В поисках золота: где искать статьи, данные и модели и как на них ссылаться

1. Список литературы от нейросети

Поиск источников сегодня часто начинают с вопроса нейросети. Через несколько секунд она выдаёт готовый список: авторы, журналы, тома, страницы, идентификаторы. Насколько такому списку можно доверять, покажет опыт.

1.1. Запрос о статьях, которых нет

Для опыта нужна тема, о которой заранее известно, что статей по ней нет. Возьмём Wave Function Collapse (WFC, «коллапс волновой функции») – алгоритм процедурной генерации, который Максим Гумин опубликовал на GitHub в 2016 году. По одному образцу алгоритм строит текстуры и карты уровней, расставляя плитки так, чтобы соседние сочетались по заданным правилам. Название заимствовано из квантовой механики, но к физике алгоритм отношения не имеет. Исследователи игр показали, что WFC решает задачу удовлетворения ограничений, и пишут о нём в основном в связи с генерацией игрового содержимого; подробно алгоритм разобран в конспекте A13 траектории «Геймдев». Составление расписаний – тоже задача с ограничениями, но у неё своя многолетняя литература, и WFC в ней не встречается.

На этом построен запрос-ловушка. На просьбу подобрать статьи о применении WFC к составлению расписаний честный ответ короток: таких работ практически нет. Это проверено заранее по открытому каталогу научных публикаций OpenAlex (рис. 9 в разделе 3.3). 12 октября 2026 года точная фраза «wave function collapse» вместе со словом timetabling не встречалась ни в одном названии и ни в одной аннотации. В полных текстах нашлось 11 работ – о квантовой физике, решателях судоку, природе сознания, анестезии – и ни одной о расписаниях. Хороший помощник так и ответит и предложит близкое: работы о WFC как о решателе ограничений и обзоры методов составления расписаний. Запрос получила нейросеть «Алиса»:

1.2. Ответ нейросети

Ответ пришёл через несколько секунд. Ниже показано его начало; целиком ответ открывается во всплывающем окне. Номера источников поставила сама нейросеть, и по каждому можно перейти.

Разберём ответ по частям, как разбирались тексты на прошлом занятии.

• Оговорка. Ответ начинается с возражения, которого никто не высказывал: WFC «не про квантовую физику в расписаниях». Оговорка создаёт впечатление осведомлённости – это этос из занятия 3 – и тут же сообщает неправду: WFC якобы «действительно активно применяют» для составления расписаний. Единственный источник этого абзаца, ссылка № 1, ведёт на КиберЛенинку, на статью про алгоритм Wave Function Collapse. Статья посвящена процедурной генерации в играх, и о расписаниях в ней нет ни слова ни в аннотации, ни в ключевых словах.
• Список. У десяти статей есть авторы, журнал, том, страницы и DOI, но нет ни одной ссылки на источник: номера стоят только у общих фраз до и после списка. Журналы настоящие и подходят по теме: Journal of Scheduling, Computers & Operations Research, Journal of Heuristics, IEEE Transactions on Evolutionary Computation. Авторы тоже узнаваемы. М. Жандро и А. Эрц действительно писали вместе, но о табу-поиске для задачи маршрутизации транспорта, а А. Шерф – автор известного обзора методов составления расписаний.
• «Оформлено по ГОСТ Р 7.0.108-2022». На деле список оформлен в стиле APA: между авторами стоит амперсанд, год заключён в скобки после авторов. По ГОСТ так не пишут; стили сравниваются в разделе 5.4.
• Советы. Рекомендации подкреплены ссылками № 7–9: научно-популярный сайт, видеозапись на YouTube и статья из журнала по нейронаукам Frontiers in Neuroscience, открытая через переводчик Яндекса. Ни один из этих источников не посвящён расписаниям.

Ответ выглядит убедительно. Осталось проверить, существуют ли перечисленные статьи.

1.3. Проверка по DOI

Проверка ссылки с DOI занимает минуту. DOI – постоянный идентификатор публикации. Если дописать его к адресу https://doi.org/, сервис doi.org либо откроет страницу статьи на сайте издания, либо сообщит, что такого идентификатора нет (рис. 1).

Так проверены все десять записей из ответа нейросети; последний раз – 13 октября 2026 года. В таблице каждый DOI записан ссылкой на doi.org, поэтому проверку можно повторить: ссылка открывается в новой вкладке. Ответов оказалось два.

• DOI не найден – открывается страница «DOI Not Found»: такой идентификатор никто не регистрировал, и статьи по этому адресу нет.
• другая статья – идентификатор существует, но открывается публикация с другими авторами и другим заглавием.

Девять идентификаторов из десяти сервису doi.org неизвестны. У записи № 3 идентификатор существует, и её стоит рассмотреть отдельно: сравним то, что написала нейросеть, с тем, что открывается по ссылке.

Совпало только то, что записано в самом идентификаторе: j.cor – обозначение журнала Computers & Operations Research, 105087 – номер статьи. Идентификаторы этого журнала строятся по одному образцу, и составленный по образцу DOI совпал с настоящим. Настоящая статья посвящена раскраске графов, и о расписаниях в ней речи нет. Итог проверки: из десяти статей не существует ни одной. Подделку выдают и детали, заметные только при сверке:

• У статей Journal of Scheduling в издательстве Springer DOI начинаются с 10.1007/s10951-: s10951 – код журнала. У двух «статей» из этого журнала стоит s10920. При этом коды Journal of Heuristics (s10732) и Health Care Management Science (s10729) указаны верно: форму записи модель воспроизводит, содержание – нет.
• Страницы «12345–12356» и DOI «…3456789» – цифры подряд, какие набирают для примера.
• У всех десяти статей ровно по два автора, а годы равномерно покрывают запрошенный диапазон 2018–2025. В настоящей подборке так не бывает: число авторов меняется от одного до нескольких десятков, а по годам работы распределены неравномерно.

В конце ответа нейросеть предложила разобрать любую из статей подробнее. Чем закончился этот разговор, показано в разделе 3.4, а пока – ещё один пример, который по DOI проверить нельзя.

1.4. Ссылка на книгу, которой нет

Выдуманной бывает и ссылка на книгу. Вот одна запись из списка литературы, который нейросеть составила по теме научной визуализации:

Запись оформлена безупречно. Заголовок с фамилией автора, заглавие, сведения об ответственности за косой чертой, место издания, издательство, год и объём стоят именно так, как требует ГОСТ Р 7.0.100–2018. Проверить запись по DOI нельзя: у книги 1984 года его нет. Нет и ISBN: в каталожных записях книг этого издательства за 1984 год он не указан. Остаются библиотечные каталоги. 13 октября 2026 года книгу искали в каталогах Российской государственной и Российской национальной библиотек, Немецкой национальной библиотеки и Библиотеки Конгресса США, в Open Library, OpenAlex и Crossref. Записи с таким заглавием и таким автором нет нигде.

Подделку выдают три обстоятельства, и ни одно из них не связано с оформлением.

• Автор. Фамилия написана двумя способами: в заголовке записи – Härtmann, за косой чертой – Hartmann.
• Издательство. «Таврия» – издательство в Симферополе. В 1984 году оно выпускало путеводители по Крыму, краеведческие очерки, художественную литературу, пособия по садоводству. В каталоге Российской государственной библиотеки его книг за этот год несколько десятков: это издания на русском языке, и научной монографии на английском среди них нет.
• Термин. Словосочетание scientific visualization вошло в обиход после отчёта Национального научного фонда США 1987 года. В каталогах нет ни одной работы с этими словами в заглавии раньше 1988 года. Книга 1984 года опережала бы собственный термин на три года.

Настоящие книги с похожими заглавиями существуют: Scientific Visualization: Techniques and Applications вышла в 1992 году, Scientific Visualization: Overviews, Methodologies, and Techniques – в 1997-м. Выдуманная запись собрана из правдоподобных частей: заглавие в духе настоящих книг, существующее издательство, обычный объём. Доказать, что книги нет, строго говоря, нельзя. Но запись, которую не подтверждает ни один каталог, в список литературы не входит.

В обоих примерах форма записи безупречна, а содержания за ней нет. Осталось понять, почему так получается.

1.5. Почему нейросеть выдумывает ссылки

Причина известна по занятию 2: языковая модель продолжает текст наиболее правдоподобным образом. Библиографическая ссылка – один из самых шаблонных видов текста: фамилия с инициалами, заглавие из терминов области, название журнала, том, номер, страницы, DOI. Таких записей модель видела миллионы и уверенно воспроизводит их форму. Содержание ей взять неоткуда: списка статей о WFC в расписаниях в обучающих данных не было, потому что таких статей нет. В eLIBRARY.RU такие записи назвали фантомными ссылками:

У нейросети «Алиса» есть поиск в интернете – это видно по ссылкам в ответе. Но найденные страницы подкрепляют только общие фразы, а у самого списка нет ни одной ссылки: список модель составила сама. Подкрепление к тому же слабое: статья с КиберЛенинки посвящена другому, советы опираются на видеозапись и научно-популярный сайт. Ответ построен по правилам убеждения из занятия 3: уверенный тон, оговорка осведомлённого человека, обилие чисел. Нет в нём одного – доказательства, которое можно проверить.

Оба примера можно было бы счесть неудачей отдельных нейросетей. Измерения показывают, что явление гораздо шире.

1.6. Масштаб явления

Измерять долю выдуманных ссылок начали в 2023 году. Исследователи попросили ChatGPT написать 84 коротких обзора литературы по 42 темам и вручную проверили 636 ссылок: выдуманными оказались 55 % ссылок модели GPT-3.5 и 18 % – GPT-4. С тех пор модели стали точнее, но выдуманные ссылки уже попадают в опубликованные работы. В январе 2026 года компания GPTZero проверила 4841 статью, принятую на NeurIPS 2025, одну из главных конференций по машинному обучению. Несуществующих ссылок нашлось сто, больше чем в пятидесяти статьях, и каждая из этих статей прошла рецензирование. В апреле 2026 года журнал Nature вместе с компанией Grounded AI оценил масштаб для всей науки: выдуманные нейросетями ссылки, вероятно, содержат десятки тысяч публикаций 2025 года. Из ста самых подозрительных работ выборки недействительные ссылки нашлись в 65.

Статья в Nature открывается историей специалиста по выявлению поддельных научных работ. Ему пришло уведомление, что его статью процитировал стоматологический журнал, и он не узнал собственную работу в чужом списке литературы. Фантомные ссылки опасны ещё и тем, что расходятся дальше: следующий автор переписывает ссылку, не проверив её, и подделка начинает существовать как настоящая.

Такие ссылки нашлись и в нашем примере. Статья про алгоритм Wave Function Collapse, на которую сослалась нейросеть «Алиса», настоящая. Её собственный список литературы был проверен так же, как список нейросети. Из шести источников четыре нашлись сразу, а два – нет: журналов «Procedural Content Generation Journal» и «Journal of Procedural Systems and Algorithms» нет ни в Crossref, ни в OpenAlex. Откуда взялись эти ссылки, неизвестно, но проверку они не проходят. Так подделки и попадают в литературу: опубликованная статья выглядит надёжным источником, и её список литературы никто не перепроверяет.

Научные базы ответили новыми инструментами. В сервисе идентификации ссылок eLIBRARY.RU с осени 2025 года есть параметр «Искать фейковые ссылки»: проверяется, существуют ли указанные журнал и выпуск и не стоит ли на указанных страницах другая статья. В разделе 4.4 через неё будет пропущен список нейросети.

Чтобы отличать подделку от настоящей статьи и быстро понимать, нужна ли настоящая статья проекту, полезно знать, как она устроена.

2. Как устроена научная статья

Настоящая статья отличается от подделки не только тем, что существует. У неё есть устройство, и в естественных и технических науках оно почти везде одинаково. Зная его, легче искать статьи, быстрее находить в них нужное и проще заметить запись, за которой статьи нет. Начнём с той части статьи, которая видна всегда.

2.1. Заглавие, авторы, аннотация: что открыто всегда

Полный текст статьи часто закрыт платным доступом, а её начало открыто почти всегда: заглавие, авторов, организации, аннотацию и ключевые слова публикуют на сайте журнала, в базах и поисковых системах. Поэтому именно по началу статью находят и по нему же решают, стоит ли добывать полный текст. Разберём начало на двух примерах: статье о трансформере, знакомой по прошлым занятиям, и статье из «Вестника науки», на которую сослалась нейросеть «Алиса» (рис. 2 и 3).

• Заглавие. Называет предмет работы и содержит её главные термины, поэтому при поиске весит больше всего.
• Авторы. Их порядок и пометки тоже несут сведения. Звёздочка у всех восьми авторов статьи о трансформере отсылает к сноске: вклад равный, порядок случайный, – и там же расписано, кто что сделал. Во многих других статьях первым ставят того, кто выполнил основную работу, а отдельным значком отмечают автора для переписки. Однофамильцев много: в eLIBRARY, например, зарегистрированный автор «Иванов А.В.» встречается 255 раз. Поэтому базы различают учёных по идентификаторам – международному ORCID и SPIN-коду eLIBRARY.
• Аффилиация. Организация, где выполнена работа: у трансформера – Google Brain, Google Research и Университет Торонто, у российской статьи – МГТУ «Станкин» вместе с должностями авторов. Пометки «работа выполнена во время работы в Google Brain» показывают, что аффилиация – это место, где сделана работа, а не нынешнее место работы авторов. По аффилиациям базы собирают публикации организаций, а читатель видит, какая группа стоит за работой.
• Контакты. Адрес электронной почты нужен на практике: если полный текст закрыт, автору можно написать. В статье о трансформере адрес есть у каждого автора, в российской статье адресов нет.
• Аннотация. Краткое содержание: задача, метод, результат. По ГОСТ Р 7.0.7–2021 её объём не превышает 250 слов.
• Ключевые слова. Термины, по которым статью находят. Ключевые слова найденной статьи – готовые запросы для следующего поиска: у статьи из «Вестника науки» это «процедурная генерация», «кэширование», «энтропия».

Рядом с этими элементами стоят служебные данные, и они тоже многое сообщают. У российской статьи наверху указан индекс УДК – шифр темы по Универсальной десятичной классификации, а в колонтитуле – журнал, номер, том и месяц. Английский вариант заглавия, сведений об авторах, аннотации и ключевых слов вынесен в конец статьи. У статьи о трансформере на полях стоит штамп arXiv с номером версии – v7 от 2 августа 2023 года, а внизу первой страницы указано, где статья представлена: на конференции NIPS 2017. В российских журналах состав этих элементов задаёт ГОСТ Р 7.0.7–2021: кроме перечисленного, он требует DOI, благодарности, список литературы и три даты – поступления рукописи в редакцию, одобрения после рецензирования и принятия к публикации. По датам видно, что статья прошла рецензирование и сколько оно длилось; у статьи из «Вестника науки» дат, как и DOI, нет.

То, что поиск идёт прежде всего по началу статьи, видно в самих интерфейсах. Расширенный поиск eLIBRARY по умолчанию ищет в названии, аннотации и ключевых словах, а поиск по полному тексту включается отдельным флажком (рис. 11 в разделе 3.4).

2.2. Структура IMRaD: введение, методы, результаты, обсуждение

За аннотацией начинается основной текст. Его устройство называют по первым буквам английских названий разделов – IMRaD: Introduction, Methods, Results and Discussion. У каждого раздела свой вопрос. Введение отвечает, зачем понадобилось исследование и что о предмете уже известно. Методы – как исследование провели, причём настолько подробно, чтобы его можно было повторить. Результаты – что получилось: числа, таблицы и графики без толкований. Обсуждение – что всё это значит, как соотносится с работами других и где проходят границы применимости.

Схема сложилась не сразу. Научная статья выросла из писем учёных друг другу и в XVII веке писалась как рассказ о наблюдениях. Как она менялась, прослежено по четырём ведущим медицинским журналам – British Medical Journal, JAMA, The Lancet и New England Journal of Medicine. Схема IMRaD появилась в них в 1940-х годах, в 1970-х ей следовали 80 % статей, а в 1980-х она стала единственной для оригинальных исследований. ГОСТ Р 7.0.7–2021 предлагает ту же схему по-русски: введение, разделы «Материалы и методы», «Результаты», «Обсуждение» и заключение.

Схему IMRaD принято изображать в виде песочных часов (рис. 4). Ширина фигуры показывает широту охвата. Введение сужается от области в целом к вопросу одной работы. Методы и результаты относятся только к этой работе. Обсуждение расширяется обратно: от полученных чисел к их значению для области.

Отчёт по практике построен по той же логике, и это видно в правой части рисунка. Введение и первая глава отчёта отвечают на вопрос «зачем», вторая глава – «как», третья – «что получилось», заключение подводит итог по задачам (справка «Структура отчёта и ВКР»). Соответствие приблизительное: обзор аналогов в отчёте вынесен в отдельную главу, а в статье входит во введение. Само введение статьи устроено так же, как введение отчёта: три хода – обозначить территорию, обозначить нишу, занять нишу (занятие 3, раздел 5.1). Вся статья представляет собой аргумент из шести частей: введение даёт утверждение и нишу, методы и результаты – данные, обсуждение – связку, оговорки и ответы на возражения.

2.3. Статья о трансформере по разделам

В машинном обучении IMRaD узнаётся не по названиям разделов, а по работе, которую раздел выполняет. Аннотация статьи «Attention Is All You Need» разбиралась на прошлом занятии; теперь пройдём по всем её разделам:

Здесь видны две особенности статей по машинному обучению. Обзор чужих работ вынесен в отдельный раздел – Background или Related Work, – а обсуждение сжато до нескольких абзацев выводов. Зато методы описаны вплоть до чисел: размер данных, число GPU и шагов обучения, гиперпараметры – всё, что нужно для повторения эксперимента. В конце стоит фраза, которой нет в статьях полувековой давности: код, которым обучали и оценивали модели, опубликован на GitHub.

Знание структуры экономит время. Чтобы понять, чем работа отличается от предшественников, достаточно открыть раздел с обзором; чтобы взять число для сравнения – раздел результатов; чтобы повторить опыт – методы. Проверим, узнаются ли разделы по одному абзацу.

Теперь известно, как выглядит настоящая статья. Осталось выяснить, где её искать.

3. Где искать статьи, код, модели и данные

Проекту нужны источники трёх видов. Статьи показывают, как задачу решают другие. Код и готовые модели позволяют не начинать с нуля. Данные нужны, чтобы обучать и проверять. У каждого вида свои места хранения и свои способы поиска, поэтому сначала разложим их по типам.

3.1. Типы источников

Сервисы, с которыми придётся работать, различаются тем, что именно в них хранится: страница, описание статьи, её копия, первоисточник или файлы. От этого зависит и то, что в них находят, и то, чему в них нельзя верить без проверки.

Пройдём по этой таблице сверху вниз – от поисковой системы, с которой обычно начинают, к хранилищам кода и данных. На каждом сервисе повторим запрос-ловушку из раздела 1 и посмотрим, как он с ним справится.

3.2. Поисковые системы и агрегаторы: Google, Яндекс, КиберЛенинка

Поиск почти всегда начинается с универсальной поисковой системы – Google или Яндекса. Для первого знакомства с темой это разумно: поисковая система быстро покажет, как о теме пишут, какие термины употребляются, где опубликованы обзоры и учебные материалы. Научную литературу она видит хуже. Поисковый робот индексирует только то, что ему открыто: статьи за платным доступом и записи закрытых баз ему не видны. Порядок выдачи определяет не научная ценность работы, а популярность страницы и её приспособленность к поисковой системе, поэтому рядом с научными статьями оказываются студенческие рефераты, блоги и рекламные тексты.

Посмотрим, что поисковая система отвечает на запрос-ловушку (рис. 5). Первым в выдаче Google стоит «Обзор от ИИ», и рассуждает он почти как нейросеть «Алиса»: составление расписаний – задача удовлетворения ограничений, значит, WFC «можно успешно применять», и «его механика идеально ложится на распределение уроков, смен или встреч». Это рассуждение, а не исследование. Обзор ссылается на ResearchGate и ещё два источника, но работ, где WFC применён к расписаниям и результат проверен, не называет. Ниже идёт обычная выдача: статья на Хабре 2019 года и обсуждение на Reddit об устройстве самого алгоритма. Под вторым результатом поисковая система сама предупреждает: «Не найдено: составление расписаний».

Если искать в универсальной поисковой системе статьи по теме проекта, одним из первых результатов часто оказывается публикация на КиберЛенинке. КиберЛенинка – агрегатор, электронная библиотека открытого доступа: в ней 3 769 506 статей из журналов России и ближнего зарубежья, и все они открыты без регистрации, многие – по лицензии CC BY. Открытый полный текст и хорошая индексация и выводят её наверх выдачи; по данным самой библиотеки, она третья в мире электронная библиотека по видимости материалов в Google Академии. Для поиска это удобно. Но КиберЛенинка хранит копии статей, а не первоисточники, и в разделе 5.5 показано, что из этого следует для списка литературы.

3.3. Научные поисковые системы и каталоги: Google Академия, OpenAlex, Crossref

Научные поисковые системы ищут только научные работы и собирают их описания с сайтов журналов, издательств и репозиториев. Самая крупная из них – Google Академия (Google Scholar): по оценке 2019 года, в ней около 389 миллионов записей – больше, чем в любой другой из двенадцати сравнивавшихся научных поисковых систем и баз. У каждой найденной работы Google Академия показывает, сколько раз её процитировали и где опубликованы другие её версии; среди них часто находится открытая копия.

Google Академия ищет и по полным текстам, если они доступны её роботу, и на запросе-ловушке это хорошо видно (рис. 6). Точная фраза «wave function collapse» вместе со словом timetabling в работах 2022 года и позже даёт 12 результатов. Первый из них – о решении головоломки Tantrix с помощью WFC, дальше идут квантовая физика и существование Бога, квантовая гравитация, преподавание физики в школе, контроль за работой учителей. Коллапс волновой функции в этих текстах физический, а timetable – обычное расписание или график. Заметно и другое: рядом со статьями журналов стоят препринты с preprints.org и файлы с academia.edu. Google Академия собирает всё, что похоже на научную работу, и не проверяет, прошло ли оно рецензирование.

Под каждой находкой есть кнопка «Цитировать»: она выдаёт готовые записи в нескольких стилях, в том числе «ГОСТ», и выгрузку в BibTeX (рис. 7). Такую запись, как и любую автоматическую, сверяют с первоисточником. Вот запись «по ГОСТ» для статьи из журнала Electronics. Журнал нумерует не страницы, а статьи, и 2123 – номер статьи, а в записи он стоит как страница: «С. 2123». DOI у статьи есть – 10.3390/electronics14112123, – но в запись он не попал.

С ноября 2025 года у Google Академии есть режим с ИИ – «Лаборатория» (Scholar Labs). Она разбирает вопрос на темы и связи между ними, ищет по каждой и к каждой найденной статье пишет, чем та отвечает на вопрос; доступна «Лаборатория» тем, кто вошёл в учётную запись Google. Ей был задан тот же короткий запрос, хотя рассчитана она на развёрнутые вопросы, и она отобрала 10 работ (рис. 8). Каждая находка – документ из индекса Академии со ссылкой на текст, ничего не выдумано. Но «wave function collapse» «Лаборатория» поняла в квантовом смысле: квантовый «алгоритм светлячков» для планирования квантовых схем, планировщик задач, построенный по образцу квантовых алгоритмов, квантовая оптимизация расписания врачей. Ассистент, который опирается на поиск, статей не выдумывает, но может понять вопрос иначе, чем автор, и решать, о том ли находка, приходится читателю. Внизу страницы «Лаборатория» сама предупреждает: это экспериментальная функция, и в её работе возможны ошибки.

OpenAlex – открытый каталог научных публикаций, созданный в 2022 году на замену закрытому сервису Microsoft Academic Graph. Его данные открыты: их можно смотреть на сайте, скачать целиком или запрашивать через программный интерфейс (API); 12 октября 2026 года в каталоге было 326 806 755 работ. Проекту OpenAlex полезен тем, что его поиск точно настраивается (рис. 9). Обычный поиск на сайте не просматривает полные тексты и на запрос-ловушку отвечает, что результатов нет. В расширенном режиме условие собирают из частей – например, «полный текст содержит фразу „wave function collapse“ и слово timetabling», – и тогда находится 11 работ. Панели слева сразу показывают их тематику – квантовая механика, философия, ионные каналы – и то, что все они в открытом доступе. Работ о расписаниях среди них нет. Те же запросы можно отправлять из программы через API: так проверялась тема в разделе 1 и так построен граф в разделе 3.8.

Crossref – крупнейшее регистрационное агентство DOI: у него 187 567 443 записи о публикациях. Поиск по метаданным Crossref хорош, когда известен DOI или точное заглавие. Поиск по словам показывает, чем каталог отличается от ассистента (рис. 10). На запрос-ловушку Crossref находит полтора миллиона записей, и первыми идут книги о коллапсе волновой функции в квантовой физике. Каталог ничего не выдумывает, но и не различает «wave function collapse» в программировании и в физике; отбирать находки приходится самому.

Общее слабое место научных поисковых систем – автоматический сбор данных. Ни один каталог не полон, описания составляются программами, и в них встречаются ошибки, повторы и перепутанные авторы. Поэтому находку из каталога, как и любую другую, проверяют по первоисточнику.

3.4. eLIBRARY.RU и «Нейропоиск»

Научная электронная библиотека eLIBRARY.RU – крупнейший российский научный портал и основа Российского индекса научного цитирования (РИНЦ). 12 октября 2026 года на её главной странице значилось больше 80 миллионов научных публикаций и патентов, в том числе электронные версии более 5600 российских журналов, из них более 4800 – в открытом доступе; в РИНЦ – больше 22 миллионов публикаций российских учёных. Многие полные тексты открываются только после входа, поэтому зарегистрироваться стоит сразу.

Обычный поиск eLIBRARY ищет по словам и по умолчанию только в начале статьи: в названии, аннотации и ключевых словах (рис. 11). Поиск по полному тексту включается отдельным флажком.

У поиска по словам есть слабое место – омонимы. На запрос о коллапсе волновой функции eLIBRARY находит 1146 работ из 82 миллионов (рис. 12). Рядом с докладами о процедурной генерации игровых уровней стоят статьи о сознании и квантовой механике: слова совпадают, смысл – нет.

«Нейропоиск» – ссылка в панели «Поиск» на любой странице eLIBRARY – ищет по смыслу. В его поле вставляют не ключевые слова, а текст: аннотацию, абзац или статью целиком, не короче 50 символов. Подсказка в форме прямо говорит: чем длиннее текст, тем точнее нейросеть определит тематику (рис. 13). Результаты можно ограничить годами, датой размещения, типом публикации и вхождением в РИНЦ или его ядро, отсортировать по тематической близости и сохранить в подборку.

Какая нейросеть за этим стоит, на самой странице не сказано. О запуске сервиса сообщали МГУ и eLIBRARY: поиск близких по тематике публикаций работает на модели SciRus-tiny, обученной в Институте искусственного интеллекта МГУ на данных eLIBRARY. Модель строит для научного текста семантическое векторное представление (эмбеддинг), в котором близкие по смыслу тексты оказываются рядом. Как именно сервис использует эти векторы, eLIBRARY не раскрывает; о самой модели речь пойдёт в разделе 3.10.

Для проверки «Нейропоиска» нужен текст-запрос. Он остался от разговора с нейросетью «Алиса». В конце ответа из раздела 1.2 она предложила разобрать любую из статей подробнее, и её попросили привести аннотацию.

Нейросеть не ограничилась списком. Она сочинила содержание несуществующей статьи и сослалась при этом на сайт Делфтского технического университета. На вопрос о языке она ответила, что «перевела» аннотацию, и выдала «оригинал». Каждый следующий ответ согласован с предыдущими, и подделка от этого выглядит убедительнее. Проверить «оригинальную аннотацию» нельзя ничем, кроме поиска самой статьи, а статьи нет.

Выдуманная аннотация при этом остаётся связным текстом о гибридных методах составления расписаний, то есть годится как запрос для поиска по смыслу. Вставим её английский вариант в поле «Нейропоиска». Сервис нашёл 27 публикаций, и все они настоящие (рис. 14): гибридные алгоритмы составления расписаний в университетах, локальный поиск, метаэвристики, статьи в Journal of Scheduling, Applied Intelligence, Expert Systems with Applications. О WFC среди них нет ни одной, потому что таких работ нет. Подделка была правдоподобной смесью известных идей, и поиск по смыслу привёл к настоящим работам об этих идеях. Это и есть честный ответ на исходный вопрос: о составлении расписаний гибридными методами пишут много, но без WFC.

Откроем первую находку – статью 2006 года из Journal of Scheduling (рис. 15). Страница публикации собирает всё, о чём шла речь в разделе 2.1: заглавие, авторов с организациями, значок конверта у автора, которому можно написать, ключевые слова, аннотацию. Над ними стоят идентификаторы: номер в eLIBRARY, EDN и DOI. В блоке журнала – отметки о том, в какие списки он входит (о них – раздел 4.3), ниже – число цитирований в РИНЦ и в его ядре. Справа расположены инструменты: «Найти близкие по тематике публикации», «Список статей в Google Академии, цитирующих данную» и «Ссылка для цитирования».

Ограничение eLIBRARY – оборотная сторона её полноты. Библиотека индексирует почти всё, что выходит в России, в том числе журналы, которые печатают статьи за плату почти без рецензирования, поэтому само присутствие статьи на eLIBRARY о её качестве ничего не говорит. О качестве говорит журнал, и как его оценить, разобрано в разделе 4.3.

Бывает, что статья нашлась, а полный текст закрыт платным доступом. Тогда остаётся обратиться к авторам.

3.5. ResearchGate: копии статей от авторов

ResearchGate – социальная сеть исследователей, основанная в 2008 году в Берлине. Учёные заводят там страницы, размещают свои статьи, задают вопросы коллегам и следят за работами друг друга. Студенту в ResearchGate важнее всего кнопка запроса полного текста: копию статьи можно попросить у самого автора, и авторы часто отвечают. Написать можно и напрямую – адрес для переписки обычно стоит в начале статьи.

Открытость ResearchGate обернулась судебным спором. Пользователи размещали статьи, права на которые принадлежали издательствам, и в 2017 году Американское химическое общество и Elsevier подали на ResearchGate в суд. В январе 2022 года суд Мюнхена признал платформу ответственной за статьи, загруженные в нарушение авторского права. В сентябре 2023 года стороны договорились: теперь при загрузке ResearchGate проверяет сведения о правах, и от них зависит, как можно распространять текст. Рейтинг RG Score, которым платформа прежде оценивала учёных, в 2022 году отменили.

Ограничение ResearchGate – версии текста. Там часто размещена не итоговая статья, а рукопись – до рецензирования или после него, но до редакторской правки, – и нумерация страниц, а иногда и текст отличаются от журнальных. ResearchGate, как и КиберЛенинка, хранит копию, а ссылаются на журнал.

3.6. Сайты журналов и arXiv

Первоисточник статьи – сайт журнала или издательства. Только там находится итоговая версия с выпуском, страницами и DOI, а часто и готовая запись для цитирования. Полный текст бывает платным, но начало статьи – заглавие, авторы, аннотация – открыто и там.

В машинном обучении новые работы появляются раньше журналов – на arXiv. Это архив препринтов, основанный в 1991 году; десятилетиями его поддерживал Корнеллский университет, а в 2026 году arXiv стал независимой некоммерческой организацией. Сейчас в нём почти 2,4 миллиона статей по физике, математике, информатике и смежным наукам. Препринт – статья, которую авторы опубликовали сами, до рецензирования или параллельно с ним. Главное о препринтах arXiv сообщает на своей главной странице: материалы он не рецензирует, а модераторы проверяют только, что это научная работа по теме раздела. Поток текстов, написанных с помощью ИИ, заставил ужесточить и эту проверку. С 31 октября 2025 года обзоры и статьи-позиции в разделе Computer Science принимают, только если они уже прошли рецензирование в журнале или на конференции.

На странице препринта видно, чем он отличается от журнальной статьи: у него есть версии (рис. 16). Статью о трансформере размещали семь раз, с июня 2017 по август 2023 года, и ссылка без номера версии ведёт на последнюю. Там же указаны идентификатор arXiv, DOI вида 10.48550/arXiv… и кнопка выгрузки записи в BibTeX.

У препринта два ограничения. Он может так и не пройти рецензирование, а может выйти в журнале с исправлениями, поэтому перед ссылкой стоит поискать опубликованную версию. Авторы иногда указывают её на странице arXiv в полях Journal reference и Related DOI, но заполняют их не всегда. У статьи о трансформере этих полей нет, хотя внизу первой страницы её PDF написано, что она представлена на конференции NIPS 2017 (рис. 2). Опубликованную версию надёжнее искать по заглавию в Google Академии или OpenAlex.

Статей в архиве так много, что читать их подряд невозможно. Поэтому вокруг arXiv появились инструменты, которые помогают разбирать статьи. Один из самых заметных – alphaXiv.

3.7. alphaXiv: ассистент для работы с препринтами

alphaXiv – сервис для чтения и обсуждения статей arXiv. Его начали студенты Стэнфордского университета как площадку для комментариев к препринтам; компания основана в 2024 году, а в ноябре 2025 года привлекла 7 миллионов долларов инвестиций. Это отдельная компания, а не часть arXiv, но она участвует в программе arXivLabs, и переход к ней встроен в страницу каждого препринта. Сегодня alphaXiv – прежде всего ассистент: пересказывает статью, отвечает на вопросы по ней и ищет по архиву. Работает он только со статьями arXiv – по всем разделам, а не только по машинному обучению; статьи из журналов и других архивов в него не входят, но собственный файл PDF можно загрузить.

Как открыть статью. Способов три. Самый быстрый – заменить в адресе arxiv на alphaxiv: arxiv.org/abs/1706.03762 превращается в alphaxiv.org/abs/1706.03762 (рис. 17). Второй – переключатель alphaXiv на странице препринта, во вкладке Code, Data, Media. Третий – расширение для браузера, которое открывает ссылки на arXiv сразу в alphaXiv. Читать страницу статьи можно без учётной записи.

Страница статьи. Главный её блок – AI Overview, пересказ статьи с рисунками и таблицами из оригинала. После утверждений в нём стоят пометки вида [p8]: это страница, на которой утверждение находится в статье, и по пометке можно перейти. Пересказ переводится на русский язык: достаточно добавить в адрес ru – alphaxiv.org/ru/abs/1706.03762. На той же странице находятся аудиоверсия, похожие статьи, ссылка на репозиторий с кодом, кнопка Cite с записью BibTeX и обсуждение, где комментарий можно привязать к месту в тексте.

Вопросы по статье. Кнопка Ask the assistant открывает чат; для него нужна учётная запись. Можно спросить о статье в целом, а можно выделить фрагмент в PDF и спросить о нём. Спросим, какие ограничения трансформера называют сами авторы и на каких страницах (рис. 18). Ассистент перечисляет четыре: квадратичную сложность самовнимания на длинных последовательностях, внимание в ограниченном окне как направление будущей работы, потерю разрешения из-за усреднения и последовательную генерацию. У каждого пункта указаны страницы и ссылка на нужное место статьи – это и делает ответ проверяемым. Сверка с PDF подтверждает: о сложности сказано на с. 6–7, об окне – на с. 7, о потере разрешения – на с. 2, о последовательной генерации как задаче на будущее – на с. 10.

Несколько статей и весь архив. Знак «@» в поле ввода добавляет в разговор другую статью: так сравнивают методы и результаты двух работ. На главной странице вопрос задают всему архиву; заготовка Grounded literature review строит обзор литературы по найденным статьям. Ей был задан тот же запрос-ловушка, что и нейросети «Алиса» (рис. 19). Ответ начинается так: «I can’t verify a peer-reviewed paper published from 2018–2025 that directly applies Wave Function Collapse (WFC) to timetabling or scheduling» – подтвердить такую работу ассистент не может. Он предлагает две смежные работы – о применении WFC к раскраске графов и к задаче о покрытии множества, – оговаривает, что это не расписания и что их рецензирование он подтвердить не может, и заключает: строгий список пуст. Ниже показаны найденные настоящие работы о расписаниях 2018–2025 годов, и каждую можно открыть. Ассистент отвечает по найденным статьям, которые видит и читатель, а не по памяти, поэтому ответ можно проверить.

Порядок работы со статьёй. Подробного руководства у сервиса нет; порядок ниже собран из советов его разработчиков и опыта пользователей.

1. Открыть статью заменой адреса и прочитать AI Overview: за несколько минут становится понятно, нужна ли статья проекту.
2. Перейти по двум-трём пометкам страниц и сверить пересказ с текстом. Если пересказ расходится со статьёй, дальше читать саму статью.
3. Задать ассистенту вопросы, ответ на которые содержит страницу: какие ограничения называют авторы, чем метод отличается от прежних, на каких данных и каким показателем измерено качество.
4. Через «@» добавить вторую статью и попросить сравнить методы или результаты.
5. Для новой темы начинать новый чат: в длинном разговоре каждый вопрос заново передаёт модели всю историю, и бесплатный лимит расходуется быстрее.
6. Взять запись BibTeX кнопкой Cite и исправить её по первоисточнику.

Что проверять. Автоматические привязки ошибаются, и статья о трансформере показывает это трижды (рис. 17). Первой среди организаций авторов названа DeepMind, которой в статье нет: там Google Brain, вошедшая в Google DeepMind только в 2023 году, а аффилиация – это место, где сделана работа (раздел 2.1). К статье привязан общий репозиторий библиотеки tensorflow/tensorflow, хотя код из статьи опубликован в tensor2tensor. В записи BibTeX стоит 2023 год – дата седьмой версии, а не первой публикации 2017 года. Пересказ тоже не безошибочен: об ошибках в нём сообщали авторы пересказанных статей, а сами разработчики предупреждают, что текст, созданный языковой моделью, всегда может содержать ошибки. В октябре 2025 года после смены модели ассистент некоторое время называл несуществующие статьи, и изменение пришлось отменить. Пометка страницы поэтому – приглашение проверить, а не доказательство.

Есть и ограничения другого рода. У бесплатного плана есть лимиты расхода – на пять часов и на неделю, а модель выбирается из трёх готовых режимов; платные планы появились в апреле 2026 года, но оплатить их из России нельзя. Вопросы, выделенные фрагменты и загруженные файлы передаются поставщикам языковых моделей, поэтому неопубликованные рукописи и чужие персональные данные в сервис не загружают. Интерфейс меняется быстро: за полтора года сменились названия разделов, и любая инструкция со снимками экрана устаревает за несколько месяцев.

Бесплатные аналоги. alphaXiv – не единственный инструмент такого рода. Главное, чем они различаются, – показывает ли ответ место в оригинале, по которому его можно проверить.

Сайт Papers with Code, где много лет собирали статьи по машинному обучению вместе с кодом и таблицами результатов, закрыт: его адрес теперь ведёт на раздел статей Hugging Face. Универсальные ассистенты из последней строки таблицы – те самые, с которых начался раздел 1: когда они отвечают без опоры на найденный текст, проверка ложится на читателя целиком.

Ассистенты помогают читать найденное. Следующий способ помогает находить то, что по словам не ищется.

3.8. Граф цитирования: поиск по связям между статьями

Все способы поиска, разобранные выше, начинаются со слов: запроса, аннотации, вопроса ассистенту. Есть способ, которому слова не нужны: достаточно одной подходящей статьи. У неё есть список литературы – работы, на которые она опирается, – и есть работы, которые позже сослались на неё. Если статьи считать вершинами, а ссылки – стрелками, получится граф цитирования, и по нему можно двигаться в обе стороны.

Движение назад, по списку литературы, приводит к основаниям темы: обзорам, учебникам, работам, с которых она началась. Движение вперёд, по цитирующим работам, показывает, как идею развили и куда её перенесли. Такой поиск называют «снежным комом»: от исходной статьи переходят к связанным с ней, от них – к следующим, пока не перестанут появляться новые работы по теме. Главное достоинство способа – независимость от терминов. Работу, где та же задача названа другими словами, поиск по словам пропустит, а ссылка на неё в списке литературы останется.

Построим граф для статьи 2017 года, в которой показано, что WFC решает задачу с ограничениями (рис. 20). Данные взяты из каталога OpenAlex 13 октября 2026 года. В списке литературы статьи 28 записей, и 16 из них каталог распознал как научные работы: учебник по искусственному интеллекту, статьи о синтезе текстур, обзор методов процедурной генерации. Остальные записи – репозитории, игры и страницы в интернете – в каталог не входят. Цитируют статью 90 работ 2018–2026 годов. Между этими 107 работами 356 ссылок: цитирующие работы ссылаются не только на исходную статью, но и друг на друга, и на её источники.

Рисунок сообщает три вещи. Крупные кружки – работы, на которые чаще всего ссылаются внутри графа; с них и стоит начинать чтение. Цвет показывает, куда идея разошлась: 59 из 90 цитирующих работ относятся к играм и процедурной генерации, 9 – к архитектуре и проектированию, остальные – к компьютерной графике и другим областям. Алгоритм применяли к планировке парковок и сельской застройки, к сочинению музыки, к задаче о ближайшей строке. Наконец, видно, чего на графе нет: ни одна из 90 работ не посвящена составлению расписаний.

Ту же проверку можно провести с другой стороны. Обзор методов составления расписаний 1999 года, автора которого нейросеть «Алиса» вписала в свой список, цитируют 654 работы. Работ, которые ссылаются и на этот обзор, и на статью о WFC, в каталоге нет (рис. 21). Среди работ, цитирующих обзор, каталог не нашёл и таких, где слова wave function collapse встречались бы в названии, аннотации или доступном ему полном тексте. Две литературы не пересекаются.

Граф цитирования даёт на запрос-ловушку тот же ответ, что и поиск по словам, но приходит к нему иначе: не «слова не встретились», а «никто не связал эти работы». Заодно он показывает ближайшую находку. Журнальную статью тех же авторов о WFC цитирует работа 2025 года, в аннотации которой есть слово scheduling. В ней учебные задачи для обучения с подкреплением, в том числе задачи составления расписаний, порождаются логическим программированием в ограничениях; о применении WFC в аннотации не говорится. Что именно сказано о WFC в тексте, можно узнать, только прочитав статью, и это уже следующий уровень проверки (раздел 4.1).

Насколько способ полезен, измеряли при подготовке обзоров литературы. В одном медицинском обзоре только 30 % из 495 источников нашлись поиском по заранее составленным запросам, а 51 % – движением по ссылкам. В программной инженерии поиск по базе в сочетании с движением по ссылкам дал на 30 % больше работ, чем один поиск по базе. Есть и обратные примеры, где поиск по цитированиям почти ничего не добавил к поиску по словам. Общий вывод исследований один: способы не заменяют, а дополняют друг друга.

Инструменты строят графы двух видов. Граф прямого цитирования, как на рис. 20, соединяет работы, одна из которых ссылается на другую. Граф похожести соединяет работы, у которых много общего. Мер общности две: библиографическое сочетание – две работы ссылаются на одни и те же источники – и коцитирование – две работы вместе цитируются более поздними; вторую меру в 1973 году независимо предложили в США и в СССР. В графе похожести рядом оказываются и работы, которые друг на друга не ссылаются: две группы решали одну задачу независимо, но опирались на общих предшественников.

Порядок работы покажем на Connected Papers: у него самый короткий путь от статьи до картинки.

1. В строку поиска вводят DOI, заглавие или адрес статьи на arXiv, выбирают статью в выдаче и нажимают Build a graph. Если у статьи слишком мало связей, сервис сообщает об этом; тогда берут более раннюю работу по той же теме.
2. Читают рисунок. Работы расположены по похожести, а не по цитированию: сервис сам предупреждает, что это не дерево цитирований. Размер кружка – число цитирований, цвет – год, плотные группы – самые близкие работы.
3. Открывают вкладку Prior works: работы, на которые чаще всего ссылаются статьи графа. Обычно это основания области.
4. Открывают вкладку Derivative works: работы, которые процитировали многие статьи графа. Обычно это обзоры и недавние исследования.
5. Кнопкой Download сохраняют список в формате BibTeX и переносят его в свою библиографию.

Тот же обход выполняется и без графических инструментов. В Google Академии ссылка «Цитируется» ведёт вперёд, список литературы самой статьи – назад. В OpenAlex для этого служат два фильтра; запросы возвращают данные в формате JSON, и из них построен рис. 20:

https://api.openalex.org/works/doi:10.1145/3102071.3110566      # карточка статьи и её идентификатор W2752727877
https://api.openalex.org/works?filter=cites:W2752727877         # вперёд: кто цитирует статью
https://api.openalex.org/works?filter=cited_by:W2752727877      # назад: список литературы статьи

Название второго фильтра легко понять наоборот: cited_by возвращает не цитирующие работы, а те, на которые ссылается статья. С 2026 года у программного интерфейса OpenAlex есть дневной лимит: получить карточку одной работы можно бесплатно, а запросы-списки и поиск расходуют лимит, который вдесятеро больше у тех, кто получил бесплатный ключ.

У поиска по связям четыре ограничения.

• Новые работы. У статьи, вышедшей недавно, цитирований ещё нет, и движение вперёд от неё ничего не даёт.
• Исходная статья. Ссылаются охотнее на своих: обход, начатый с работы одной научной группы, может замкнуться внутри неё. Поэтому исходных статей берут несколько и из разных источников.
• Полнота базы. Граф не лучше данных, на которых построен. Статью о WFC по OpenAlex цитируют 90 работ, по Crossref – 75; из 28 записей её списка литературы каталог распознал 16.
• Смысл ссылки. Цитирование не означает согласия, а размер кружка говорит об известности работы, а не о её правоте: обзоры и описания методов цитируют чаще всего.

Статья редко существует одна: рядом с ней публикуют код, обученные модели и данные. У них свои хранилища, и разбирать их удобнее по отдельности.

3.9. Код: GitHub

GitHub – крупнейшее хранилище открытого кода. Проекту он нужен как источник реализаций: код статьи чаще всего опубликован именно там, и ссылка на него стоит в самой статье, как у трансформера. В репозитории смотрят три вещи. Файл README объясняет, что это и как запустить. Файл LICENSE определяет, можно ли использовать код в своём проекте. История изменений показывает, развивается ли проект. Если автор добавил в репозиторий файл CITATION.cff, GitHub показывает ссылку Cite this repository с готовой записью в форматах APA и BibTeX.

Посмотрим на репозиторий самого алгоритма WFC (рис. 22). Справа расположены описание, метки тем, ссылки Readme и License, Cite this repository и счётчики: 25,4 тысячи звёзд, 1,4 тысячи копий (forks). В списке файлов есть README.md, LICENSE и CITATION.cff, вверху – 158 изменений (commits), последнее сделано семь месяцев назад: проект поддерживается. У ссылки на лицензию нет названия, потому что GitHub не смог определить её автоматически. Причина – в самом файле LICENSE: это лицензия MIT с припиской о том, что образцы изображений и наборы плиток в программу не входят. На код лицензия MIT распространяется, а на изображения из папок samples и tilesets – нет, и условия их использования приходится выяснять отдельно. Ссылку Cite this repository GitHub строит по файлу CITATION.cff: автор – Максим Гумин, заглавие – Wave Function Collapse Algorithm, версия 1.0, 2016 год, и просьба ссылаться, если WFC используется в исследовании.

Как искать. Поиск GitHub понимает уточнения, которые пишутся прямо в строке запроса: topic: – тема, language: – язык, license: – лицензия, stars:>=100 – число звёзд, pushed:>2025-01-01 – дата последнего изменения, archived:false – только действующие проекты. Запрос topic:procedural-generation language:c# pushed:>2025-01-01 13 октября 2026 года находил 320 репозиториев, и первым по числу звёзд шёл репозиторий WFC. Тему при этом назначает сам владелец репозитория, а сортировка по звёздам поднимает популярное, а не подходящее.

Что проверять. Звёзды говорят о популярности, а не о качестве, и к тому же подделываются. Исследование, опубликованное в 2026 году, насчитало на GitHub шесть миллионов предположительно накрученных звёзд; чаще всего накрутка продвигала недолговечные репозитории с вредоносными программами. О безопасности рейтинг тоже не говорит: как распознать подделку и где запускать незнакомый код, сказано в предостережении из раздела 3.10. О качестве проекта надёжнее судить по другому. Репозиторий с пометкой Archived больше не развивается: в архиве находится, например, библиотека сред для обучения с подкреплением openai/gym, которую сменила Gymnasium. Устаревают и подборки ссылок: у архивной подборки awesome-unity звёзд вдвое больше, чем у действующей awesome-gamedev. Главное же – лицензия. Если её нет, пользоваться кодом нельзя: открытый доступ к тексту программы разрешением не является.

Как ссылаться. Если в репозитории есть ссылка Cite this repository, запись берут оттуда. Для постоянной ссылки на конкретную версию у кода есть два средства. GitHub связан с архивом Zenodo: автор включает репозиторий в настройках Zenodo, и каждый новый выпуск (release) получает собственный DOI. Архив исходного кода Software Heritage присваивает файлам и версиям идентификаторы SWHID, которые сохраняются, даже если репозиторий удалён. В записи указывают создателя, название, версию, год, лицензию и адрес (раздел 5.6).

GitHub – не единственное хранилище кода. В России действуют GitVerse, Мос.Хаб и GitFlic; проверяют в них то же самое – описание, лицензию и историю изменений.

3.10. Модели: Hugging Face

Hugging Face – крупнейшее хранилище открытых моделей машинного обучения. Его основа – Hub, общий каталог моделей, наборов данных и демонстрационных приложений (Spaces): 12 октября 2026 года в нём было 3 144 453 модели и 1 086 201 набор данных. Модель в каталоге сопровождает описание – карточка модели (model card), а набор данных – карточка набора (dataset card). Идея таких описаний пришла из исследовательских статей конца 2010-х годов: для каждой модели предлагалось указывать, для чего она обучена, на каких данных, как оценена и где её нельзя применять, и так же описывать наборы данных.

Хорошая карточка заранее отвечает на вопросы, которые иначе прозвучат на защите. Какая у модели лицензия и можно ли использовать её в проекте? На каких данных и для каких языков она обучена? Как и на чём измерено качество, какие у модели ограничения, как на неё ссылаться?

Пример – модель SciRus-tiny, на которой работает «Нейропоиск» из раздела 3.4 (рис. 23). Её страница сообщает лицензию MIT, языки – русский и английский, размер – 23,4 миллиона параметров – и число скачиваний за последний месяц. В описании сказано, что модель обучена на данных eLIBRARY; ниже приведены код для получения векторов, ссылка на набор тестов ruSciBench и готовая библиографическая запись статьи в журнале Doklady Mathematics, где модель описана.

Что проверять. По карточке модели проверяют четыре вещи: лицензию, данные обучения, показатели качества и происхождение. Происхождение видно в блоке Model tree: он показывает, от какой модели произошла данная и какие модели получены из неё. Число скачиваний и отметок «нравится» измеряет популярность, а не качество. Описание пишет автор, и его никто не рецензирует, поэтому заявленное качество проверяют на своих данных. «Открытая» модель может запрещать коммерческое использование или требовать указания авторства, а доступ к некоторым моделям открывается только по запросу, и автор вправе его отозвать.

Есть и техническое правило. Веса моделей распространяются в двух форматах. Старый, на основе pickle, при загрузке файла может выполнить произвольный код; Hugging Face проверяет такие файлы, но сам предупреждает, что проверка не даёт полной гарантии. Формат safetensors хранит только числа. При выборе берут файлы .safetensors. Это частный случай общей опасности, которая относится и к коду из раздела 3.9.

Как ссылаться. В карточке модели обычно есть раздел Citation с записью, которую просят использовать авторы; чаще всего это статья. В список источников входят и статья, и адрес самой модели: модель – то, чем пользовались, статья – основание считать, что модель работает. Hugging Face умеет присваивать модели или набору данных DOI, но пользуются этим редко: на три миллиона моделей и миллион наборов данных зарегистрировано около одиннадцати тысяч таких идентификаторов.

Модели хранятся не только на Hugging Face. В Kaggle Models в 2023 году перенесён каталог TensorFlow Hub. Раздел Keras Applications содержит модели для распознавания изображений вместе с таблицей их точности на наборе ImageNet – готовой точкой сравнения для главы 3 отчёта. Российские модели на Hugging Face публикуют организации ai-forever, ai-sage и yandex.

3.11. Наборы данных: Kaggle и хранилища с DOI

Kaggle появился в 2010 году как площадка соревнований по анализу данных: компания публикует данные и задачу, участники соревнуются в точности моделей, лучшие получают призы. В 2017 году площадку купила Google. Сейчас Kaggle описывает себя как испытательную площадку для ИИ (The World’s AI Proving Ground): кроме соревнований, там открытые наборы данных, блокноты с кодом (notebooks), модели, наборы тестов и курсы. Проекту Kaggle полезен в двух отношениях. Во-первых, это источник данных: почти по любой теме найдётся набор, а рядом – чужие блокноты, где его уже загрузили, очистили и использовали для обучения. Во-вторых, это точка сравнения: если по задаче проекта проводилось соревнование, его таблица результатов показывает, какого качества достигают лучшие решения. Это довод для актуальности и ориентир для сравнения в главе 3 отчёта.

Главное, что проверяют на Kaggle, – происхождение данных. Многие наборы пользователь скачал в другом месте и опубликовал под своим именем, иногда без лицензии и без ссылки на источник. Поэтому в описании набора важнее всего, кто собрал данные, откуда они, под какой лицензией распространяются и когда обновлялись, а ссылаться нужно на первоисточник данных.

Пример – набор Movie Dialog Corpus (рис. 24): 220 579 обменов репликами между персонажами 617 фильмов. Страница принадлежит организации Cornell University, но создал её не автор корпуса, и обновлялась она в 2017 году. Оценка пригодности (Usability) – 8,24 из 10, лицензия – «Other (specified in description)», хотя в описании о лицензии ничего не сказано. В конце описания указано, что файлы переведены в другой формат и в них возможны ошибки, а статья и актуальные данные находятся на странице корпуса в Корнеллском университете. Это и есть первоисточник: корпус выпущен вместе со статьёй 2011 года, и ссылаться нужно на страницу корпуса и на эту статью. Заодно видно, что означает оценка пригодности: она показывает полноту описания, а не качество и не происхождение данных.

Чужие блокноты тоже требуют осторожности. Это не рецензированные работы: в них встречаются ошибки, попадание проверочных данных в обучающие и подгонка под открытую таблицу результатов.

Копии и первоисточники. Случай с корпусом диалогов – не исключение, а правило: набор на Kaggle или Hugging Face чаще всего представляет собой копию, и лицензию на её странице указал тот, кто копию загрузил. У набора рукописных цифр MNIST документация Keras называет лицензию CC BY-SA 3.0, а копия на Hugging Face – лицензию MIT, и это разные лицензии с разными обязательствами. Набор фотографий лиц CelebA его создатели разрешают использовать только в некоммерческих исследованиях и запрещают распространять дальше; из 25 самых скачиваемых наборов с этими фотографиями на Hugging Face у 18 лицензия не указана вовсе, а у трёх стоит MIT. Исследование 2024 года нашло на Kaggle 640 наборов, связанных с одной коллекцией медицинских снимков: исходная коллекция занимает 38 гигабайт, наборы на Kaggle – 2,35 терабайта, и у нескольких самых скачиваемых не указаны ни источник, ни лицензия.

Первоисточник ищут так.

1. В описании набора находят разделы об источнике, происхождении и цитировании. Если их нет, это плохой признак.
2. Ищут название набора вместе со словами dataset paper или official: у настоящего набора есть статья с описанием и страница авторов – университета, лаборатории, организации.
3. Сравнивают лицензию копии и лицензию авторов. При расхождении действуют условия авторов.
4. Сравнивают содержимое: число объектов, разбиение на части, версию. Копия бывает неполной или изменённой.
5. В списке источников ссылаются на статью авторов и их страницу; копию упоминают как место, откуда данные фактически получены.

Хранилища с DOI. Для ссылки удобнее наборы, у которых есть постоянный идентификатор. Zenodo – общее хранилище Европейской организации по ядерным исследованиям (ЦЕРН): каждая опубликованная запись получает DOI. В репозитории машинного обучения Калифорнийского университета в Ирвайне (UCI) 689 классических наборов с указанием DOI и лицензии. На Kaggle получить DOI тоже можно, но есть он примерно у одного набора из десяти. Искать наборы независимо от места хранения помогает Google Dataset Search, а подобрать хранилище по области знаний – реестр re3data. Данные соревнований Kaggle открытыми не считаются: их условия заданы правилами соревнования, которые принимают до скачивания.

Российские открытые данные публикуют портал открытых данных Москвы (data.mos.ru, 1246 наборов) и Единая межведомственная информационно-статистическая система (fedstat.ru, 8971 показатель). Федеральный портал data.gov.ru после двухлетнего перерыва возобновил работу в июле 2025 года, но наборов на нём в несколько раз меньше, чем до закрытия, и многие устарели.

Код, модели и данные разобраны по отдельности. Проекту нужны не все они сразу, и набор источников зависит от траектории.

3.12. Что искать проектам разных траекторий

Структура отчёта у всех траекторий одна, и каждая находка занимает в ней определённое место (справка «Структура отчёта и ВКР»). Сведения о масштабе задачи идут во введение, в обоснование актуальности. Статьи, репозитории и готовые модели, решающие ту же задачу, – в главу 1, в обзор аналогов. Использованные библиотеки, модели, данные и ассеты вместе с их лицензиями – в главу 2. Результаты, с которыми сравнивается собственный, – в главу 3. Всё, на что есть отсылка в тексте, попадает в список источников. Что именно искать, зависит от траектории.

Строки таблицы различаются, а правило одно: у каждой находки выясняют создателя, версию, лицензию и первоисточник. Для игры это означает таблицу использованных ассетов «название – автор – источник – лицензия» в главе 2, для нейросети – ссылку на статью о модели и на набор данных, для параллельной программы – описание оборудования, на котором получены числа.

Источник найден. Прежде чем на него ссылаться, нужно убедиться, что он существует и что в нём сказано именно то, ради чего он нужен.

4. Верификация источников

Верификация – проверка того, что источник существует, что это именно тот источник, который назван в записи, и что в нём сказано то, ради чего на него ссылаются. Без неё найденное остаётся подсказкой. В разделе 1 список нейросети «Алиса» проверялся по DOI; теперь разберём проверку целиком: что проверять, чем и в каком порядке.

4.1. Общее правило и шесть уровней проверки

Правило состоит из двух требований, и оба необходимы. Первое обращено к нейросети или к тому, кто составил список: запись без адреса не принимается. Заглавие, авторы и журнал, как показал раздел 1, подделываются легко, а адрес либо открывается, либо нет. Второе требование обращено к человеку: адрес нужно открыть самому. Нейросеть, которую попросили проверить собственный список, нередко подтверждает его; об этом говорится в разделе 4.5.

Переход по адресу – начало проверки. Полная проверка проходит шесть уровней (рис. 25), и запись, не прошедшая хотя бы один из них, в список в прежнем виде не попадает.

Первые три уровня отвечают на вопрос, существует ли источник, четвёртый – на вопрос, годится ли он. Нейросеть «Алиса» сослалась на настоящую статью с КиберЛенинки, чтобы подтвердить, что WFC применяют к расписаниям; статья существует, но такого утверждения в ней нет. Ошибку четвёртого уровня не обнаружит ни одна проверка идентификаторов.

Разберём уровни по порядку, начиная с идентификаторов.

4.2. DOI и другие идентификаторы

DOI (Digital Object Identifier, цифровой идентификатор объекта) – постоянный идентификатор публикации. Адрес статьи на сайте издательства может измениться, а DOI остаётся: ссылка https://doi.org/ + DOI ведёт туда, где статья находится сейчас. Выдают DOI регистрационные агентства. Самое крупное из них – Crossref: через него регистрируют DOI большинство журналов. Наборы данных, программы и препринты arXiv чаще регистрируют в DataCite; так, у статьи о трансформере на arXiv DOI 10.48550/arXiv.1706.03762. В России у eLIBRARY есть собственный идентификатор – EDN; его получили больше 70 миллионов публикаций.

Отсюда две тонкости. Если DOI не нашёлся в Crossref, это ещё не подделка: он может быть зарегистрирован в DataCite, поэтому надёжнее спрашивать сервис doi.org – ему известны DOI всех агентств. Вторая тонкость обратная. По данным eLIBRARY.RU, в последние годы около четверти DOI, присвоенных статьям российских журналов, не зарегистрированы ни в Crossref, ни в DataCite: издатели присваивают коды, но пока не могут их зарегистрировать. Напечатанный в статье DOI может не открываться, хотя статья настоящая, и тогда её ищут по журналу, выпуску и EDN.

У книг DOI чаще всего нет. Их проверяют по ISBN и по библиотечным каталогам: Российской государственной библиотеки (search.rsl.ru), Российской национальной библиотеки (primo.nlr.ru), сводного каталога WorldCat. Заглавие вводят в кавычках: без них каталог РГБ ищет и по полным текстам и выдаёт тысячи посторонних записей. Запрос можно уточнить по полям – title:(…), author:(…), isbn:(…). У старых изданий ISBN может не быть, и тогда остаётся поиск по заглавию, автору и издательству. Именно так проверялась выдуманная книга из раздела 1.4: каталог показал, что издательство существует и книги за нужный год в нём есть, но этой среди них нет.

4.3. Статус статьи и уровень журнала

Пятый уровень – статус. Статьи отзывают за ошибки, плагиат, подделку данных, и после отзыва (ретракции) ссылаться на них как на достоверные нельзя. Крупнейшая открытая база отозванных статей – Retraction Watch Database: в 2023 году её приобрёл Crossref и открыл для всех. eLIBRARY.RU помечает отозванные публикации и добавляет отметку о ретракции в ссылку на них. К статусу относится и вопрос о версии: у препринта может быть опубликованная версия, и ссылаются на неё (раздел 3.6).

Шестой уровень – издание. О российских и многих зарубежных журналах сообщают несколько списков, и отметки о них видны прямо на странице статьи в eLIBRARY (рис. 15).

• Перечень ВАК – список рецензируемых научных изданий, в которых должны публиковаться основные результаты диссертаций. С конца 2022 года журналы в нём делятся на категории: К1 – первые 25 % по интегральному показателю, К2 – следующие 50 %, К3 – оставшиеся 25 %.
• «Белый список» – перечень журналов, который составляет Российский центр научной информации; уровни журналам присваивает межведомственная рабочая группа при Минобрнауки. Сейчас на его основе складывается Единый государственный перечень научных изданий (ЕГПНИ): российская часть – 3125 журналов с уровнями от У1 до У4 – утверждена в сентябре 2025 года, а для зарубежных журналов пока действует прежний «Белый список». Поэтому на странице eLIBRARY это две отдельные строки.
• Ядро РИНЦ – самые авторитетные издания из базы РИНЦ: журналы, индексируемые в Web of Science и Scopus, и журналы RSCI – около тысячи российских журналов, отобранных экспертами. В отличие от «Белого списка», ядро РИНЦ – не только перечень журналов, но и база цитирований: по ней видно, кто и сколько раз процитировал статью.

Прочитаем отметки на рис. 15. Journal of Scheduling входит в Web of Science и Scopus, во второй уровень «Белого списка» и в ядро РИНЦ, а в перечне ВАК, RSCI и ЕГПНИ его нет. Ни один список не гарантирует, что конкретная статья верна. Но журнал из этих списков прошёл экспертный отбор, а статью из журнала, которого нет ни в одном из них, проверяют строже: кто авторы, есть ли сведения о рецензировании, что ещё публикует журнал.

4.4. Проверка всего списка: сервис eLIBRARY

Проверять ссылки по одной долго. Для списка целиком у eLIBRARY есть сервис идентификации библиографических записей – elibrary.ru/find_edn_list.asp; он доступен всем зарегистрированным пользователям. Список вставляют в поле, отмечают «запрашивать CrossRef» и «искать фейковые ссылки» и нажимают «Поиск» (рис. 26). Сервис ищет каждую ссылку в базе, добавляет к найденным DOI, EDN и ISBN, отмечает отозванные статьи, а подозрительные записи помечает значками. Восклицательный знак означает, что в указанном выпуске на этих страницах находится другая статья, вопросительный – что такого выпуска или журнала на eLIBRARY нет.

Проверим этим сервисом список нейросети «Алиса» (рис. 27). Пометки получили пять ссылок из десяти: три восклицательных знака (№ 1, 7 и 8) и два вопросительных (№ 4 и 5). Остальные пять, в том числе ссылка № 3 с чужим DOI, остались без пометки. Сервис сам об этом предупреждает: отсутствие пометки не означает, что ссылка настоящая, и все ссылки, для которых не нашлись DOI, EDN или ISBN, нужно проверять вручную. Так и вышло: проверка по doi.org вместе со сверкой заглавий отвергла все десять ссылок, а сервис eLIBRARY – половину. Инструменты дополняют друг друга, но решает сверка с первоисточником.

Для списка зарубежных статей похожую работу выполняет Crossref Simple Text Query: в поле вставляют до тысячи ссылок, по одной в строке, и сервис возвращает найденные DOI. Отсутствие DOI в ответе – повод искать вручную, а не окончательный вывод: у книг, старых и региональных изданий DOI часто нет.

Проверку можно поручить и нейросети. Но сначала стоит узнать, как с источниками работают сами ИИ-сервисы и что об этом говорят их разработчики.

4.5. Как с источниками работают ИИ-сервисы

Разработчики языковых моделей знают о выдуманных ссылках и принимают меры двух видов: передают модели найденные страницы и предупреждают пользователя. Как это устроено, видно по опубликованным документам.

Компания DeepSeek опубликовала шаблон, которым её чат сопровождает запрос в режиме поиска. Результаты поиска передаются модели пронумерованными блоками, и от неё требуется ставить метку с номером страницы-источника в конце каждого предложения, а не собирать метки в конце ответа. Того, чего в результатах поиска нет, шаблон просит без необходимости не упоминать. Метка в ответе, таким образом, – номер найденной страницы, а не библиографическая ссылка. Шаблон не требует ни DOI, ни проверки того, что страница подтверждает сказанное, ни ответа «не найдено». В условиях использования DeepSeek сказано, что включённый поиск может до некоторой степени повысить точность ответов, но неточности полностью избежать нельзя, а ответы, на которых основаны значимые для людей решения, должны проходить проверку человеком.

Измерения это подтверждают, хотя и расходятся между собой. При сравнении восьми бесплатных чат-ботов в 2026 году DeepSeek оказался одним из двух, не выдавших ни одной несуществующей ссылки. В другом опыте сервисам с поиском давали отрывок статьи и просили назвать её источник, и DeepSeek ошибся в 115 случаях из 200. Результат зависит от задания и режима работы, поэтому ни один сервис нельзя заранее считать надёжным. Так же осторожны в своих документах и остальные разработчики:

Во всех шести случаях разработчик говорит одно и то же: ссылка в ответе – приглашение проверить, и проверяет пользователь. Из документации и исследований складывается шесть рабочих приёмов, которые уменьшают число ошибок ещё на стороне нейросети.

1. Разрешить ответ «не найдено». Модель настроена быть полезной и без разрешённого выхода заполняет пробел правдоподобным текстом. Прямое разрешение признать, что сведений нет, заметно сокращает число выдумок.
2. Сначала цитаты, потом вывод. Модель просят выписать из документа дословные фрагменты и строить ответ только на них; утверждение, для которого цитата не нашлась, снимается.
3. Проверять в новом диалоге. Модель, которая видит собственный ответ, склонна повторять свои ошибки. Проверочные вопросы задают отдельно, не показывая ей исходного ответа.
4. Задавать открытые вопросы. На вопрос «эта статья существует?» модель охотно отвечает «да»: она соглашается с формулировкой. Вопрос «кто авторы этой статьи?», заданный в трёх независимых диалогах, полезнее: о настоящей статье ответы совпадают, о выдуманной расходятся.
5. Память – не доказательство. В открытой программе, которой проверяли ссылки в трудах конференций по машинному обучению, проверяющей модели запрещено опираться на собственные знания. Доказательством считается только найденная страница самой публикации, а упоминание в чужом списке литературы доказательством не признаётся.
6. Проверять адреса программой. Когда к поисковому агенту подключали инструмент, который открывает каждый адрес, доля нерабочих ссылок в его ответах падала в 6–79 раз.

У этих приёмов общее ограничение: они снижают число ошибок, но не устраняют их. Автоматические средства проверки тоже ошибаются, причём в обе стороны. На одной конференции программа пометила 90 работ как содержащие несуществующие ссылки, и ручная проверка подтвердила это только для 50. Из ста самых подозрительных публикаций, отобранных программой для журнала Nature, в 22 все ссылки оказались настоящими. Последнее слово остаётся за человеком, открывшим источник.

4.6. Запросы на верификацию

Приёмы из предыдущего раздела можно собрать в запрос (промт) – текст задания для нейросети. Ниже четыре запроса, составленные для этого курса: по одному на поиск, на проверку списка, на проверку содержания и на косвенную проверку. Все они построены на одном принципе: утверждение без доказательства не должно попадать в ответ. В угловых скобках – то, что вписывается самостоятельно.

Запрос 1. Поиск с прямыми адресами. Нужна нейросеть с включённым поиском в интернете. Запрос требует адрес для каждой записи, запрещает добирать список до заданного числа и отделяет найденное от похожего.

Задача: подобрать источники по теме <тема проекта> для обзора в отчёте.

Правила
1. Пользуйся поиском в интернете. По памяти не отвечай. Если поиска у тебя нет,
   сообщи об этом в первой строке ответа и остановись.
2. Включай в ответ только публикации, страницу которых ты открыл в этом сеансе:
   страницу статьи на сайте журнала или издательства, запись arXiv,
   запись в каталоге (Crossref, OpenAlex, eLIBRARY).
3. Для каждой публикации дай прямой адрес этой страницы и DOI, если он есть.
   Адрес хранилища копий (КиберЛенинка, ResearchGate) допустим только
   вместе с адресом издания.
4. Авторов, заглавие, журнал, год, том, номер и страницы бери со страницы издания.
   Чего на странице нет, помечай «НЕ УКАЗАНО». Ничего не дополняй сам.
5. Если подходящих публикаций меньше, чем нужно, дай столько, сколько нашёл,
   и напиши «БОЛЬШЕ НЕ НАЙДЕНО». Не добирай список до нужного числа.
6. Если нашлось близкое, но не то (другой метод, другая задача), вынеси это
   в отдельный список и объясни, чем оно отличается от запроса.

Формат ответа
Таблица: № | Авторы | Заглавие | Издание, год, том, номер, страницы | DOI |
Прямой адрес | Что в публикации относится к теме (одно предложение).
После таблицы: список «Близкое, но не то» и перечень поисковых запросов,
которые ты выполнял.

Запрос 2. Проверка готового списка. Задаётся в новом диалоге, лучше другой нейросети, и тоже с поиском. Проверяющий не должен видеть, как список составлялся, и получает задачу найти ошибки, а не подтвердить работу.

Ты проверяешь чужой список литературы. Твоя задача – найти в нём ошибки,
а не подтвердить его.

Для каждой записи выполни поиск по точному заглавию в кавычках и по DOI.
Доказательством считается только страница, которую ты открыл: страница статьи
на сайте издания, запись arXiv или запись в научном каталоге, где это заглавие
основное. Твои собственные знания доказательством не являются. Упоминание
заглавия в списке литературы другой работы доказательством не является.

Формат ответа
Таблица: № | Заявлено (как в списке) | Найдено: заглавие, авторы, издание, год |
Прямой адрес | Расхождения | Статус.
Статусы: ПОДТВЕРЖДЕНА · ЕСТЬ РАСХОЖДЕНИЯ · НЕ НАЙДЕНА · НЕ УДАЛОСЬ ПРОВЕРИТЬ.
Если запись не найдена, в графах «Найдено» и «Прямой адрес» пиши «НЕТ».
Не предлагай взамен похожую публикацию, не сообщив, что это другая работа.
В конце напиши, сколько записей в каждом статусе.

Список:
<вставить список>

Запрос 3. Проверка содержания. Это четвёртый уровень: сказано ли в статье то, ради чего на неё ссылаются. К сообщению прикладывают файл статьи; без него нейросеть будет «цитировать» по памяти.

К сообщению приложен текст статьи. Отвечай только по нему.

Утверждение, которое я хочу подкрепить ссылкой на эту статью:
<утверждение>

1. Выпиши дословно фрагменты статьи, которые относятся к этому утверждению,
   и для каждого укажи раздел и страницу. Если таких фрагментов нет, напиши
   «ПОДТВЕРЖДЕНИЯ В ТЕКСТЕ НЕТ» и остановись.
2. По выписанным фрагментам сделай вывод: статья подтверждает утверждение
   полностью, частично или не подтверждает. Объясни одним-двумя предложениями.
3. Отдельно укажи, какие оговорки и ограничения к этому утверждению
   делают сами авторы.

Запрос 4. Косвенный вопрос. Годится для нейросети без поиска, когда запись вызывает сомнение. Вопрос задают трижды, каждый раз в новом диалоге, и сравнивают ответы. Совпадение ответов существования статьи не доказывает, а расхождение – серьёзный повод идти в каталог.

Кто авторы публикации «<заглавие>»? В каком издании и в каком году она вышла?
Перечисли только имена авторов, издание и год. Если не знаешь, ответь «НЕ ЗНАЮ».

↓z04_verification_prompts.md четыре запроса курса и найденные запросы других авторов с указанием источников.

Запросы курса опираются на опубликованные образцы. Их полные тексты с адресами собраны в файле; ниже указано, какой приём взят из каждого.

Запрос уменьшает число ошибок, но общего правила не отменяет. Адрес, вписанный моделью в текст ответа, может быть искажён, «дословная» цитата – сочинена, а графу «Статус» заполняет та же модель. Таблица из ответа – лист проверки для человека: в графу «Прямой адрес» записывается только тот адрес, который человек открыл сам.

4.7. Тренажёр: проверка DOI

Общее правило требует, чтобы человек сам перешёл по адресу публикации. В тренажёре нужно сделать именно это: открыть DOI на сайте doi.org и сверить открывшуюся страницу с записью. Так проходят второй и третий уровни проверки; четвёртый уровень – чтение текста – тренажёр не заменяет.

Свой DOI проверяют так же: дописывают его к адресу https://doi.org/ и сверяют открывшуюся страницу с записью. Если сайт издательства не открывается, заглавие, авторов, журнал и дату выхода по тому же DOI показывает поиск Crossref – search.crossref.org.

Проверенный источник должен попасть в список литературы так, чтобы его мог найти и проверить любой читатель. Для этого существуют стандарты.

5. Как ссылаться

Проверенный источник нужно назвать так, чтобы читатель нашёл его без помощи автора. Для этого служат две вещи: отсылка в тексте и запись в списке. Обе подчиняются стандартам, причём разным, и путаница между ними – главный источник ошибок в списках литературы.

5.1. Отсылка в тексте и запись в списке

Ссылка в отчёте состоит из двух частей. В тексте стоит отсылка – номер в квадратных скобках. В списке использованных источников под этим номером находится библиографическая запись: кто автор, как называется работа, где и когда она вышла.

Порядок записей в отчёте задаёт ГОСТ 7.32–2017, который распространяется на отчёты о научно-исследовательских и проектно-технологических работах. Источники располагают в порядке появления ссылок в тексте и нумеруют арабскими цифрами; номер в квадратных скобках ставят в тексте, и он совпадает с номером записи в списке. Если нужно указать место в источнике, страницу добавляют в отсылку через запятую: [10, с. 81].

Отсылка с номером – не единственный способ. ГОСТ Р 7.0.5–2008 различает ссылки по расположению: внутритекстовые – в круглых скобках прямо в тексте, подстрочные – в сноске внизу страницы, затекстовые – вынесенные за текст. В гуманитарных работах обычны сноски, в технических отчётах – затекстовые ссылки с номерами. В одной работе способ должен быть один.

5.2. Российские стандарты

Правила ссылок входят в систему стандартов по информации, библиотечному и издательскому делу (СИБИД). Для отчёта нужны пять стандартов, и у каждого свой предмет.

Все пять стандартов действуют. Три прежних в России утратили силу: ГОСТ 7.1–2003 – с июня 2020 года, ГОСТ 7.82–2001 об электронных ресурсах – с января 2021 года, ГОСТ 7.80–2000 о заголовке – с августа 2023 года. На них до сих пор ссылаются старые методические указания, и в самом ГОСТ 7.32–2017 они названы; в таких случаях руководствуются стандартом, который пришёл на смену. Пересмотр ГОСТ Р 7.0.5–2008 и ГОСТ 7.32–2017 включён в план стандартизации на 2026 год, поэтому перед оформлением итогового отчёта стоит проверить их статус на портале Росстандарта.

Главное различие проходит между записью и ссылкой. ГОСТ Р 7.0.100–2018 описывает записи для списков и каталогов и прямо оговаривает, что на библиографические ссылки не распространяется. Ссылками занимаются ГОСТ Р 7.0.5–2008 и ГОСТ Р 7.0.108–2022, и ссылка может быть короче записи. Одна и та же статья выглядит по-разному:

Список использованных источников в отчёте состоит из записей: так требует ГОСТ 7.32–2017. Ссылки в сокращённой форме встречаются в сносках, в журнальных статьях и в большинстве автоматических генераторов, и принимать их за образец записи для списка не следует. Если кафедра или журнал предъявляют собственные требования, действуют они.

5.3. Запись по ГОСТ Р 7.0.100–2018: из чего она состоит

Запись о статье из журнала состоит из двух половин, разделённых двумя косыми чертами. Слева – сведения о статье, справа – об издании, в котором она помещена (рис. 28).

Знаки в записи – не пунктуация в обычном смысле, а разделители с закреплённым значением.

До и после знака ставят пробел; исключение – точка и запятая, после которых пробел ставится, а перед ними – нет. Отсюда непривычный вид: «Заглавие : уточнение / автор ; редактор».

Сколько авторов и где они стоят, зависит от их числа.

Остальные сведения приводят по тем же правилам. У сетевого документа после слова URL указывают адрес, а в скобках – дату обращения. DOI записывают с пометкой: DOI 10.1109/TG.2021.3076368. В примере стандарта DOI статьи приведён перед двумя косыми чертами, вместе со сведениями о самой статье; в записях eLIBRARY и многих журналов он стоит в конце. В одном списке придерживаются одного варианта. Слова «Текст : электронный» и «Текст : непосредственный» – условно-обязательный элемент: включать ли его, решает организация, для которой составляется список.

Образцы записей для основных видов источников:

Готового способа получить такую запись автоматически нет. В распространённых программах для работы с библиографией и в сервисе doi.org есть только три стиля «ГОСТ», и все они построены по ГОСТ Р 7.0.5–2008, то есть выдают ссылку, а не запись для списка. Кнопка «Цитировать» в Google Академии пользуется ещё более старой расстановкой знаков. Автоматическую запись используют как заготовку: сведения в ней обычно верны, а форму приходится править.

5.4. Международные стили: APA, Chicago, MDPI и ACS

За пределами российских стандартов единого правила нет: у издательств и научных обществ свои стили. Знать их нужно по трём причинам. Статьи на английском языке оформляют по стилю журнала или конференции. Российским журналам стандарт об оформлении статей предписывает дополнительно приводить список References в одном из зарубежных стилей. А окна цитирования на сайтах издательств предлагают именно эти стили: на странице статьи в журнале издательства MDPI их четыре – MDPI and ACS Style, AMA Style, Chicago/Turabian Style и APA Style.

Сведения во всех стилях одни и те же: авторы, год, заглавие, журнал, том, страницы, DOI. Различаются их порядок, знаки и шрифт. Это видно, если записать одну статью шестью способами.

Запись MDPI взята из окна цитирования на странице статьи, остальные составлены по руководствам стилей. У каждого стиля свой издатель, своя область и свой способ отсылки в тексте.

Два пояснения к названиям. MDPI и ACS стоят в окне цитирования одной строкой, потому что руководство MDPI основано на стиле Американского химического общества: каркас записи у них общий, различаются инициалы, номер выпуска и вид DOI. Подпись Chicago/Turabian Style означает чикагский стиль вообще и не сообщает ни системы, ни издания: в окне MDPI запись построена по системе «автор – дата», а номер выпуска записан так, как это принято в руководстве Turabian.

Запись в любом стиле можно получить по DOI. Сервис doi.org отдаёт её, если в запросе указать название стиля; всего их больше двух с половиной тысяч.

curl -LH "Accept: text/x-bibliography; style=apa" https://doi.org/10.1109/TG.2021.3076368
# Karth, I., & Smith, A. M. (2022). WaveFunctionCollapse: Content Generation via Constraint Solving and
# Machine Learning. IEEE Transactions on Games, 14(3), 364–376. https://doi.org/10.1109/tg.2021.3076368

curl -LH "Accept: text/x-bibliography; style=gost-r-7-0-5-2008" https://doi.org/10.1109/TG.2021.3076368
# 1. Karth I., Smith A. M. WaveFunctionCollapse: Content Generation via Constraint Solving and
# Machine Learning // IEEE Transactions on Games. 2022. Т. 14. № 3. С. 364–376.

Оба ответа приведены так, как их вернул сервис 13 октября 2026 года, и оба требуют правки. В записи APA заглавие осталось с прописными буквами, хотя стиль требует писать его как обычное предложение, а курсив потерян: сервис отдаёт простой текст. В записи «ГОСТ» нет DOI, а в описании статьи на английском языке стоят русские сокращения «Т.» и «С.». У статьи из журнала Electronics те же стили выдают номер статьи за страницу: «p. 2123», «С. 2123». В некоторых стилях появляются и обрывки вроде «edited by ,»: редактора у статьи нет, а место для него в записи осталось.

5.5. Ссылка на издание, а не на хранилище копий

Теперь можно ответить на вопрос, с которого обычно начинаются споры о списке литературы: почему нельзя сослаться на КиберЛенинку.

КиберЛенинка, eLIBRARY.RU, ResearchGate – электронные библиотеки и платформы. Они хранят копии статей, но статьи им не принадлежат: статья вышла в журнале, журнал её рецензировал, редактировал и присвоил ей том, номер и страницы. Поэтому библиотеку используют для поиска, а затем находят первоисточник – сайт журнала, выпуск, страницы статьи, DOI, если он есть, – и ссылаются на журнал.

У правила есть формальная опора. По ГОСТ Р 7.0.108–2022 ссылка описывает документ «вне зависимости от источника происхождения (оригинальная публикация или републикация)» (п. 4.2). Даже в примере, где стандарт приводит адрес статьи на КиберЛенинке (п. 5.1), после двух косых черт стоит журнал – «Известия Российского государственного педагогического университета им. А. И. Герцена», – а не библиотека. В нашем курсе правило строже: адрес копии в запись не ставим, а находим адрес издания.

Есть и практическая причина. Кнопка «Цитировать» на КиберЛенинке собирает запись автоматически, и запись получается неполной. Вот что она выдаёт для статьи про алгоритм Wave Function Collapse, на которую сослалась нейросеть «Алиса» (рис. 29).

В записи нет тома и страниц, заглавие набрано прописными буквами, как в оглавлении журнала, а к журналу приписан адрес копии. В соседней вкладке того же окна, APA, том и страницы есть: данные у библиотеки имеются, но в «ГОСТ» они не попали. Первоисточник – выпуск журнала на его собственном сайте: в оглавлении номера 5 (86), том 3, за май 2025 года статья стоит под номером 188 на страницах 1496–1501. Журнал выходит только в электронном виде, поэтому в запись входит адрес выпуска на сайте журнала; полная запись приведена в разделе 5.2.

Для сравнения – запись, которую выдаёт eLIBRARY для статьи, найденной «Нейропоиском» (рис. 30). В ней есть авторы, заглавие, журнал, год, том, номер, страницы, DOI и EDN: так выглядит полная запись, и остаётся привести её к требованиям кафедры. Многие журналы печатают готовую запись прямо в статье, после слов «Для цитирования»: это предусматривает ГОСТ Р 7.0.7–2021. Если такая запись есть, начинать удобнее с неё: это данные из первоисточника. В статье из «Вестника науки» её нет, поэтому запись пришлось собрать по оглавлению выпуска.

Что стало с пометкой «[Электронный ресурс]». В старых методических указаниях после заглавия источника из интернета требовали писать «[Электронный ресурс]». Это общее обозначение материала из ГОСТ 7.1–2003, который больше не действует. В ГОСТ Р 7.0.100–2018 такого элемента нет: его место заняли сведения о виде содержания и средстве доступа – «Текст : электронный». ГОСТ Р 7.0.108–2022 разрешает не указывать и их, если вид документа ясен из остальной записи (п. 5.3.7). В ссылках по ГОСТ Р 7.0.5–2008 прежняя пометка ещё допускается, поэтому в сносках и в старых изданиях она встречается. В списке по ГОСТ Р 7.0.100–2018 её не пишут, а требование кафедры указывать «Текст : электронный» ошибкой не является.

5.6. Препринт, набор данных, модель, программа

Для того, что существует только в сети, правила даёт ГОСТ Р 7.0.108–2022. Запись о программе включает создателя, название, а по желанию – версию и лицензию (п. 6.11). Запись о наборе данных включает создателя, название, версию, место создания и издателя; лицензию указывают, если данные не находятся в общественном достоянии (п. 6.12). Модели в стандарте нет, и запись о ней составляют по тем же двум пунктам. Вот записи для источников из раздела 3:

К таблице три замечания. У статьи о трансформере есть рецензированная версия – доклад на конференции NIPS 2017, – и по правилу первоисточника ссылаться нужно на неё; ссылка на препринт уместна, когда другой версии нет. Модель и статью о ней указывают вместе: модель – то, чем пользовались, статья – основание считать, что модель работает. Так же поступают с набором данных: корпус диалогов из фильмов описан по странице в Корнеллском университете, а не по копии на Kaggle, и рядом указывают статью, вместе с которой он выпущен. Запись о программе собрана по файлу CITATION.cff из её репозитория.

Ответ нейросети в список литературы не входит: это не публикация. Сведения в нём никто не проверял, а на тот же запрос в другой раз будет дан другой ответ. Ссылаются на документ, который нейросеть помогла найти и который удалось проверить. На этом занятие возвращается к своему началу: ответ нейросети – подсказка, а источником становится только то, что прошло проверку.

6. Свод практик

Ниже правила занятия собраны вместе. Каждое уже встречалось в разделах 1–5; на лицевой стороне карточки стоит само правило, на обороте – как его применять, а в квадратных скобках – номера источников из списка в конце страницы.

Поиск

Чтение

Код, модели, данные

Верификация

Ссылка

Правила сводятся к одному: в отчёт входит только то, что открыто, прочитано и сверено. Задание ниже проводит через все пять групп правил на материале собственного проекта.

7. Задание: паспорт источников проекта

Всё изложенное сводится в один документ – паспорт источников проекта. Это рабочая таблица, из которой затем складываются обзор аналогов в главе 1 отчёта и список использованных источников. Задание выполняет команда. Часть работы делает нейросеть, проверку проводят люди: каждый адрес открывает человек, и в паспорте записано, кто и когда это сделал.

1. Запрос нейросети. Попросите нейросеть подобрать 8–10 источников по теме проекта. Возьмите запрос на поиск из раздела 4.6: он требует прямой адрес для каждой записи и разрешает ответ «не найдено». Сохраните запрос и ответ целиком. Результаттекст запроса и ответ нейросети без правки.
2. Верификация. Проверьте каждую запись по уровням из раздела 4.1: откройте адрес, сверьте заглавие, авторов, издание, год, том и страницы. В журнал проверки занесите все записи, включая отвергнутые, и статус каждой: подтверждена, исправлена, не существует, не по теме. Результатжурнал проверки и итог: сколько записей из ответа подтвердилось.
3. Поиск по словам и по смыслу. Вставьте абзац актуальности из задания к занятию 3 в «Нейропоиск» eLIBRARY (раздел 3.4). Ключевые слова найденных статей используйте как запросы в Google Академии или OpenAlex. Результатне меньше трёх статей, которых не было в ответе нейросети.
4. Поиск по связям. Для одной ключевой статьи постройте граф цитирования (раздел 3.8) и пройдите по нему в обе стороны. Результатработа, на которую статья опирается, работа, которая её развивает, и снимок графа.
5. Код, модель, данные. По таблице из раздела 3.12 найдите то, что нужно проекту вашей траектории: репозиторий, модель, набор данных или набор ассетов. Выпишите создателя, версию, лицензию и первоисточник. Незнакомый код до проверки не запускайте на рабочем компьютере: признаки подделки и способы изоляции перечислены в предостережении из раздела 3.10. Результатне меньше двух записей с лицензиями.
6. Чтение. Для трёх ключевых статей выпишите по одному утверждению, которое войдёт в отчёт, и страницу, на которой оно находится. Пересказ ассистента или аннотация здесь не годятся: страницу можно указать, только открыв текст. Результаттри утверждения с номерами страниц.
7. Оформление. Оформите список по ГОСТ Р 7.0.100–2018 (раздел 5.3): статьи – по журналу, набор данных, модель и программу – по образцам из раздела 5.6. Проверьте список сервисом идентификации ссылок eLIBRARY с параметром «Искать фейковые ссылки» (раздел 4.4). Результатсписок из 10–15 записей и результат его проверки.
8. Вывод. Напишите пять–шесть предложений для главы 1 отчёта: что по теме уже сделано, какие есть аналоги, чего найти не удалось. Каждое утверждение снабдите отсылкой [N] к списку. Результатабзац, который войдёт в обзор аналогов.

↓z04_sources_passport.md бланк паспорта источников: журнал проверки, таблицы находок, список, вывод.

↓z04_verification_prompts.md запросы на поиск и верификацию из раздела 4.6.

Паспорт принимается, если выполнены пять условий:

• в списке не меньше десяти источников, из них не меньше пяти статей из рецензируемых изданий и не меньше одного репозитория, модели или набора данных;
• у каждой записи есть прямой адрес – DOI или страница издания, – и в журнале указано, кто из команды и когда его открыл;
• в журнале проверки есть все записи из ответа нейросети, в том числе отвергнутые;
• ни одна запись не называет местом издания КиберЛенинку, eLIBRARY, ResearchGate или alphaXiv;
• для трёх ключевых статей указаны страницы с утверждениями.

Найденная в ответе нейросети выдуманная ссылка – не неудача, а результат работы: её описание в журнале проверки показывает, что проверка проводилась. Паспорт пригодится трижды. Вывод и таблица находок войдут в главу 1 отчёта, список – в раздел «Список использованных источников» (справка «Структура отчёта и ВКР», разделы 3 и 7), а журнал проверки ответит на вопрос комиссии о том, откуда взяты сведения.

Контрольные вопросы

• Почему список литературы от нейросети нельзя переносить в отчёт без проверки?
  Языковая модель воспроизводит форму библиографической записи, а содержание ей взять неоткуда, если нужных статей нет в её данных. Получаются фантомные ссылки: настоящие авторы и журналы, правдоподобные заглавия и несуществующие статьи. В опыте с нейросетью «Алиса» девять DOI из десяти не существовали, а десятый принадлежал чужой статье.
• Что такое фантомная ссылка и чем она опаснее обычной ошибки в ссылке?
  Ссылка на публикацию, которой нет, хотя у этого автора в этом журнале она могла бы быть. Обычную ошибку можно исправить, найдя статью; фантомную – нельзя. К тому же фантомные ссылки переписывают другие авторы, и подделка расходится как настоящая.
• Какие приметы выдали подделку в списке нейросети «Алиса»?
  Несуществующие DOI; неверный код журнала (s10920 вместо s10951 у Journal of Scheduling); цифры подряд вроде 12345–12356 и 3456789; ровно по два автора у всех статей и годы, равномерно покрывающие запрошенный диапазон; стиль APA вместо обещанного ГОСТ; источники в ответе, которые подтверждают не список, а общие фразы.
• Как проверить ссылку на книгу, у которой нет DOI? Что выдало выдуманную книгу о научной визуализации?
  По библиотечным каталогам: Российской государственной и Российской национальной библиотек, WorldCat; по ISBN, если он есть. Записи о книге не нашлось ни в одном каталоге. Кроме того, фамилия автора написана двумя способами, издательство выпускало литературу на русском языке, а термин из заглавия вошёл в обиход только в 1987 году – через три года после заявленного года издания.
• Из чего состоит начало статьи и почему по нему ищут?
  Заглавие, авторы, аффилиация, контакты, аннотация, ключевые слова; рядом – служебные данные: УДК, DOI, журнал, даты. Начало открыто почти всегда, даже когда полный текст платный, поэтому базы и поисковые системы индексируют прежде всего его: расширенный поиск eLIBRARY по умолчанию ищет в названии, аннотации и ключевых словах.
• Из каких разделов состоит статья по схеме IMRaD и как они соотносятся с разделами отчёта?
  Введение – зачем исследование и что уже известно; методы – как его провели, чтобы можно было повторить; результаты – что получили, числами; обсуждение – что это значит и где границы применимости. Введение идёт от области к вопросу одной работы, обсуждение – обратно. В отчёте близкие роли у введения с главой 1, главы 2, главы 3 и заключения.
• Почему универсальная поисковая система плохо подходит для поиска научной литературы и откуда в её выдаче КиберЛенинка?
  Поисковый робот видит только открытые страницы, а порядок выдачи определяет популярность, а не научная ценность. «Обзор от ИИ» в выдаче Google рассуждает правдоподобно, но исследований не называет. КиберЛенинка открывает полные тексты и хорошо проиндексирована, поэтому стоит высоко в выдаче; но она хранит копии статей, а не первоисточники.
• Чем различаются Google Академия, OpenAlex и Crossref?
  Google Академия – самая крупная научная поисковая система: ищет и по полным текстам, показывает цитирования и версии статей, но собирает всё подряд, включая препринты, а её записи «по ГОСТ» приходится сверять. OpenAlex – открытый каталог с точно настраиваемым поиском и программным интерфейсом. Crossref – агентство DOI с метаданными публикаций: хорош для проверки по DOI и точному заглавию.
• Чем «Нейропоиск» отличается от обычного поиска eLIBRARY и что он нашёл по выдуманной аннотации?
  Обычный поиск ищет по словам и путает омонимы, «Нейропоиск» принимает текст и ищет по смыслу. Нейросеть «Алиса» сочинила аннотацию несуществующей статьи и её «английский оригинал». По этой аннотации «Нейропоиск» нашёл 27 настоящих работ о гибридных алгоритмах составления расписаний – и ни одной о WFC.
• Чем препринт отличается от статьи в журнале? Что изменилось в arXiv в 2025 году?
  Препринт опубликован авторами до рецензирования или параллельно с ним и может иметь несколько версий; arXiv проверяет только, что это научная работа по теме раздела. С 31 октября 2025 года обзоры и статьи-позиции в разделе Computer Science принимают только после рецензирования в журнале или на конференции.
• Что умеет alphaXiv и что в его ответах нужно проверять?
  Он открывает статью arXiv заменой адреса, даёт пересказ с пометками страниц и перевод на русский, отвечает на вопросы по статье, сравнивает несколько статей и строит обзор литературы по найденным работам. Проверять нужно пересказ по страницам оригинала и автоматические привязки: у статьи о трансформере неверны организация авторов, репозиторий с кодом и год в записи BibTeX.
• Как ответили на запрос-ловушку ассистенты, которые опираются на поиск?
  alphaXiv сообщил, что подтвердить рецензируемую работу о WFC в расписаниях не может, назвал две смежные работы с оговорками и заключил, что строгий список пуст. «Лаборатория» Google Академии нашла 10 настоящих работ, но поняла «wave function collapse» в квантовом смысле. Ни один из них не выдумал статей, но решать, о том ли находка, приходится читателю.
• Что такое поиск по графу цитирования и что он показал для статьи о WFC?
  От подходящей статьи идут назад, по её списку литературы, и вперёд, по работам, которые её цитируют. Способ не зависит от терминов. Статью о WFC как задаче с ограничениями цитируют 90 работ – об играх, архитектуре, графике, – и ни одной о расписаниях; общих работ с литературой о расписаниях нет.
• Чем граф похожести отличается от графа прямого цитирования и какие у поиска по связям ограничения?
  В графе прямого цитирования связаны работы, одна из которых ссылается на другую. В графе похожести связаны работы с общими источниками или те, которые вместе цитируются; они могут друг о друге не знать. Ограничения: у новых статей ещё нет цитирований, обход может замкнуться внутри одной группы, базы неполны, а цитирование не означает согласия или качества.
• Что проверить у репозитория на GitHub?
  Описание в файле README, лицензию в файле LICENSE – целиком, потому что она может относиться не ко всему содержимому, – дату последних изменений и пометку Archived. Звёзды показывают популярность и подделываются. Готовую запись для ссылки даёт Cite this repository; постоянный адрес версии – DOI выпуска в Zenodo или идентификатор Software Heritage.
• Что проверить у модели на Hugging Face?
  Лицензию, данные и языки обучения, способ измерения качества, ограничения и происхождение модели. Число скачиваний говорит о популярности. Файлы весов берут в формате safetensors: старый формат при загрузке может выполнить чужой код. В список источников входят и модель, и статья о ней.
• Почему рейтинг не говорит о безопасности репозитория и где запускать незнакомый код?
  Рейтинг накручивают: поддельная модель в мае 2026 года за восемнадцать часов заняла первое место в списке популярных на Hugging Face, и почти все отметки «нравится» ей поставили учётные записи с шаблонными именами. До запуска проверяют владельца, возраст учётной записи и репозитория, требования описания и состав файлов, а у модели – формат весов. Незнакомый код запускают в виртуальной машине, «Песочнице Windows» или облачном блокноте. Виртуальное окружение Python от вредоносного кода не защищает.
• Чем Kaggle полезен проекту и что на нём проверяют?
  Это источник данных с готовыми блокнотами и точка сравнения: таблицы результатов соревнований показывают, чего достигают лучшие решения. Проверяют происхождение набора: многие наборы – копии без лицензии и без ссылки на источник. Оценка пригодности говорит о полноте описания, а не о качестве данных. Ссылаются на первоисточник.
• Что нужно искать проекту вашей траектории и куда в отчёте это войдёт?
  Сведения о масштабе задачи – во введение; статьи, репозитории и модели, решающие ту же задачу, – в главу 1; использованные библиотеки, модели, данные и ассеты с лицензиями – в главу 2; результаты для сравнения – в главу 3. Конкретные источники зависят от траектории и собраны в таблице раздела 3.12.
• В чём состоит общее правило верификации и какие шесть уровней проходит запись?
  У каждой записи должен быть прямой адрес публикации – DOI или страница на сайте издания, – и человек сам переходит по нему и сверяет запись. Уровни: адрес, существование, совпадение сведений, содержание, статус, издание. Второй, третий и четвёртый уровни нельзя передать нейросети.
• Что такое DOI и почему его отсутствие в Crossref ещё не доказывает подделку?
  Постоянный идентификатор публикации; ссылка https://doi.org/ + DOI ведёт к статье. DOI выдают разные агентства: препринты arXiv и наборы данных часто регистрируют в DataCite, поэтому проверять нужно через doi.org. Кроме того, около четверти DOI российских журналов последних лет не зарегистрированы вовсе, и тогда статью ищут по журналу и EDN.
• Что такое перечень ВАК, «Белый список» и ядро РИНЦ?
  Перечень ВАК – журналы, где публикуют результаты диссертаций, с категориями К1–К3. «Белый список» – перечень журналов с уровнями; на его основе складывается Единый государственный перечень научных изданий. Ядро РИНЦ – журналы из Web of Science, Scopus и RSCI вместе с цитированиями. Это признаки экспертного отбора журнала, но не гарантия верности статьи.
• Что показал сервис проверки ссылок eLIBRARY на списке нейросети «Алиса»?
  Он пометил пять ссылок из десяти: три восклицательным знаком (на указанных страницах другая статья) и две вопросительным (выпуска нет на eLIBRARY). Пять ссылок, включая ссылку с чужим DOI, остались без пометки. Сервис помогает, но не заменяет сверку с первоисточником.
• Какие приёмы уменьшают число выдуманных ссылок в ответе нейросети и почему их недостаточно?
  Разрешить ответ «не найдено»; требовать дословные цитаты и адрес для каждого утверждения; проверять в новом диалоге открытыми вопросами; не считать доказательством память модели и чужие списки литературы. Приёмы снижают число ошибок, но не устраняют их: адрес в тексте ответа может быть искажён, а средства автоматической проверки ошибаются в обе стороны. Адрес открывает человек.
• Чем отсылка отличается от записи, а запись – от ссылки? Какие стандарты их определяют?
  Отсылка – номер в квадратных скобках в тексте; запись – описание источника под этим номером в списке. Порядок списка и вид отсылок в отчёте задаёт ГОСТ 7.32–2017, состав записи – ГОСТ Р 7.0.100–2018 и ГОСТ Р 7.0.80–2023. Ссылки – сокращённую форму для сносок и статей – описывают ГОСТ Р 7.0.5–2008 и ГОСТ Р 7.0.108–2022: в них авторы стоят в начале и не повторяются.
• Как записывают авторов в списке по ГОСТ Р 7.0.100–2018?
  Если авторов от одного до трёх, запись начинается с первого автора («Фамилия, И. О.»), а за косой чертой перечислены все. Если авторов четыре, запись начинается с заглавия, за косой чертой – все четверо. Если пять и более – с заглавия, за косой чертой первые три и «[и др.]».
• По каким приметам различают стили APA, Chicago, MDPI, ACS и IEEE?
  APA: год в скобках сразу после авторов, амперсанд, DOI в виде адреса. Chicago: имена авторов полностью, заглавие в кавычках. MDPI и ACS: авторы через точку с запятой, год полужирным, том курсивом; у ACS инициалы с пробелом, номер выпуска в скобках и «DOI:». IEEE: инициалы перед фамилией, заглавие в кавычках, vol., no., год в конце.
• Почему ссылаются на журнал, а не на КиберЛенинку? Что стало с пометкой «[Электронный ресурс]»?
  КиберЛенинка хранит копию, а статья принадлежит журналу: он её рецензировал и дал ей том, номер и страницы. Библиотеку используют для поиска, а ссылаются на первоисточник. Пометка «[Электронный ресурс]» пришла из ГОСТ 7.1–2003, который не действует; в ГОСТ Р 7.0.100–2018 её место заняли слова «Текст : электронный», а ГОСТ Р 7.0.108–2022 разрешает не писать и их.
• Как сослаться на набор данных, модель и программу?
  По ГОСТ Р 7.0.108–2022: о программе – создатель, название, по желанию версия и лицензия (п. 6.11); о наборе данных – создатель, название, версия, место создания, издатель и лицензия (п. 6.12). Модель описывают по тем же пунктам и указывают рядом статью о ней. Набор данных описывают по первоисточнику, а не по копии.

Источники

Список оформлен в виде затекстовых ссылок (ГОСТ Р 7.0.5–2008, ГОСТ Р 7.0.108–2022): авторы, если их не больше трёх, стоят в начале записи и за косой чертой не повторяются. Образцы записей для списка литературы по ГОСТ Р 7.0.100–2018 приведены в разделе 5.3. Дата обращения к сетевым источникам – 12 или 13 октября 2026 года.

Опыт с нейросетью и выдуманные ссылки

1. Тихонов В. В., Конюхова Г. П. Интеллектуальное расширение алгоритма Wave Function Collapse // Вестник науки : электрон. журн. — 2025. — № 5 (86), т. 3. — С. 1496–1501. — URL: https://вестник-науки.рф/archiv/journal-5-86-3.pdf (дата обращения: 12.10.2026).
2. Nogueira B., Tavares E., Maciel P. Iterated local search with tabu search for the weighted vertex coloring problem // Computers & Operations Research. — 2021. — Vol. 125. — Art. 105087. — DOI: 10.1016/j.cor.2020.105087.
3. Gendreau M., Hertz A., Laporte G. A Tabu Search Heuristic for the Vehicle Routing Problem // Management Science. — 1994. — Vol. 40, No. 10. — P. 1276–1290. — DOI: 10.1287/mnsc.40.10.1276.
4. Walters W. H., Wilder E. I. Fabrication and errors in the bibliographic citations generated by ChatGPT // Scientific Reports. — 2023. — Vol. 13. — Art. 14045. — DOI: 10.1038/s41598-023-41032-5.
5. GPTZero finds 100 new hallucinations in NeurIPS 2025 accepted papers // GPTZero : [сайт]. — 2026. — 21 January. — URL: https://gptzero.me/news/neurips/ (дата обращения: 12.10.2026).
6. Naddaf M., Quill E. Hallucinated citations are polluting the scientific literature. What can be done? // Nature. — 2026. — Vol. 652, No. 8108. — P. 26–29. — DOI: 10.1038/d41586-026-00969-z.
7. Hallucinated Citations in the Published Scientific Literature: A Large-Scale Analysis in Collaboration with Nature // Grounded AI : [сайт]. — 2026. — URL: https://groundedai.company/research/hallucinated-citations-nature-2026/ (дата обращения: 12.10.2026).
8. Фантомные ссылки и как с ними бороться // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 7 февраля. — URL: https://t.me/elibrary_ru_official/42 (дата обращения: 12.10.2026).
9. Поиск фантомных ссылок в списках литературы // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 30 октября. — URL: https://t.me/elibrary_ru_official/77 (дата обращения: 12.10.2026).
10. Электронный каталог Российской государственной библиотеки : [сайт]. — URL: https://search.rsl.ru/ (дата обращения: 13.10.2026).
11. Электронный каталог Российской национальной библиотеки : [сайт]. — URL: https://primo.nlr.ru/ (дата обращения: 13.10.2026).
12. Open Library : [сайт]. — URL: https://openlibrary.org/ (дата обращения: 13.10.2026).
13. Таврия (издательство) // Википедия : [сайт]. — URL: https://ru.wikipedia.org/wiki/Таврия_(издательство) (дата обращения: 13.10.2026).
14. The VTK Book : онлайн-издание. — Гл. 1, разд. 1.4 : Origins of Data Visualization. — URL: https://book.vtk.org/en/latest/VTKBook/01Chapter1.html (дата обращения: 13.10.2026).
15. Visualization in Scientific Computing / ed. by B. H. McCormick, T. A. DeFanti, M. D. Brown // Computer Graphics. — 1987. — Vol. 21, No. 6. — Раздел «Definition of visualization»: P. 3. — DOI: 10.1145/41997.41998.

Wave Function Collapse и расписания

16. Gumin M. Wave Function Collapse Algorithm : программа. — Версия 1.0. — 2016. — Лицензия: MIT. — URL: https://github.com/mxgmn/WaveFunctionCollapse (дата обращения: 12.10.2026).
17. Karth I., Smith A. M. WaveFunctionCollapse is constraint solving in the wild // Proceedings of the 12th International Conference on the Foundations of Digital Games. — New York : ACM, 2017. — P. 1–10. — DOI: 10.1145/3102071.3110566.
18. Karth I., Smith A. M. WaveFunctionCollapse: Content Generation via Constraint Solving and Machine Learning // IEEE Transactions on Games. — 2022. — Vol. 14, No. 3. — P. 364–376. — DOI: 10.1109/TG.2021.3076368.
19. Schaerf A. A Survey of Automated Timetabling // Artificial Intelligence Review. — 1999. — Vol. 13, No. 2. — P. 87–127. — DOI: 10.1023/A:1006576209967.

Научная статья: устройство

20. Sollaci L. B., Pereira M. G. The introduction, methods, results, and discussion (IMRAD) structure: a fifty-year survey // Journal of the Medical Library Association. — 2004. — Vol. 92, No. 3. — P. 364–367. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC442179/ (дата обращения: 12.10.2026).
21. Hill S. S., Soppelsa B. F., West G. K. Teaching ESL Students to Read and Write Experimental-Research Papers // TESOL Quarterly. — 1982. — Vol. 16, No. 3. — P. 333–347. — DOI: 10.2307/3586633.
22. Vaswani A., Shazeer N., Parmar N. [et al.]. Attention Is All You Need : preprint // arXiv. — 2017. — arXiv:1706.03762v7. — DOI: 10.48550/arXiv.1706.03762.
23. ГОСТ Р 7.0.7–2021. Система стандартов по информации, библиотечному и издательскому делу. Статьи в журналах и сборниках. Издательское оформление : национальный стандарт Российской Федерации : утвержден и введен в действие приказом Росстандарта от 18 августа 2021 г. № 728-ст : взамен ГОСТ Р 7.0.7–2009 : дата введения 2021-10-01. — Москва : РСТ, 2021.
24. Использование нейросети для идентификации авторов публикации // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 27 февраля. — URL: https://t.me/elibrary_ru_official/45 (дата обращения: 12.10.2026).

Поисковые системы, научные базы и агрегаторы

25. Gusenbauer M. Google Scholar to overshadow them all? Comparing the sizes of 12 academic search engines and bibliographic databases // Scientometrics. — 2019. — Vol. 118, No. 1. — P. 177–214. — DOI: 10.1007/s11192-018-2958-5.
26. Google Академия : [сайт]. — URL: https://scholar.google.ru (дата обращения: 12.10.2026).
27. Scholar Labs: An AI Powered Scholar Search // Google Scholar Blog. — 2025. — 18 November. — URL: https://scholar.googleblog.com/2025/11/scholar-labs-ai-powered-scholar-search.html (дата обращения: 12.10.2026).
28. Scholar Labs update: Search 10x faster, 3x deeper // Google Scholar Blog. — 2026. — 3 June. — URL: https://scholar.googleblog.com/2026/06/scholar-labs-update-search-10x-faster.html (дата обращения: 12.10.2026).
29. Du Z., Wang J., Li H. Quantum Firefly Algorithm: A Novel Approach for Quantum Circuit Scheduling Optimization // Electronics. — 2025. — Vol. 14, No. 11. — Art. 2123. — DOI: 10.3390/electronics14112123.
30. Priem J., Piwowar H., Orr R. OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts : preprint // arXiv. — 2022. — arXiv:2205.01833. — DOI: 10.48550/arXiv.2205.01833.
31. OpenAlex : [сайт]. — URL: https://openalex.org (дата обращения: 12.10.2026).
32. Rate limits and authentication // OpenAlex : [сайт]. — URL: https://help.openalex.org/how-to-use-the-api/rate-limits-and-authentication (дата обращения: 13.10.2026).
33. Crossref Metadata Search : [сайт]. — URL: https://search.crossref.org (дата обращения: 12.10.2026).
34. eLIBRARY.RU : научная электронная библиотека : [сайт]. — URL: https://elibrary.ru (дата обращения: 12.10.2026).
35. Поиск близких по тематике публикаций // eLIBRARY.RU : [сайт]. — URL: https://elibrary.ru/neural_search.asp (дата обращения: 12.10.2026).
36. Научная электронная библиотека открыла поиск с применением нейросети МГУ // Научно-образовательная школа МГУ «Математика» : [сайт]. — 2024. — 13 мая. — URL: https://nosh.msu.ru/tpost/pzj0otysb1-nauchnaya-elektronnaya-biblioteka-otkril (дата обращения: 12.10.2026).
37. Научная электронная библиотека расширяет возможности поиска близких по тематике публикаций с помощью встроенной нейросети // Институт природно-технических систем : [сайт]. — 2024. — 25 августа. — URL: https://иптс.рф/ru/2024/08/25/nauchnaya-elektronnaya-biblioteka-rasshiryaet-vozmozhnosti-poiska-blizkix-po-tematike-publikacij-s-pomoshhyu-vstroennoj-nejroseti-2/ (дата обращения: 12.10.2026).
38. О научной библиотеке открытого доступа // КиберЛенинка : [сайт]. — URL: https://cyberleninka.ru/about (дата обращения: 12.10.2026).
39. Страница статьи «Интеллектуальное расширение алгоритма Wave Function Collapse» с вариантами ссылки для цитирования // КиберЛенинка : [сайт]. — URL: https://cyberleninka.ru/article/n/intellektualnoe-rasshirenie-algoritma-wave-function-collapse (дата обращения: 12.10.2026).
40. Joint Statement: ACS, Elsevier, and ResearchGate Resolve Litigation with Solution to Support Researchers // Infodocket : [сайт]. — 2023. — 15 September. — URL: https://www.infodocket.com/2023/09/15/joint-statement-acs-elsevier-and-researchgate-resolve-litigation-with-solution-to-support-researchers/ (дата обращения: 12.10.2026).
41. Trager R. Publishers settle copyright infringement lawsuit with ResearchGate // Chemistry World. — 2023. — 18 September. — URL: https://www.chemistryworld.com/news/publishers-settle-copyright-infringement-lawsuit-with-researchgate/4018095.article (дата обращения: 12.10.2026).
42. ResearchGate // Wikipedia : [сайт]. — URL: https://en.wikipedia.org/wiki/ResearchGate (дата обращения: 12.10.2026).

Препринты и ассистенты для чтения статей

43. About arXiv // arXiv : [сайт]. — URL: https://info.arxiv.org/about/index.html (дата обращения: 12.10.2026).
44. Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category // arXiv blog. — 2025. — 31 October. — URL: https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/ (дата обращения: 12.10.2026).
45. Attention Is All You Need : страница препринта // arXiv : [сайт]. — URL: https://arxiv.org/abs/1706.03762 (дата обращения: 12.10.2026).
46. arXivLabs Showcase // arXiv : [сайт]. — URL: https://info.arxiv.org/labs/showcase.html (дата обращения: 13.10.2026).
47. alphaXiv : [сайт]. — URL: https://www.alphaxiv.org (дата обращения: 12.10.2026).
48. Attention Is All You Need : страница статьи // alphaXiv : [сайт]. — URL: https://www.alphaxiv.org/abs/1706.03762 (дата обращения: 13.10.2026).
49. Magic Grant ‘alphaXiv’ Raises $7M Seed Round // Brown Institute for Media Innovation : [сайт]. — 2025. — 19 November. — URL: https://brown.stanford.edu/?p=9502 (дата обращения: 12.10.2026).
50. alphaXiv Raises $7M Seed Round Co-Led by Menlo Ventures and Haystack // citybiz : [сайт]. — 2025. — 19 November. — URL: https://www.citybiz.co/article/773123/alphaxiv-raises-7m-seed-round-co-led-by-menlo-ventures-and-haystack/ (дата обращения: 13.10.2026).
51. Genkina D. 5 Questions for Rehaan Ahmad // IEEE Spectrum. — 2025. — 25 March. — URL: https://spectrum.ieee.org/alphaxiv (дата обращения: 13.10.2026).
52. MCP Server // alphaXiv : [сайт]. — URL: https://www.alphaxiv.org/docs/mcp (дата обращения: 13.10.2026).
53. alphaxiv/feedback : журнал обращений пользователей и ответов разработчиков // GitHub : [сайт]. — URL: https://github.com/alphaxiv/feedback/issues (дата обращения: 13.10.2026).
54. Privacy Policy // alphaXiv : [сайт]. — 2026. — 24 September. — URL: https://www.alphaxiv.org/privacy (дата обращения: 13.10.2026).
55. Supported Countries // Polar : [сайт]. — URL: https://polar.sh/docs/merchant-of-record/supported-countries (дата обращения: 13.10.2026).
56. Torres M. How I use AlphaXiv to read research papers. — 2025. — 16 October. — URL: https://markptorres.com/ai_workflows/2025-10-16-using-alphaxiv-to-read-papers (дата обращения: 13.10.2026).
57. Pichai S. Google DeepMind: Bringing together two world-class AI teams // The Keyword : Google blog. — 2023. — 20 April. — URL: https://blog.google/technology/ai/april-ai-update/ (дата обращения: 12.10.2026).
58. Semantic Scholar : [сайт]. — URL: https://www.semanticscholar.org/ (дата обращения: 13.10.2026).
59. Semantic Reader // Semantic Scholar : [сайт]. — URL: https://www.semanticscholar.org/product/semantic-reader (дата обращения: 13.10.2026).
60. Paper Pages // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/paper-pages (дата обращения: 13.10.2026).
61. Trending Papers // Hugging Face : [сайт]. — URL: https://huggingface.co/papers/trending (дата обращения: 12.10.2026).
62. https://paperswithcode.com now redirects to huggingface : обсуждение № 116 // paperswithcode/paperswithcode-data : репозиторий GitHub. — URL: https://github.com/paperswithcode/paperswithcode-data/issues/116 (дата обращения: 13.10.2026).
63. Google Scholar PDF Reader // Chrome Web Store : [сайт]. — URL: https://chromewebstore.google.com/detail/google-scholar-pdf-reader/dahenjhkoodjbpjheillcadbppiidmhp (дата обращения: 13.10.2026).
64. Pricing // Elicit : [сайт]. — URL: https://elicit.com/pricing (дата обращения: 13.10.2026).
65. How Consensus Works // Consensus : [сайт]. — 2026. — 10 September. — URL: https://help.consensus.app/en/articles/9922673-how-consensus-works (дата обращения: 13.10.2026).
66. ChatPDF : [сайт]. — URL: https://www.chatpdf.com/ (дата обращения: 13.10.2026).
67. NotebookLM is now Gemini Notebook // The Keyword : Google blog : [сайт]. — 2026. — 16 July. — URL: https://blog.google/innovation-and-ai/products/gemini-notebook/notebooklm-gemini-notebook/ (дата обращения: 13.10.2026).
68. Learn about Gemini Notebook // Google Help : [сайт]. — URL: https://support.google.com/gemininotebook/answer/16164461 (дата обращения: 13.10.2026).

Граф цитирования

69. Wohlin C. Guidelines for snowballing in systematic literature studies and a replication in software engineering // Proceedings of the 18th International Conference on Evaluation and Assessment in Software Engineering (EASE ’14). — New York : ACM, 2014. — P. 1–10. — DOI: 10.1145/2601248.2601268.
70. Kessler M. M. Bibliographic coupling between scientific papers // American Documentation. — 1963. — Vol. 14, No. 1. — P. 10–25. — DOI: 10.1002/asi.5090140103.
71. Small H. Co-citation in the scientific literature: A new measure of the relationship between two documents // Journal of the American Society for Information Science. — 1973. — Vol. 24, No. 4. — P. 265–269. — DOI: 10.1002/asi.4630240406.
72. Маршакова И. В. Система связей между документами, построенная на основе ссылок (по данным Science Citation Index) // Научно-техническая информация. Серия 2. — 1973. — № 6. — С. 3–8.
73. Greenhalgh T., Peacock R. Effectiveness and efficiency of search methods in systematic reviews of complex evidence: audit of primary sources // BMJ. — 2005. — Vol. 331, No. 7524. — P. 1064–1065. — DOI: 10.1136/bmj.38636.593461.68.
74. Wohlin C., Kalinowski M., Romero Felizardo K., Mendes E. Successful combination of database search and snowballing for identification of primary studies in systematic literature studies // Information and Software Technology. — 2022. — Vol. 147. — Art. 106908. — DOI: 10.1016/j.infsof.2022.106908.
75. Wright K., Golder S., Rodriguez-Lopez R. Citation searching: a systematic review case study of multiple risk behaviour interventions // BMC Medical Research Methodology. — 2014. — Vol. 14. — Art. 73. — DOI: 10.1186/1471-2288-14-73.
76. OpenAlex : данные о работах W2752727877, W3159355785, W1506559586, полученные через программный интерфейс. — URL: https://api.openalex.org/works?filter=cites:W2752727877 (дата обращения: 13.10.2026).
77. Boutyour Y., Idrissi A. Adaptive Environment Generation for Continual Learning: Integrating Constraint Logic Programming With Deep Reinforcement Learning // IEEE Transactions on Cognitive and Developmental Systems. — 2025. — Vol. 17, No. 3. — P. 540–553. — DOI: 10.1109/TCDS.2024.3485482.
78. About // Connected Papers : [сайт]. — URL: https://www.connectedpapers.com/about (дата обращения: 13.10.2026).
79. Inciteful Academic : документация // Inciteful : [сайт]. — URL: https://incitefulmed.com/academic/help/ (дата обращения: 13.10.2026).
80. Pricing // ResearchRabbit : [сайт]. — URL: https://www.researchrabbit.ai/pricing (дата обращения: 13.10.2026).
81. Pricing // Litmaps : [сайт]. — URL: https://www.litmaps.com/pricing (дата обращения: 13.10.2026).
82. Local Citation Network : [сайт]. — URL: https://localcitationnetwork.github.io/ (дата обращения: 13.10.2026).
83. Новая страница для анализа списка публикаций, цитирующих данную // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 21 января. — URL: https://t.me/elibrary_ru_official/33 (дата обращения: 13.10.2026).

Код

84. Searching for repositories // GitHub Docs : [сайт]. — URL: https://docs.github.com/en/search-github/searching-on-github/searching-for-repositories (дата обращения: 13.10.2026).
85. Licensing a repository // GitHub Docs : [сайт]. — URL: https://docs.github.com/en/repositories/managing-your-repositorys-settings-and-features/customizing-your-repository/licensing-a-repository (дата обращения: 13.10.2026).
86. About CITATION files // GitHub Docs : [сайт]. — URL: https://docs.github.com/en/repositories/managing-your-repositorys-settings-and-features/customizing-your-repository/about-citation-files (дата обращения: 12.10.2026).
87. Referencing and citing content // GitHub Docs : [сайт]. — URL: https://docs.github.com/en/repositories/archiving-a-github-repository/referencing-and-citing-content (дата обращения: 13.10.2026).
88. GitHub and Software // Zenodo Help : [сайт]. — URL: https://help.zenodo.org/docs/github/ (дата обращения: 13.10.2026).
89. Software Heritage : [сайт]. — URL: https://www.softwareheritage.org/ (дата обращения: 13.10.2026).
90. He H., Yang H., Burckhardt P. [et al.]. Six Million (Suspected) Fake Stars on GitHub: A Growing Spiral of Popularity Contests, Spams, and Malware // Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE ’26). — New York : ACM, 2026. — P. 1469–1481. — DOI: 10.1145/3744916.3764531.
91. GitVerse : [сайт]. — URL: https://gitverse.ru/ (дата обращения: 13.10.2026).
92. Мос.Хаб : [сайт]. — URL: https://hub.mos.ru/ (дата обращения: 13.10.2026).
93. GitFlic : [сайт]. — URL: https://gitflic.ru/ (дата обращения: 13.10.2026).

Модели

94. Hugging Face : [сайт]. — Разделы Models и Datasets. — URL: https://huggingface.co/models (дата обращения: 12.10.2026).
95. Model Cards // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/model-cards (дата обращения: 13.10.2026).
96. Mitchell M., Wu S., Zaldivar A. [et al.]. Model Cards for Model Reporting // Proceedings of the Conference on Fairness, Accountability, and Transparency. — New York : ACM, 2019. — P. 220–229. — DOI: 10.1145/3287560.3287596.
97. Gated models // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/models-gated (дата обращения: 13.10.2026).
98. Pickle Scanning // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/security-pickle (дата обращения: 13.10.2026).
99. Digital Object Identifier (DOI) // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/doi (дата обращения: 13.10.2026).
100. DataCite REST API : DOI с префиксами Hugging Face (10.57967) и Kaggle (10.34740). — URL: https://api.datacite.org/dois?prefix=10.57967 (дата обращения: 13.10.2026).
101. SciRus-tiny : модель для векторных представлений научных текстов / Лаборатория машинного обучения и семантического анализа Института искусственного интеллекта МГУ. — Москва, 2023. — Лицензия: MIT. — URL: https://huggingface.co/mlsa-iai-msu-lab/sci-rus-tiny (дата обращения: 12.10.2026).
102. Gerasimenko N., Vatolin A., Ianina A., Vorontsov K. SciRus: Tiny and Powerful Multilingual Encoder for Scientific Texts // Doklady Mathematics. — 2024. — Vol. 110, suppl. 1. — P. S193–S202. — DOI: 10.1134/S1064562424602178.
103. ruSciBench : набор данных / Лаборатория машинного обучения и семантического анализа Института искусственного интеллекта МГУ. — Москва, 2023. — Лицензия: MIT. — URL: https://huggingface.co/datasets/mlsa-iai-msu-lab/ru_sci_bench (дата обращения: 12.10.2026).
104. TensorFlow Hub has moved to Kaggle Models // tensorflow/hub : репозиторий GitHub. — URL: https://github.com/tensorflow/hub (дата обращения: 13.10.2026).
105. Keras Applications // Keras : [сайт]. — URL: https://keras.io/api/applications/ (дата обращения: 13.10.2026).

Вредоносный код в репозиториях и моделях

106. Malware Found in Trending Hugging Face Repository “Open-OSS/privacy-filter” // HiddenLayer : [сайт]. — 2026. — 7 мая. — URL: https://www.hiddenlayer.com/research/malware-found-in-trending-hugging-face-repository-open-oss-privacy-filter (дата обращения: 13.10.2026).
107. Нефёдова М. Фальшивый репозиторий OpenAI в Hugging Face занял первое место в рейтинге и содержал стилер // Хакер : [сайт]. — 2026. — 12 мая. — URL: https://xakep.ru/2026/05/12/fake-privacy-filter/ (дата обращения: 13.10.2026).
108. Cohen S. Never Deleted, Only Re-Pointed: Inside the 17,600-Repo FakeGit Fleet That Re-Arms Overnight // Apiiro : [сайт]. — 2026. — 6 октября. — URL: https://apiiro.com/blog/never-deleted-only-re-pointed (дата обращения: 13.10.2026).
109. Zaytsev O. AgentBaiting: How 800+ Fake AI Skills and MCP Servers Delivered Malware // Island : [сайт]. — 2026. — 20 июля. — URL: https://www.island.io/blog/agentbaiting-how-800-fake-ai-skills-and-mcp-servers-delivered-malware (дата обращения: 13.10.2026).
110. 7600 репозиториев на GitHub распространяют малварь SmartLoader // Хакер : [сайт]. — 2026. — 22 июля. — URL: https://xakep.ru/2026/07/22/fakegit/ (дата обращения: 13.10.2026).
111. Вредоносный код в GitHub: как хакеры атакуют программистов // Блог Касперского : [сайт]. — 2025. — 25 февраля. — URL: https://www.kaspersky.ru/blog/malicious-code-in-github/39126/ (дата обращения: 13.10.2026).
112. Concise Guide for Evaluating Open Source Software // Open Source Security Foundation : [сайт]. — 2025. — 28 марта. — URL: https://best.openssf.org/Concise-Guide-for-Evaluating-Open-Source-Software (дата обращения: 13.10.2026).
113. GitHub Acceptable Use Policies // GitHub Docs : [сайт]. — URL: https://docs.github.com/en/site-policy/acceptable-use-policies/github-acceptable-use-policies (дата обращения: 13.10.2026).
114. Malware Scanning // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/hub/security-malware (дата обращения: 13.10.2026).
115. Safetensors // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/safetensors/index (дата обращения: 13.10.2026).
116. Loading models // Hugging Face Docs : [сайт]. — URL: https://huggingface.co/docs/transformers/main/en/models (дата обращения: 13.10.2026).
117. Windows Sandbox // Microsoft Learn : [сайт]. — 2026. — 29 марта. — URL: https://learn.microsoft.com/en-us/windows/security/application-security/application-isolation/windows-sandbox/ (дата обращения: 13.10.2026).
118. Containers vs. virtual machines // Microsoft Learn : [сайт]. — 2025. — 22 января. — URL: https://learn.microsoft.com/en-us/virtualization/windowscontainers/about/containers-vs-vm (дата обращения: 13.10.2026).
119. Secure installs // pip documentation : [сайт]. — URL: https://pip.pypa.io/en/stable/topics/secure-installs/ (дата обращения: 13.10.2026).
120. venv — Creation of virtual environments // Python documentation : [сайт]. — URL: https://docs.python.org/3/library/venv.html (дата обращения: 13.10.2026).
121. About Oracle VirtualBox // Oracle VirtualBox User Guide : [сайт]. — URL: https://docs.oracle.com/en/virtualization/virtualbox/7.2/user/Introduction.html (дата обращения: 13.10.2026).
122. Frequently Asked Questions // Google Colab : [сайт]. — URL: https://research.google.com/colaboratory/faq.html (дата обращения: 13.10.2026).
123. Notebooks Documentation // Kaggle : [сайт]. — URL: https://www.kaggle.com/docs/notebooks (дата обращения: 13.10.2026).

Наборы данных

124. Kaggle: The World’s AI Proving Ground : [сайт]. — URL: https://www.kaggle.com (дата обращения: 12.10.2026).
125. Kaggle // Wikipedia : [сайт]. — URL: https://en.wikipedia.org/wiki/Kaggle (дата обращения: 12.10.2026).
126. Datasets Documentation // Kaggle : [сайт]. — URL: https://www.kaggle.com/docs/datasets (дата обращения: 13.10.2026).
127. Competitions Documentation // Kaggle : [сайт]. — URL: https://www.kaggle.com/docs/competitions (дата обращения: 13.10.2026).
128. Movie Dialog Corpus // Kaggle : [сайт]. — URL: https://www.kaggle.com/datasets/Cornell-University/movie-dialog-corpus (дата обращения: 12.10.2026).
129. Danescu-Niculescu-Mizil C., Lee L. Cornell Movie-Dialogs Corpus : набор данных. — Ithaca : Cornell University, 2011. — URL: https://www.cs.cornell.edu/~cristian/Cornell_Movie-Dialogs_Corpus.html (дата обращения: 12.10.2026).
130. Danescu-Niculescu-Mizil C., Lee L. Chameleons in Imagined Conversations: A New Approach to Understanding Coordination of Linguistic Style in Dialogs // Proceedings of the 2nd Workshop on Cognitive Modeling and Computational Linguistics. — Portland : Association for Computational Linguistics, 2011. — P. 76–87. — URL: https://aclanthology.org/W11-0609/ (дата обращения: 12.10.2026).
131. Gebru T., Morgenstern J., Vecchione B. [et al.]. Datasheets for datasets // Communications of the ACM. — 2021. — Vol. 64, No. 12. — P. 86–92. — DOI: 10.1145/3458723.
132. Jiménez-Sánchez A., Avlona N.-R., Juodelyte D. [et al.]. Copycats: the many lives of a publicly available medical imaging dataset : preprint // arXiv. — 2024. — arXiv:2402.06353. — URL: https://arxiv.org/abs/2402.06353 (дата обращения: 13.10.2026).
133. MNIST digits classification dataset // Keras : [сайт]. — URL: https://keras.io/api/datasets/mnist/ (дата обращения: 13.10.2026).
134. ylecun/mnist // Hugging Face : [сайт]. — URL: https://huggingface.co/datasets/ylecun/mnist (дата обращения: 13.10.2026).
135. Large-scale CelebFaces Attributes (CelebA) Dataset // Multimedia Laboratory, The Chinese University of Hong Kong : [сайт]. — URL: https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html (дата обращения: 13.10.2026).
136. Hugging Face Hub API : поиск наборов данных по слову «celeba». — URL: https://huggingface.co/api/datasets?search=celeba (дата обращения: 13.10.2026).
137. General policies // Zenodo : [сайт]. — URL: https://about.zenodo.org/policies/ (дата обращения: 13.10.2026).
138. UCI Machine Learning Repository : [сайт]. — URL: https://archive.ics.uci.edu/ (дата обращения: 13.10.2026).
139. Google Dataset Search : [сайт]. — URL: https://datasetsearch.research.google.com/ (дата обращения: 13.10.2026).
140. re3data.org – Registry of Research Data Repositories : [сайт]. — URL: https://www.re3data.org/ (дата обращения: 13.10.2026).
141. Портал открытых данных Правительства Москвы : [сайт]. — URL: https://data.mos.ru/ (дата обращения: 13.10.2026).
142. Единая межведомственная информационно-статистическая система (ЕМИСС) : [сайт]. — URL: https://www.fedstat.ru/ (дата обращения: 13.10.2026).
143. Фокина П. Портал открытых данных возобновил работу после двухлетнего перерыва // Если быть точным : [сайт]. — 2025. — 16 июля. — URL: https://tochno.st/materials/portal-otkrytyx-dannyx-vozobnovil-rabotu-posle-dvuxletnego-pereryva-80-datasetov-byli-vylozeny-do-2024-goda-i-s-tex-por-ne-obnovlialis (дата обращения: 13.10.2026).

Источники для проектов разных траекторий

144. Code examples // Keras : [сайт]. — URL: https://keras.io/examples/ (дата обращения: 13.10.2026).
145. TensorFlow Datasets : репозиторий GitHub. — URL: https://github.com/tensorflow/datasets (дата обращения: 13.10.2026).
146. Download // ImageNet : [сайт]. — URL: https://www.image-net.org/download.php (дата обращения: 13.10.2026).
147. Gymnasium : документация // Farama Foundation : [сайт]. — URL: https://gymnasium.farama.org/ (дата обращения: 13.10.2026).
148. Arcade Learning Environment : документация // Farama Foundation : [сайт]. — URL: https://ale.farama.org/getting-started/ (дата обращения: 13.10.2026).
149. Minari : документация // Farama Foundation : [сайт]. — URL: https://minari.farama.org/ (дата обращения: 13.10.2026).
150. Stable-Baselines3 : репозиторий GitHub. — URL: https://github.com/DLR-RM/stable-baselines3 (дата обращения: 13.10.2026).
151. RL Baselines3 Zoo : таблица результатов обученных агентов // GitHub : [сайт]. — URL: https://github.com/DLR-RM/rl-baselines3-zoo/blob/master/benchmark.md (дата обращения: 13.10.2026).
152. CleanRL : репозиторий GitHub. — URL: https://github.com/vwxyzjn/cleanrl (дата обращения: 13.10.2026).
153. Huang S. [et al.]. Open RL Benchmark: Comprehensive Tracked Experiments for Reinforcement Learning : preprint // arXiv. — 2024. — arXiv:2402.03046. — URL: https://arxiv.org/abs/2402.03046 (дата обращения: 13.10.2026).
154. Asset Store Terms of Service and EULA // Unity : [сайт]. — 2024. — 4 December. — URL: https://unity.com/legal/as-terms (дата обращения: 13.10.2026).
155. Game assets // itch.io : [сайт]. — URL: https://itch.io/game-assets (дата обращения: 13.10.2026).
156. FAQ // OpenGameArt.org : [сайт]. — URL: https://opengameart.org/content/faq (дата обращения: 13.10.2026).
157. Support // Kenney : [сайт]. — URL: https://kenney.nl/support (дата обращения: 13.10.2026).
158. License // Poly Haven : [сайт]. — URL: https://polyhaven.com/license (дата обращения: 13.10.2026).
159. FAQ // Freesound : [сайт]. — URL: https://freesound.org/help/faq/ (дата обращения: 13.10.2026).
160. Steam Charts // Steam : [сайт]. — URL: https://store.steampowered.com/charts/ (дата обращения: 13.10.2026).
161. About // Steam Spy : [сайт]. — URL: https://steamspy.com/about (дата обращения: 13.10.2026).
162. NVIDIA/cuda-samples : репозиторий GitHub. — URL: https://github.com/NVIDIA/cuda-samples (дата обращения: 13.10.2026).
163. NVIDIA/CUDALibrarySamples : репозиторий GitHub. — URL: https://github.com/NVIDIA/CUDALibrarySamples (дата обращения: 13.10.2026).
164. Deprecation Notices // Numba : [сайт]. — URL: https://numba.readthedocs.io/en/stable/reference/deprecation.html (дата обращения: 13.10.2026).
165. SuiteSparse Matrix Collection : [сайт]. — URL: https://sparse.tamu.edu/ (дата обращения: 13.10.2026).
166. Rodinia: Accelerating Compute-Intensive Applications with Accelerators : [сайт]. — URL: https://rodinia.cs.virginia.edu/ (дата обращения: 13.10.2026).
167. NAS Parallel Benchmarks // NASA Advanced Supercomputing Division : [сайт]. — URL: https://www.nas.nasa.gov/software/npb.html (дата обращения: 13.10.2026).
168. TOP500 List – June 2026 // TOP500 : [сайт]. — URL: https://top500.org/lists/top500/2026/06/ (дата обращения: 13.10.2026).
169. TorchGeo : репозиторий GitHub. — URL: https://github.com/torchgeo/torchgeo (дата обращения: 13.10.2026).
170. satellite-image-deep-learning/techniques : репозиторий GitHub. — URL: https://github.com/satellite-image-deep-learning/techniques (дата обращения: 13.10.2026).
171. Copernicus Data Space Ecosystem : [сайт]. — URL: https://dataspace.copernicus.eu/ (дата обращения: 13.10.2026).
172. Landsat Data Access // U.S. Geological Survey : [сайт]. — URL: https://www.usgs.gov/landsat-missions/landsat-data-access (дата обращения: 13.10.2026).
173. EuroSAT : репозиторий GitHub. — URL: https://github.com/phelber/EuroSAT (дата обращения: 13.10.2026).

Верификация: идентификаторы, отзыв статей, списки журналов

174. DOI Not Found // DOI Foundation : [сайт]. — URL: https://doi.org/10.1007/s10920-017-0421-x (дата обращения: 12.10.2026).
175. Что происходит с регистрацией кодов DOI? // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 17 февраля. — URL: https://t.me/elibrary_ru_official/44 (дата обращения: 12.10.2026).
176. The Retraction Watch Database becomes completely open – and RW becomes far more sustainable // Retraction Watch : [сайт]. — 2023. — 12 September. — URL: https://retractionwatch.com/2023/09/12/the-retraction-watch-database-becomes-completely-open-and-rw-becomes-far-more-sustainable/ (дата обращения: 12.10.2026).
177. Плохие и хорошие ретракции // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 31 января. — URL: https://t.me/elibrary_ru_official/39 (дата обращения: 12.10.2026).
178. Чем Белый список отличается от ядра РИНЦ // eLIBRARY.RU : официальный телеграм-канал. — 2025. — 24 января. — URL: https://t.me/elibrary_ru_official/36 (дата обращения: 12.10.2026).
179. Новое ядро РИНЦ: противостояние девальвации научных публикаций // eLIBRARY.RU : официальный телеграм-канал. — 2026. — 12 марта. — URL: https://t.me/elibrary_ru_official/100 (дата обращения: 12.10.2026).
180. ЕГПНИ – Единый государственный перечень научных изданий // Фундаментальная библиотека РГПУ им. А. И. Герцена : [сайт]. — URL: https://lib.herzen.spb.ru/p/egpni (дата обращения: 12.10.2026).
181. Рекомендация ВАК при Минобрнауки России от 26 октября 2022 г. № 2-пл/4 // Научная библиотека НГТУ : [сайт]. — URL: https://library.nstu.ru/files/new/2023/Рекомендация ВАК от 26 окт. 2022 г. N 2-пл4.pdf.
182. Идентификация библиографических записей // eLIBRARY.RU : [сайт]. — URL: https://elibrary.ru/find_edn_list.asp (дата обращения: 12.10.2026).
183. Открыт доступ к сервису для идентификации ссылок // eLIBRARY.RU : официальный телеграм-канал. — 2024. — 23 декабря. — URL: https://t.me/elibrary_ru_official/23 (дата обращения: 13.10.2026).
184. Simple Text Query // Crossref : [сайт]. — URL: https://apps.crossref.org/SimpleTextQuery (дата обращения: 13.10.2026).

Верификация и ИИ-сервисы

185. DeepSeek-R1 : описание модели, раздел «Official Prompts» // deepseek-ai/DeepSeek-R1 : репозиторий GitHub. — URL: https://github.com/deepseek-ai/DeepSeek-R1/blob/main/README.md (дата обращения: 13.10.2026).
186. Terms of Use // DeepSeek : [сайт]. — 2026. — 27 March. — URL: https://cdn.deepseek.com/policies/en-US/deepseek-terms-of-use.html (дата обращения: 13.10.2026).
187. Reduce hallucinations // Claude Docs : [сайт]. — URL: https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations (дата обращения: 13.10.2026).
188. Citations // Claude Docs : [сайт]. — URL: https://platform.claude.com/docs/en/build-with-claude/citations (дата обращения: 13.10.2026).
189. Searching the web with ChatGPT // OpenAI Help Center : [сайт]. — URL: https://help.openai.com/en/articles/9237897-searching-the-web-with-chatgpt (дата обращения: 13.10.2026).
190. Prompt Guide // Perplexity Docs : [сайт]. — URL: https://docs.perplexity.ai/docs/agent-api/prompt-guide (дата обращения: 13.10.2026).
191. Алиса AI в Поиске // Яндекс Справка : [сайт]. — URL: https://yandex.ru/support/search/ru/alice (дата обращения: 13.10.2026).
192. База знаний ГигаЧат // GigaChat : [сайт]. — URL: https://giga.chat/help (дата обращения: 13.10.2026).
193. Dhuliawala S., Komeili M., Xu J. [et al.]. Chain-of-Verification Reduces Hallucination in Large Language Models // Findings of the Association for Computational Linguistics: ACL 2024. — Bangkok, 2024. — P. 3563–3578. — DOI: 10.18653/v1/2024.findings-acl.212.
194. Agrawal A., Suzgun M., Mackey L., Kalai A. T. Do Language Models Know When They’re Hallucinating References? // Findings of the Association for Computational Linguistics: EACL 2024. — 2024. — P. 912–928. — DOI: 10.18653/v1/2024.findings-eacl.62.
195. microsoft/hallucinated-references : запросы к статье о распознавании выдуманных ссылок // GitHub : [сайт]. — URL: https://github.com/microsoft/hallucinated-references/blob/main/code/src/prompts.py (дата обращения: 13.10.2026).
196. Huang J., Chen X., Mishra S. [et al.]. Large Language Models Cannot Self-Correct Reasoning Yet : preprint // arXiv. — 2023. — arXiv:2310.01798. — URL: https://arxiv.org/abs/2310.01798 (дата обращения: 13.10.2026).
197. Cabezas-Clavijo Á., Sidorenko-Bautista P. Assessing the Performance of 8 AI Chatbots in Bibliographic Reference Retrieval: Grok and DeepSeek Outperform ChatGPT, but None are Entirely Accurate // Journal of Data and Information Science. — 2026. — Vol. 11, No. 2. — P. 102–116. — DOI: 10.1515/jdis-2025-0326.
198. Jaźwińska K., Chandrasekar A. AI Search Has a Citation Problem // Columbia Journalism Review. — 2025. — 6 March. — URL: https://www.cjr.org/tow_center/we-compared-eight-ai-search-engines-theyre-all-bad-at-citing-news.php (дата обращения: 13.10.2026).
199. Rao D., Wong E., Callison-Burch C. Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents : preprint // arXiv. — 2026. — arXiv:2604.03173. — URL: https://arxiv.org/abs/2604.03173 (дата обращения: 13.10.2026).
200. Russinovich M. RefChecker : программа. — Лицензия: MIT. — URL: https://github.com/markrussinovich/refchecker (дата обращения: 13.10.2026).
201. Russinovich M., Shankar Siva Kumar R., Salem A. Phantom References: Hallucinated Citations That Survive Peer Review at Top-Tier Conferences : preprint // arXiv. — 2026. — arXiv:2607.00738. — URL: https://arxiv.org/abs/2607.00738 (дата обращения: 13.10.2026).
202. GPTZero finds over 50 new hallucinations in ICLR 2026 submissions // GPTZero : [сайт]. — 2025. — 5 December. — URL: https://gptzero.me/news/iclr-2026/ (дата обращения: 13.10.2026).
203. Using Generative AI To Do Research: Verifying What You Find & Use // York University Libraries : [сайт]. — URL: https://researchguides.library.yorku.ca/c.php?g=740624&p=5347346 (дата обращения: 13.10.2026).
204. Проза А. Как добиться от нейросети правды: готовый промпт и 7 приёмов // Boom AI : [сайт]. — 2026. — 19 сентября. — URL: https://boom-ai.ru/blog/pravda/ (дата обращения: 13.10.2026).
205. Лейзаренко Д. Разрешите нейросети отвечать «Я не знаю», чтобы снизить галлюцинации: один промпт // Т—Ж : [сайт]. — 2025. — 15 августа. — URL: https://t-j.ru/oneprompt-dont-lie/ (дата обращения: 13.10.2026).
206. Промты для ИИ бесплатно: как составлять правильные запросы для нейросети и создавать эффективный промпт // vc.ru : [сайт]. — 2026. — 12 сентября. — URL: https://vc.ru/services/3135494-kak-sostavlyat-promty-dlya-ii (дата обращения: 13.10.2026).
207. Нейросеть для списка литературы: лучшие ИИ для подбора источников по теме // Хабр : [сайт]. — 2026. — 18 сентября. — URL: https://habr.com/ru/companies/kampus_ai/articles/1083840/ (дата обращения: 13.10.2026).
208. Список литературы тоже умеет галлюцинировать: как я делаю систему проверки научных источников // Хабр : [сайт]. — 2026. — 2 апреля. — URL: https://habr.com/ru/articles/1018664/ (дата обращения: 13.10.2026).
209. Hasan N. 20 AI Prompts for Managing Citations and References // Prompt Architects : [сайт]. — 2026. — 27 August. — URL: https://prompt-architects.com/blog/291-20-ai-prompts-for-managing-citations-and-references (дата обращения: 13.10.2026).

Стандарты и стили библиографических ссылок

210. ГОСТ Р 7.0.5–2008. Система стандартов по информации, библиотечному и издательскому делу. Библиографическая ссылка. Общие требования и правила составления : национальный стандарт Российской Федерации : дата введения 2009-01-01. — Москва : Стандартинформ, 2008.
211. ГОСТ Р 7.0.100–2018. Система стандартов по информации, библиотечному и издательскому делу. Библиографическая запись. Библиографическое описание. Общие требования и правила составления : национальный стандарт Российской Федерации : утвержден и введен в действие приказом Росстандарта от 3 декабря 2018 г. № 1050-ст : введен впервые : дата введения 2019-07-01 // Электронный фонд правовых и нормативно-технических документов «Кодекс» : [сайт]. — URL: https://docs.cntd.ru/document/1200161674 (дата обращения: 12.10.2026).
212. ГОСТ Р 7.0.108–2022. Система стандартов по информации, библиотечному и издательскому делу. Библиографические ссылки на электронные документы, размещенные в информационно-телекоммуникационных сетях. Общие требования к составлению и оформлению : национальный стандарт Российской Федерации : утвержден и введен в действие приказом Росстандарта от 12 мая 2022 г. № 284-ст : дата введения 2022-06-01. — Электронная копия. — URL: https://www.dvfu.ru/library/official-documents/1. ГОСТ Р 7.0.108-2022.docx (дата обращения: 12.10.2026).
213. Краткие методические рекомендации по оформлению библиографической информации с учетом требований ГОСТ Р 7.0.100–2018 / Научная библиотека ГИТИС. — Москва, 2022. — URL: https://www.gitis.net/upload/iblock/d8d/ioszkapyc6i6ky000o67ui1p1ykla9ez/gost_r_7.0.100–2018.pdf (дата обращения: 12.10.2026).
214. ГОСТ 7.32–2017. Система стандартов по информации, библиотечному и издательскому делу. Отчет о научно-исследовательской работе. Структура и правила оформления : межгосударственный стандарт : введен в действие приказом Росстандарта от 24 октября 2017 г. № 1494-ст : взамен ГОСТ 7.32–2001 : дата введения 2018-07-01. — Электронная копия. — URL: https://cs.msu.ru/sites/cmc/files/docs/2021-11gost_7.32-2017.pdf (дата обращения: 13.10.2026).
215. ГОСТ Р 7.0.80–2023. Система стандартов по информации, библиотечному и издательскому делу. Библиографическая запись. Заголовок. Общие требования и правила составления : национальный стандарт Российской Федерации : утвержден и введен в действие приказом Росстандарта от 25 мая 2023 г. № 348-ст : дата введения 2023-08-01. — Электронная копия. — URL: https://www.lib.tsu.ru/sites/default/files/pictures/gost_r_7.0.80-2023.pdf (дата обращения: 13.10.2026).
216. Карточки стандартов ГОСТ Р 7.0.5–2008, ГОСТ Р 7.0.100–2018, ГОСТ Р 7.0.108–2022, ГОСТ 7.32–2017, ГОСТ 7.1–2003 // Росстандарт : портал стандартов. — URL: https://protect.gost.ru/gost/details/2eef7820-44bc-49a4-bf1f-fe51c54039dc (дата обращения: 13.10.2026).
217. План национальной стандартизации на 2026 г. : темы технического комитета по стандартизации № 191 // ГПНТБ России : [сайт]. — URL: https://www.gpntb.ru/images/TK191/PNS_2026.pdf (дата обращения: 13.10.2026).
218. ГОСТ Р 7.0.108–2022 : официальное издание : электронная копия // Научная библиотека Томского государственного университета : [сайт]. — URL: https://www.lib.tsu.ru/sites/default/files/pictures/gost_r_7.0.108-2022.pdf (дата обращения: 13.10.2026).
219. Publication Manual of the American Psychological Association. — 7th ed. — Washington : American Psychological Association, 2020. — DOI: 10.1037/0000165-000.
220. Journal article references // APA Style : [сайт]. — URL: https://apastyle.apa.org/style-grammar-guidelines/references/examples/journal-article-references (дата обращения: 13.10.2026).
221. The Chicago Manual of Style. — 18th ed. — Chicago : University of Chicago Press, 2024. — URL: https://www.chicagomanualofstyle.org/tools_citationguide/citation-guide-2.html (дата обращения: 13.10.2026).
222. Turabian Citation Quick Guide // The Chicago Manual of Style Online : [сайт]. — URL: https://www.chicagomanualofstyle.org/turabian/citation-guide.html (дата обращения: 13.10.2026).
223. Reference List and Citations Style Guide for MDPI Journals // MDPI : [сайт]. — URL: https://mdpi-res.com/data/mdpi_references_guide_v9.pdf (дата обращения: 13.10.2026).
224. Du Z., Wang J., Li H. Quantum Firefly Algorithm: A Novel Approach for Quantum Circuit Scheduling Optimization : страница статьи с окном цитирования : архивная копия от 26.05.2025 // Internet Archive : [сайт]. — URL: https://web.archive.org/web/20250526121846/https://www.mdpi.com/2079-9292/14/11/2123 (дата обращения: 13.10.2026).
225. ACS Style Quick Guide // ACS Guide to Scholarly Communication. — Washington : American Chemical Society, 2020–2025. — DOI: 10.1021/acsguide.40303.
226. IEEE Reference Style Guide for Authors // IEEE Author Center : [сайт]. — 2025. — URL: https://journals.ieeeauthorcenter.ieee.org/wp-content/uploads/sites/7/IEEE_Reference_Guide.pdf (дата обращения: 13.10.2026).
227. Content negotiation // Crossref : [сайт]. — URL: https://www.crossref.org/documentation/retrieve-metadata/content-negotiation/ (дата обращения: 13.10.2026).
228. Список стилей сервиса форматирования ссылок по DOI // CrossCite : [сайт]. — URL: https://citation.crosscite.org/styles (дата обращения: 13.10.2026).
229. Zotero Style Repository // Zotero : [сайт]. — URL: https://www.zotero.org/styles (дата обращения: 13.10.2026).
230. biblatex-gost // CTAN : [сайт]. — URL: https://ctan.org/pkg/biblatex-gost (дата обращения: 13.10.2026).