КОНЦЕПТУАЛІЗАЦІЯ ПРЕДМЕТНОЇ ОБЛАСТІ "ШТУЧНИЙ ІНТЕЛЕКТ" З ВИКОРИСТАННЯМ ІНСТРУМЕНТІВ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.35433/philology.2(105).2025.180-200Ключові слова:
штучний інтелект, концептуалізація знань, великі мовні моделі, онтологічне моделювання, автоматичний аналіз текстів, гуманітарні науки, граф знаньАнотація
У статті розглянуто питання концептуалізації предметної області "штучний інтелект" з використанням великих мовних моделей та онтологічного моделювання. Проведено комплексний аналіз теоретичних аспектів і сучасних підходів до автоматичного виділення та структурування концептів у текстах. Особлива увага приділена проблемам, таким, як галюцинації мовних моделей, контекстуальна неоднозначність термінів, нестача спеціалізованих навчальних корпусів для гуманітарних наук та етичні виклики, що виникають у процесі використання автоматизованих систем аналізу текстів.
У практичній частині проведено експеримент із застосування великої мовної моделі GPT-4.5 для виділення ключових концептів із книги "AI and Machine Learning for Coders". Результати експерименту показали високу ефективність та швидкість автоматизації процесу, що дало змогу чітко визначити основні концепти, їх взаємозв’язки та структурувати у вигляді графу знань й онтології. Установлено, що використання онтологічного підходу дає змогу точніше та ефективніше формалізувати знання й робить інтерпретації інформації більш зрозумілим та структурованим.
Також було окреслено перспективи розвитку досліджень, серед яких –спеціалізація великих мовних моделей для гуманітарних дисциплін, удосконалення онтологічних баз і розвиток інтегрованих міждисциплінарних підходів. Запропоновано шляхи вирішення проблемних аспектів, зокрема поглиблення деталізації атрибутів концептів, розширення спектра аналізованих концептів, використання автоматизованих NLP-алгоритмів та вдосконалення етичних стандартів.
Результати дослідження мають значний потенціал для застосування в освіті та міждисциплінарних наукових дослідженнях, оскільки забезпечують структурованість, точність і глибоке розуміння складних концептів штучного інтелекту. Окрім того, розглянуті підходи можуть значно полегшити викладачам процес розробки адаптивних навчальних матеріалів, сприяти індивідуалізації освітніх програм та покращенню якості викладання складних технічних і гуманітарних курсів. Практичне впровадження отриманих результатів відкриває нові можливості для вдосконалення освітніх технологій, розвитку інноваційних наукових методик та підвищення ефективності використання штучного інтелекту в різних галузях знань.
Посилання
Entsyklopediia kybernetyky [Encyclopedia of Cybernetics] [in 2 vols.] (1973) / ed. by V. M. Hlushkov [et al.]; AN Ukrainskoi RSR. Kyiv: Holovna redaktsiia Ukrainskoi radians'koi entsyklopedii [Main Editorial Office of the Ukrainian Soviet Encyclopedia]. Vol. 1: A–L. 582 p. [in Ukrainian].
Kunanets, N., Yaromych, M. (2025). Vydilennia kontseptiv u literaturnykh tekstakh iz vykorystanniam velykykh movnykh modelei [Concept Extraction in Literary Texts Using Large Language Models]. Visnyk nauky ta osvity [Bulletin of Science and Education]. Vol. 32, No. 2. Pр. 343–357. DOI: https://doi.org/10.52058/2786-6165-2025-2(32)-343-357. [in Ukrainian].
Pasichnyk, V., Yaromych, M. (2025). Velyki movni modeli ta ontolohii u filolohichnykh doslidzhenniakh: analitychnyi ohliad dzherel [Large Language Models and Ontologies in Philological Studies: Analytical Review of Sources]. Aktualni pytannia humanitarnykh nauk. Movoznavstvo. Literaturoznavstvo [Topical Issues of the Humanities. Linguistics. Literary Studies]. Vol. 83. No. 3. Pр. 236–250. DOI: https://doi.org/10.24919/2308-4863/83-3-35. [in Ukrainian].
Adeshola, I., Adepoju, A. P. (2023). The opportunities and challenges of ChatGPT in education. DOI: 10.1080/10494820.2023.2253858. [in English].
Aggarwal, C. C., Zhai, C. (2012). A Survey of Text Clustering Algorithms. DOI: 10.1007/978-1-4614-3223-4_4. [in English].
Anantharangachar, R., Ramani, S., Rajagopalan, S. (2013). Ontology Guided Information Extraction from Unstructured Text. International Journal of Web & Semantic Technology (IJWesT). Vol. 4. No. 1. Pр. 19–36. [in English].
Bartalesi, V., Meghini, C. (2017). Using an Ontology for Representing the Knowledge on Literary Texts: the Dante Alighieri Case Study. Semantic Web. Vol. 8, No. 3. P. 385–394. DOI:10.3233/SW-150198. [in English].
Bender, E., Gebru ,T., McMillan-Major, A. On the Dangers of Stochastic Parrots. (2021). FAccT ’21, March 3–10. Virtual Event, Canada. Pр. 610–623. [in English].
Brown, T., Mann, B., Ryder N. Language Models are Few-Shot Learners. URL: https://doi.org/10.48550/arXiv.2005.14165 (reference date: 03.04.2025). [in English].
Buitelaar, P., Cimiano, P., Magnini, B. (2006). Ontology Learning from Text: Methods, Evaluation and Applications. Computational Linguistics. Vol. 32, No. 4. P. 569–572. DOI: http://dx.doi.org/10.1162/coli.2006.32.4.569. [in English].
Chen, Y., Li, H., Liu, W. (2022). An Overview of Knowledge Graph Reasoning: Key Technologies and Applications. J. Sens. Actuator Netw. Vol. 11. No. 4. Pр. 1–26. [in English].
Conceptualization: On Theory and Theorizing Using Grounded Theory. (2022). International Journal of Qualitative Methods. Vol. 1. No. 2. Pр. 2–38. DOI: 10.1177/160940690200100203. [in English].
Dessi, D., Osborne, F., Recupero, D. F. (2024). Generating Knowledge Graphs by Employing Natural Language Processing and Machine Learning Techniques within the Scholarly Domain. Future Generation Computer Systems. Vol. 129. Pр. 253–264. DOI:10.48550/arXiv.2011.01103. [in English].
Doumanas, D., Soularidis, A., Spiliotopoulos D. (2025). Fine-Tuning Large Language Models for Ontology Engineering: A Comparative Analysis of GPT-4 and Mistral. Applied Sciences. Vol. 15. No. 4. P. 2146. [in English].
Elnagar, S., Toon, V., Thomas, M. A. (2020). An Automatic Ontology Generation Framework with An Organizational Perspective. Proceedings of the 53rd Hawaii International Conference on System Sciences. DOI: https://doi.org/10.48550/arXiv.2201.05910. [in English].
Giglou, H. B., D’Souza, J., Auer, S. (2023). LLMs4OL: Large Language Models for Ontology Learning. The Semantic Web – ISWC. P. 408–427. DOI:10.1007/978-3-031-47240-4_22. [in English].
Goel, A., Hira, M., Anand, A. Advancements in Scientific Controllable Text Generation Methods. arXiv. URL: https://doi.org/10.48550/arXiv.2307.05538 (reference date: 02.04.2025). [in English].
Hohenecker, P., Lukasiewicz, vol. (2021). Ontology Reasoning with Deep Neural Networks. J. Artif. Intell. Res. Vol. 68. Pр. 503–540. DOI: https://doi.org/10.1613/jair.1.11661. [in English].
Hogan, A., Blomqvist, E., Cochez, M. (2020). Knowledge Graphs. ACM Comput. Surv. Vol. 54. No. 4. Pр. 1–37. [in English].
Hu, Y., Liu, D., Wang, Q. Automating Knowledge Discovery from Scientific Literature via LLMs: A Dual-Agent Approach with Progressive Ontology Prompting. URL: https://doi.org/10.48550/arXiv.2409.00054 (reference date: 01.04.2025). [in English].
Jordan, M. Artificial Intelligence – The Revolution Hasn’t Happened Yet. URL: http://dx.doi.org/10.1162/99608f92.f06c6e61 (reference date: 01.04.2025). [in English].
Kommineni, V. K., König-Ries, B., Samuel, S. From Human Experts to Machines: An LLM Supported Approach to Ontology and Knowledge Graph Construction. URL: https://doi.org/10.48550/arXiv.2403.08345 (reference date: 04.04.2025). [in English].
Korel, L., Behr, A. S., Kockmann, N. Using Artificial Neural Networks to Determine Ontologies Most Relevant to Scientific Texts. URL: https://doi.org/10.48550/arXiv.2309.09203 (reference date: 02.04.2025). [in English].
Liu, Y., Ott, M., Nman, G. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. URL: https://doi.org/10.48550/arXiv.1907.11692 (reference date: 02.04.2025). [in English].
Moroney, L. (2020). AI and Machine Learning for Coders. O'Reilly Media, Inc. 390 p. [in English].
Mishra, R., Reddy, G. Y. S., Pathak, H. (2021). The Understanding of Deep Learning: A Comprehensive Review. Hindawi Mathematical Problems in Engineering. Vol. 2021. No. 5548884. Pр. 1–15. DOI: 10.1155/2021/5548884. [in English].
Nananukula, N., Kejriwala, M. HALO: An Ontology for Representing and Categorizing Hallucinations in Large Language Models. SPIE Defense + Commercial Sensing (DCS 2024). USA, 2024. No. 130580B. Pр. 1–15. DOI:10.1117/12.3014048. [in English].
Naqvi, S. M. R., Ghufran, M., Varnier C. (2025). Enhancing Semantic Search Using Ontologies: A Hybrid Information Retrieval Approach for Industrial Text. Journal of Industrial Information Integration. Vol. 45. DOI: https://doi.org/10.1016/j.jii.2025.100835. [in English].
Nikitenko, V., Voronkova, V., Kyvliuk, O. (2024). Philosophical reflection on artificial intelligence and its impact on the development of society, human, and education. Humanities Studies. Vol.19 №. 96. Pp. 67–77. DOI: https://doi.org/10.32782/hst-2024-19-96-07. [in English].
Nilsson, N. (1980). Principles Of Artificial Intelligence. Palo Alto, California: Tioga Press. 476p. [in English].
Perera, O., Liu, J. (2024). Exploring Large Language Models for Ontology Learning. Issues in Information Systems. Vol. 25, No. 4. Pp. 299–310. DOI: https://doi.org/10.48009/4_iis_2024_124. [in English].
Schimmenti, A., Pasqual, V., Tomasi, F. Structuring Authenticity Assessments on Historical Documents Using LLMs. arXiv. URL: https://doi.org/10.48550/arXiv.2407.09290 (reference date: 04.04.2025). [in English].
Shimizu, C., Hitzler, P. Accelerating Knowledge Graph and Ontology Engineering with Large Language Models. URL: https://doi.org/10.48550/arXiv.2411.09601 (reference date: 03.04.2025). [in English].
Su, Y., Wang, X., Ye, Y. (2024). Automation and Machine Learning Augmented by Large Language Models in a Catalysis Study. Chemical Science. Vol. 15. No. 31. P. 12200–12233. [in English].
Surdeanu, M., Valenzuela-Escarcega, M. A. (2024). Deep Learning for Natural Language Processing: A Gentle Introduction. University of Arizona. 358p. DOI: https://doi.org/10.1017/9781009026222. [in English].
Sutton, R., Barto, A. G. (2015). Reinforcement Learning: An Introduction. The MIT Press, Cambridge, Massachusetts, London, England. 352 p. [in English].
Tkachenko, О. І., Tkachenko, К. О., Tkachenko, О. А. (2021). Linguistic Ontologies: Designing and Using in the Educational Intellectual Systems. Digital Platform Information Technologies in Sociocultural Sphere. Vol. 4. № 1. Pp. 97–111. DOI: 10.31866/2617-796X.4.1.2021.236950. [in English].
Toro, S., Anagnostopoulos, A. V., Bello S. M. (2024). Dynamic Retrieval Augmented Generation of Ontologies Using Artificial Intelligence (DRAGON-AI). Journal of Biomedical Semantics. Vol. 15, No. 19. DOI:10.1186/s13326-024-00320-3. [in English].
Tzirides, A. O., Saini, A., Zapata, G. (2023). Generative AI: Implications and Applications for Education. Pp. 1–34. DOI:10.48550/arXiv.2305.07605. [in English].
Vaswani, A., Shazeer, N., Parmar, N. Attention Is All You Need. arXiv. URL: https://doi.org/10.48550/arXiv.1706.03762 (reference date: 03.04.2025). [in English].
What’s the Difference Between an Ontology and a Knowledge Graph? URL: https://enterprise-knowledge.com/whats-the-difference-between-an-ontology-and-a-knowledge-graph (reference date: 05.04.2025). [in English].
