Интеллектуальная система обработки нормативных документов в сфере образования на базе RAG-архитектуры

М. М. Гаянова, А. М. Вульфин, С. М. Валиев

Аннотация


Современная сфера образования сталкивается с необходимостью обработки постоянно растущего объема нормативных документов. Традиционные методы ручного анализа и существующие системы электронного документооборота ориентированы преимущественно на работу с мета-данными и не обеспечивают семантического анализа содержания документов. В работе представлена интеллектуальная система автоматизированного анализа образовательных стандартов, построенная на архитектуре RAG (Retrieval-Augmented Generation – генерация, дополненная извлечением данных). Описана предметно-ориентированная методика ее построения для русскоязычных нормативных документов: правила разбиения текста с сохранением привязки фрагмента к документу, редакции и структурной единице, правила формирования контекста с атрибуцией к первоисточнику и протокол оценки качества, разделяющий дословность цитаты, релевантность фрагмента и корректность ответа. Система обеспечивает загрузку документов в форматах PDF, DOCX и TXT, их предварительную обработку, векторизацию моделью multilingual-e5-large и формирование ответов с использованием языковой модели Qwen2-72B и векторного поиска на основе библиотеки FAISS; программный интерфейс построен на фреймворке FastAPI. Апробация выполнена на корпусе из 1200 документов десяти образовательных организаций и наборе из 40 запросов трех уровней сложности. Доля дословно подтвержденных цитат составила 97,3 %, среднее время векторного поиска – 148 мс, среднее время порождения ответа – 2,7 с, субъективная оценка сокращения времени выполнения типовых задач – 43–47 %. F1-мера качества поиска составила 0,92 на простых запросах, 0,82 на запросах средней сложности и 0,69 на сложных запросах, требующих агрегации требований из нескольких документов; ограничение качества на междокументных запросах связано с неучетом транзитивных связей между стандартами. Реализация системы в виде веб-сервиса представляет практическую ценность для образовательных организаций и органов управления образованием.

Ключевые слова


Нейросетевой анализ; образовательные стандарты; нормативные документы; RAG-архитектура; семантический поиск; обработка естественного языка; веб-сервис; векторные представления.

Полный текст:

PDF

Литература


Абрамович Р. К., Добрынин В. Ю., Платонов А. В. Объединение глубоких моделей и разреженных представлений в информационном поиске: обзор и анализ современных подходов // Информационные и математические технологии в науке и управлении. 2025. № 2 (38). С. 5–17. HRDWSX.

Бойков Е. С., Колева Н. С., Кортенько Л. В. A legal support system for entrepreneurs based on a Retrieval-Augmented Generation architecture // Digital models and solutions. 2026. Т. 5, № 3. С. 28. HXTTUO.

Зыкина А. В., Мунько В. В., Шикин Е. О. Цифровой сервис для подготовки аттестационных листов обучающихся // Современные информационные технологии и ИТ-образование. 2025. Т. 21, № 3. С. 585–592. ZFSSVZ.

Каширина И. Л., Кириллов В. В., Албычев А. С. и др. Интеграция RAG-системы для автоматизации поиска связей показателей и мероприятий национальных проектов // Моделирование, оптимизация и информационные технологии. 2025. Т. 13, № 3 (50). EIMHGB.

Китаева О. И. Интеллектуальный анализ образовательных данных учебной дисциплины с использованием программы Orange // Информационные и математические технологии в науке и управлении. 2023. № 1 (29). С. 190–200. ONREBT.

Кожевников И. С. Методика оценки соответствия содержания образовательных программ требованиям рынка труда // Моделирование, оптимизация и информационные технологии. 2025. Т. 13, № 4 (51). ALMYUB.

Кошельков В. С., Грязев Т. А., Соколов М. А., Жуков Н. Н. Разработка обобщенной модели расчета времени запроса для веб-приложений на Express и FastAPI // Современные наукоемкие технологии. 2024. № 5. С. 57–63. HRYLAQ.

Рзянкин И. С., Барышев Р. А., Гучко А. А. Агентный подход к интеллектуальному поиску в библиотечных системах // Моделирование, оптимизация и информационные технологии. 2026. Т. 14, № 2 (53). KWPJOV.

Хрущев С. А. Структурная сегментация и гибридный поиск по нормативно-технической документации // Информатика. Экономика. Управление. 2026. Т. 5, № 2. С. 2062–2069. UPIJYW.

Шемонаев Д. Д., Анни П. В., Жабицкий М. Г., Конев Ю. Н. Разработка системы для анализа технических и организационных документов на соответствие нормативным требованиям атомной отрасли на основе больших языковых моделей // Int. J. of Open Information Technologies. 2025. Т. 13, № 8. С. 20–27. NHKAFR.

Es S., James J., et al. RAGAS: Automated Evaluation of Retrieval Augmented Generation // Proceedings of the 18th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations. 2024. Pp. 150–158. 10.18653/v1/2024.eacl-demo.16.

Gao Y., Xiong Y., Gao X., et al. Retrieval-Augmented Generation for Large Language Models: A Survey. 2024. 10.48550/arXiv.2312.10997.

Hu E. J., Shen Y., et al. LoRA: Low-Rank Adaptation of Large Language Models. 2021. 10.48550/arXiv.2106.09685.

Johnson J., Douze M., Jégou H. Billion-Scale Similarity Search with GPUs // IEEE Trans. Big Data. 2021. Vol. 7, i. 3. Pp. 535–547. 10.1109/TBDATA.2019.2921572. SDYLCV.

Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33. Pp. 9459–9474. 10.48550/arXiv.2005.11401.

Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks // Proc. 2019 Conf. Empirical Methods in Natural Language Processing (EMNLP). 2019. Pp. 3982–3992. 10.18653/v1/D19-1410.

Wang L., Yang N., et al. Multilingual E5 Text Embeddings: A Technical Report. 2024. 10.48550/arXiv.2402.05672.

Yang A., Yang B., Hui B. et al. Qwen2 Technical Report. 2024. 10.48550/arXiv.2407.10671.




DOI: https://doi.org/10.54708/SIIT-2027-no1-p3

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 М. М. Гаянова, А. М. Вульфин, С. М. Валиев