомендательной системы вуза / О. А. Попова // XXI век: итоги прошлого и проблемы настоящего плюс. - 2023. - Т. 12, № 4(64). - С. 89-102.

309. Потицькая К. М., Чекменёва Е. В., Ступкин В. А., Кириенко А. Н. Управление развитием бизнес-процессов в организации // Экономика и предпринимательство. - 2025. - № 3 (176). - С. 134-137.

310. Пронин А.Г. Извлечение информации из текстов с применением методов машинного обучения // Вестник информационных технологий. - 2005. - № 3. - С. 45-52.

311. Прохоров М.В. Использование сверточных нейронных сетей для анализа текстовых данных // Современные информационные технологии. - 2018. - № 2. -С. 58-65.

312. Пятова Е.А. Применение трансформеров в задачах классификации текстов // Вестник информационных технологий. - 2016. - № 4. - С. 40-47.

313. Райченко А.В. Методы оценки эффективности труда персонала: сравнительный анализ // Кадровик. - 2020. - № 3. - С. 28-35.

314. Райченко А.В. Современные технологии подбора персонала в условиях цифровой трансформации // Управление персоналом. - 2021. - № 5. - С. 45-52.

315. Раковская Е.Е. Построение тезаурусов с использованием машинного обучения // Современные ИТ. - 2004. - № 2. - С. 33-39.

316. Раскатова М.В. Анализ текстовых данных с использованием глубоких нейронных сетей // Современные ИТ. - 2015. - № 3. - С. 33-39.

317. Раскатова М.В. Обработка естественного языка: методы и приложения // Журнал прикладной информатики. - 2003. - № 4. - С. 58-65.

318. Рафикова К. Ф. Применение алгоритмов машинного обучения для сокращения информационной асимметрии и прогнозирования социальных изменений на рынке труда: вызовы и возможности // Теория и практика общественного развития. - 2024. - № 5(193). - С. 72-77.

319. Ребрин Ю. И. Некоторые аспекты совершенствования управления экономическими системами / Ю. И. Ребрин // Известия ТРТУ. - 1998. - № 1(7). - С. 182184.

320. Репин В. В., Елиферов В. Г. Процессный подход к управлению: моделирование бизнес-процессов. - Москва: Манн, Иванов и Фербер, 2013. - 544 с.

321. Рогулева Е. А., Иванов С. Е. Применение графовых методов для построения модели ранжирования публикаций в новостной ленте // Альманах научных работ молодых учёных Университета ИТМО: XLVII научная и учебно-методическая конференция, Санкт-Петербург, 31 января - 3 февраля 2018 г. Т. 2. - Санкт-Петербург: Национальный исследовательский университет ИТМО, 2018. - С. 22-25.

322. Родзин С.И., Ватьян А.С. Исследование методов оптимизации структуры нейронных сетей // Журнал системного анализа. - 2016. - № 2. - С. 40-47.

323. Романадзе Е. Л., Судаков В. А., Кислинский В. Г. Разработка метода извлечения ключевых слов на основе вероятностной тематической модели // Моделирование и анализ данных. - 2022. - Т. 12, № 2. - С. 20-33

324. Романов В. А., Иванов В. В. Сравнение графовых векторных представлений исходного кода с текстовыми моделями на основе архитектур CNN и CodeBERT // Труды Института системного программирования РАН. - 2023. - Т. 35, № 1. - С. 237-264.

325. Романова Е.В. Тематическая классификация текстов с помощью нейросе-тевых моделей // Журнал прикладной информатики. - 2014. - № 2. - С. 58-65.

326. Русяева Е. Ю., Салтыков С. А. Концептуальные основы теории активных систем, их развитие в теории управления организационными системами: тенденции и перспективы// Проблемы управления. - 2017. - № 4. - С. 74-83.

327. Рябинов С.М. Использование BERT для классификации текстов // Вестник компьютерных наук. - 2013. - № 1. - С. 25-30.

328. Савельева М. Г., Урбанович П. П. Стеганографическое преобразование на основе модификации полутоновых оттенков растрированных документов // Информационно-управляющие системы. - 2024. - № 6(133). - С. 2-14.

329. Самбуров Н.С. Применение глубокого обучения в задачах анализа текстов // Журнал системного анализа. - 2012. - № 4. - С. 40-47.

330. Сафонова Е.В., Швецова Н.В. Методика управления бизнес-процессами предприятия в рамках системы менеджмента качества // Вестник Воронежского государственного университета инженерных технологий. - 2017. - Т. 79, №1. - С. 285-289.

331. Святов К. В., Мошкин В. С., Щукарев И. А. Модуль информационной системы на основе наивного байесовского классификатора для автоматизации работы аптеки // Вестник кибернетики. - 2024. - Т. 23, № 2. - С. 62-70.

332. Секерин А. В., Кудинов В. А. Применение автоматизированных методов и алгоритмов для идентификации идеологем новостных текстов // Экономика. Информатика. - 2024. - № 1. - С. 201-210.

333. Сергиенко Р.Б. Классификация текстов с использованием нейронных сетей // Современные ИТ. - 2011. - № 3. - С. 33-39.

334. Сергиенко Р.Б. Семантический анализ текстов с использованием машинного обучения // Вестник компьютерных наук. - 2002. - № 1. - С. 25-30.

335. Середин П.В. Гибридные методы классификации текстов: сочетание правил и обучения // Вестник информационных технологий. - 2010. - № 2. - С. 58-65.

336. Сидоров С.С. Автоматическая классификация текстов с использованием машинного обучения // Современные ИТ. - 1999. - № 2. - С. 33-39.

337. Синева И. С., Головченко В. Е. Применение методов многомерного статистического анализа и МЕР для классификации научных публикаций // DSPA: Вопросы применения цифровой обработки сигналов. - 2024. - Т. 14, № 2. - С. 44-51.

338. Скиба И.Г., Нестеренков С.Н., Внук О.М. ИНС для прогнозирования результатов обучения // Вестник БГУИР. - 2023. - № 4. - С. 25-31.

339. Смирнов А. В., Шилов Н. Г., Пономарев А. В. Анализ методов онтолого-ориентированного нейросимволического интеллекта при коллаборативной поддержке принятия решений // Информатика и автоматизация. - 2023. - Т. 22, № 3. -С. 576-615.

340. Смирнов А.А. Анализ тональности текстов с применением методов машинного обучения // Журнал прикладной информатики. - 1998. - № 4. - С. 58-65.

341. Смирнов Э.А. Разработка управленческих решений: Учебник для вузов. -М: ЮНИТИ-ДАНА, 2002. - 271 с.

342. Соколова Т.В. Комбинированные подходы к тематической классификации текстов // Журнал прикладной информатики. - 2009. - № 1. - С. 25-32.

343. Сопов А. Е. Экспериментальное исследование и анализ эффективности алгоритмов машинного обучения для задач классификации // Актуальные проблемы авиации и космонавтики: Сборник материалов X Международной научно-практической конференции, посвященной 100-летию академика М.Ф. Решетнева и Дню космонавтики. В 3-х томах, Красноярск, 08-12 апреля 2024 года. - Красноярск: Сибирский государственный университет науки и технологий им. акад. М.Ф. Решетнева, 2024. - С. 96-98

344. Спирин, В.Г. Распределение задач, полномочий и ответственности в организации // Труды международного симпозиума "Надежность и качество". - 2012. - Т. 1. - С. 329-332.

345. Степанов В.О. Модель ИНС для прогнозирования характеристик резины // Актуальные исследования. - 2023. - № 24. - С. 39-42.

346. Стрещук В. А., Малинин Н. В., Михайлов Д. В. Варианты расчёта меры 1Т-IDF и поиск составляющих смыслового эталона тематического текста // Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений: материалы XVI Международной научно-технической конференции, Курск, 14-17 сентября 2021 г. - Курск: Юго-Западный государственный университет, 2021. - С. 232-234.

347. Тарков М. С., Кожушко О. А. Регрессионный анализ алгоритма ранжирования результатов текстового поиска в базах данных систем геомониторинга с помощью нейронных сетей // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2015. - Т. 326, № 7. - С. 36-43.

348. Тарков М. С., Кожушко О. А. Регрессионный анализ алгоритма ранжирования результатов текстового поиска в базах данных систем геомониторинга с помощью нейронных сетей // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2015. - Т. 326, № 7. - С. 36-43. - EDN UKFCAH.

349. Тельнов В. П., Коровин Ю. А. Применение методов машинного обучения для наполнения и актуализации баз ядерных знаний // Известия высших учебных заведений. Ядерная энергетика. - 2022. - № 4. - С. 122-133.

350. Терехов А. Н., Рыбакова А. М., Можаровский С. А. О применении алгоритма наивного Байеса для распознавания патриотических текстов // Моделирование сложных процессов и систем: сборник трудов XXXIV Международной научно-практической конференции. - Химки: Академия гражданской защиты МЧС России им. генерал-лейтенанта Д. И. Михайлика, 2024. - С. 16-22.

351. Терников А. А. Алгоритм кластеризации онлайн-объявлений о работе на основе навыков // Известия Саратовского университета. Математика. Механика. Информатика. - 2022. - Том 22, № 2. - С. 250-265.

352. Токолова А. А., Пицхелаури С. Г. Модели представления данных в системах автоматической обработки текстов // Cifra. Информационные технологии и телекоммуникации. - 2024. - № 2(2). - DOI 10.18454/itech.2024.2.3.

353. Травин В. В., Магура М. И., Курбатова М. Б. Управление человеческими ресурсами: учебно-практическое пособие. - Акад. нар. хоз-ва при Правительстве Российской Федерации. - Москва: Дело, 2009. - 127 с.

354. Тропманн-Фрик М. Интеграция правил и машинного обучения в задачах классификации текстов // Вестник компьютерных наук. - 2008. - № 4. - С. 40-47.

355. Туркин Е. А., Черкасов А. Н. Выбор оптимальной архитектуры искусственной нейронной сети для задачи классификации текстов // Вестник АГУ. - 2021. -№ 1. - С. 62-66.

356. Тхориков Б. А. Фейковые новости: анализ изученности, классификация, влияние на поведение человека // Вестник МГПУ. Серия: Экономика. - 2023. - № 1(35). - С. 156-167.

357. Уманец Е. П., Кармазин В. Н., Рыбальченко О. В. Рекомендательная система на основе векторного представления текстов массмедиа (на примере текстов блог-платформы "Живой журнал") // Электронный сетевой политематический журнал "Научные труды КубГТУ". - 2019. - № 2. - С. 605-616.

358. Унанян В. С., Ефанова Н. В. Сравнение языковых моделей в Gigachat и chatgpt // Теория и практика современной науки: Сборник материалов XIV-ой международной очно-заочной научно-практической конференции, Москва, 13 ноября 2024 года. - Москва: НЦ "Издание", 2024. - С. 12-14.

359. Урбан М. Успех чужими руками: эффективное делегирование полномочий : учеб. пособие / М. Урбан. - 2-е изд. - М.: Альпина Пабл., 2016. - 156 с.

360. Уртнасан Б. Методы использования больших языковых моделей для выявления провокационных комментариев в социальных сетях во время протестов / Б. Уртнасан // Инженерный вестник Дона. - 2024. - № 10(118). - С. 239-258

361. Ушаков Р.И. Применение гибридных моделей для анализа текстовых данных // Журнал системного анализа. - 2007. - № 3. - С. 33-39.

362. Фалька В.Н. Сочетание нейросетевых и правил-основанных методов в классификации текстов // Современные ИТ. - 2006. - № 2. - С. 58-65.

363. Федеральный закон от 02.05.2006 № 59-ФЗ «О порядке рассмотрения обращений граждан Российской Федерации» // Собрание законодательства Российской Федерации. - 2006. - № 19. - Ст. 2060; Российская газета. - 2006. - 5 мая.

364. Федоров В.В. Применение методов машинного обучения в технических системах // Вестник информационных технологий. - 1995. - № 3. - С. 45-52.

365. Филатов В. И., Потапов А. С. Сравнение вероятностных языков программирования на примере задач кластеризации и выделения признаков // Оптический журнал. - 2015. - Т. 82, № 8. - С. 66-75.

366. Филатов В. И., Потапов А. С. Сравнение вероятностных языков программирования на примере задач кластеризации и выделения признаков// Оптический журнал. - 2015. - Т. 82, № 8. - С. 66-75.

367. Фищева И. Н., Пескишева Т. А., Головизнина В. С., Котельников Е. В. Метод классификации аспектов аргументации в русскоязычных текстах // Программные системы: теория и приложения. - 2023. - Т. 14, № 4(59). - С. 25-45.

368. Флегонтов А.В. Гибридные подходы к анализу текстовых данных // Вестник информационных технологий. - 2005. - № 1. - С. 25-30.

369. Фомин В.В. Комбинированные методы классификации текстов: обзор и применение // Журнал прикладной информатики. - 2004. - № 4. - С. 40-47.

370. Хамидуллин С. А., Будникова И. К.Применение алгоритмов машинного обучения для решения задач классификации при обработке текстовых комментариев // Вестник Технологического университета. - 2024. - Т. 27, № 10. - С. 120-125.

371. Хаустова И.А. Интеграция правил и машинного обучения в задачах анализа текстов // Вестник компьютерных наук. - 2003. - № 3. - С. 33-39.

372. Хитрова Т. И., Низовцева А. С. Проблемы распределения работ в процессе реализации инновационных задач // Baikal Research Journal. - 2020. - Т. 11, № 2.

373. Хозяинов С.А. Комбинированные подходы к тематической классификации текстов // Современные ИТ. - 2001. - № 1. - С. 25-32.

374. Хотин Д.Ю. Применение гибридных методов в анализе текстовых данных // Вестник информационных технологий. - 2000. - № 4. - С. 40-47.

375. Хотин, Д. Ю. Сравнительный анализ методов обработки и векторизации текста для задачи классификации фейковых текстовых новостей // Вестник науки. - 2024. - Т. 1, № 6(75). - С. 1577-1583.

376. Худякова П.С. Гибридные модели в классификации текстов: методы и приложения // Журнал системного анализа. - 2002. - № 2. - С. 58-65.

377. Частикова В.А., Гуляй В.Г., Жерлицын С.А. Подход к решению проблемы контроля качества в сфере услуг на основе построения системы интеллектуального анализа данных // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. - 2022. - № 4(311). - С. 81-90.

378. Челышев Э. А.? Раскатова М. В., А. С. Маковец. Сравнительный анализ алгоритмов автоматического квазиреферирования текстов /// Информатика и вычислительная техника. - 2023. - С. 176-184.

379. Челышев Э.А. Интеграция правил и машинного обучения в задачах классификации текстов // Журнал прикладной информатики. - 1999. - № 3. - С. 33-39.

380. Чеповский А.А. Гибридные подходы к анализу текстовых данных // Современные ИТ. - 1998. - № 2. - С. 25-30.

381. Чеповский А.М. Комбинированные методы классификации текстов: обзор и применение // Журнал системного анализа. - 1997. - № 1. - С. 58-65.

382. Черкасов, Е. И. Сравнение алгоритмов тематического моделирования при определении тематик постов людей в социальной сети «ВКонтакте» // Евразийский союз ученых. - 2020. - № 6-2(75). - С. 45-49.

383. Чернышов Ю. Ю. Применение автоэнкодеров для выявления аномалий в киберфизических системах / Ю. Ю. Чернышов // Вестник Пермского университета. Серия: Математика. Механика. Информатика. - 2022. - № 4 (59). - С. 89-94