Фирсанова Виктория Игоревна – аспирант кафедры математической лингвистики
г. Санкт-Петербург
Viktorya I. Firsanova – Postgraduate Student, Department of mathematical Linguistics
Saint Petersburg
Цель. Выявление стратегии разработки языковых моделей с помощью искусственного интеллекта для поддержки инклюзии людей с ментальными нарушениями.
Процедура и методы. В исследовании сравниваются два подхода к построению диалоговых систем: вопросно-ответные системы на основе извлечения информации и генеративные модели. Собрана коллекция текстов на тему инклюзивного образования. Методами нейросетевого трансферного обучения также создан комплекс вопросно-ответных систем для анализа производительности рассматриваемых подходов. Проведён лингвистический анализ собранной коллекции данных и результатов работы диалоговой системы.
Результаты. Исследование показало, что оба подхода к построению диалоговых систем имеют свои преимущества и ограничения. Вопросно-ответные системы на основе извлечения информации обеспечивают высокую релевантность ответов. Генеративные модели, в свою очередь, обладают большей гибкостью в широком контексте. Лингвистический анализ показал, что для достижения наилучших результатов целесообразно комбинировать оба подхода, используя сильные стороны каждого из них в зависимости от конкретной задачи и контекста взаимодействия.
Теоретическая и/или практическая значимость заключается в развитии теории диалоговых систем, углублении понимания взаимодействия между структурными и семантическими аспектами языка и их влияния на эффективность различных подходов к созданию диалоговых систем, а также в возможности применения результатов исследования в образовательной системе.
Aim. To identify strategies for developing language models using artificial intelligence to support the inclusion of people with mental disabilities.
Methodology. The study compares two approaches to building dialogue systems: information retrieval question-answering systems and generative question-answering. A collection of texts on inclusive education was compiled. Additionally, a complex of question-answering systems was created using neural network transfer learning methods to analyze the performance of the approaches. A linguistic analysis of the collected data and the results of the dialogue system was conducted.
Results. The study showed that both approaches to building dialogue systems have their advantages and limitations. Information retrieval question-answering systems provide high answer relevance. Generative models offer greater flexibility in a broader context. Linguistic analysis revealed that for optimal results, it is advisable to combine both approaches, leveraging the strengths of each depending on the specific task and interaction context.
Research implications. The significance lies in the development of dialogue system theory, deepening the understanding of the interaction between structural and semantic aspects of language and their impact on the effectiveness of different approaches to creating dialogue systems, as well as the possibility of applying the research results in the educational system.
The authors declare that there are no conflicts of interest present.