В Балтийском федеральном университете имени Иммануила Канта к решению вопроса о выборе научного руководителя решили подойти серьезно. Ведь от правильной кооперации усилий наставника и студента зависят не только успехи в диссертации или ВКР, но и интерес к самому обучению, а в перспективе — место работы.
Трудности выбора научного куратора объясняются еще и тем, что студент часто не имеет доступа к полной информации о преподавателях и их научных сферах. К этому добавляется еще два барьера: сложно объективно оценить собственные интересы и навыки, непросто соотнести их с требованиями конкретного руководителя.
Для решения этого вопроса в БФУ им. И. Канта создали систему на базе искусственного интеллекта, которая помогает студентам и аспирантам подобрать наставника точно так же, как сервисы подбирают музыку или фильмы — только вместо треков и сериалов в центре внимания научные руководители.
«Выбор научного руководителя — одно из ключевых решений для студента или аспиранта. От него зависит качество будущей работы и профессиональные перспективы. Искусственный интеллект позволяет сделать этот выбор более прозрачным и осознанным», — говорит и. о. ректора БФУ им. Канта Максим Демин.
Как работает система? Разработчики собрали данные о потенциальных научных руководителях БФУ в машиночитаемом виде и зашили их в алгоритмы машинного обучения. Теперь студент заполняет информацию о себе в веб-интерфейсе — и получает список руководителей, с которыми у него наибольшая вероятность продуктивного сотрудничества. Под капотом системы — современные нейросети (Qwen3 и Falcon), библиотека transformers, фреймворк PyTorch и FastAPI. Данные о научных руководителях были собраны с сайта университета, преобразованы в JSON и закодированы в векторные представления для работы алгоритмов семантического поиска (RAG — Retrieval Augmented Generation).
Команда протестировала два сценария подбора:
1. Фильтрация и точечная проверка. Сначала система отбирает небольшой список (до 10 кандидатов) по направлению исследований и школе. Затем каждое совпадение проверяется по трем критериям: интересы, навыки и компетенции руководителя. Этот вариант дает очень точный результат, но требует времени.
2. Мгновенный подбор через RAG. Алгоритм сразу ранжирует всех кандидатов, сортируя их по степени схожести с профилем студента. Дополнительно включается reranker, который уточняет результаты. Такой способ быстрее, но иногда менее глубокий.
Оба подхода визуализированы в интерфейсе: первый напоминает вдумчивый поиск «по полочкам», второй — быструю рекомендацию в один клик.
«Мы рассматриваем процесс принятие решения студентом по выбору научного руководителя как задачу высокоточной рекомендательной системы. По сути, это поиск совпадения не по формальным признакам, а по смысловому ядру — исследовательскому интересу. Наш навигатор работает на стыке двух моделей: сначала он, подобно внимательному научному консультанту, помогает студенту структурировать собственные интересы, а затем, как поисковик по живым экспертам, находит ученых, чьи работы и компетенции релевантны данному запросу», — рассказывает старший научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта Наталья Шушарина.
Таким образом, для студентов система превращает выбор научного руководителя из сложного и зачастую стрессового процесса в понятный диалог с ИИ. Она помогает сэкономить время, избежать случайных решений и найти того самого человека, который сможет не только руководить, но и вдохновлять.
Разработка коллектива поддержана программой «Приоритет-2030» (национальный проект «Молодежь и дети»). Исследования проводятся в рамках Десятилетия науки и технологий в России.
