Пост 3 Пост2 = https://set.ki/post/QV7yyX7 Завершаю серию тестов текстового алгоритма.

После построения профиля и генерации масок алгоритм сравнил две версии статьи с внешней выборкой (гипотетической, на основе известных работ). Результат — три категории.

Общие места (совпадают с внешними источниками): — критика панкомпьютационализма; — ссылки на Bender & Koller; — упоминание аргумента китайской комнаты.

Это базис. Его можно не доказывать — он уже признан в поле.

Уникальные смыслы (есть в тексте, но почти нет вовне): — проекция синтаксического суперзнака на Self-Attention; — интерпретация Softmax как «смерти пропозиции»; — идея о том, что SSA и LoRA создают асимметричное преимущество для маломощных команд.

Это материал для усиления. Именно эти темы выделяют статью на фоне других.

Слепые зоны (есть у других, но отсутствуют в тексте): — эмпирические данные о влиянии GenAI на эпистемическое сопротивление (Ma et al., 2025); — теория коллективной эпистемологии (Synthese, 2025); — результаты тестов RULER и GPQA для SSA-архитектур.

Алгоритм рекомендовал добавить эти блоки. После их включения статья стала полноценнее — и по объёму, и по аргументации.

Что в сухом остатке

Алгоритм не написал статью. Он выдал карту: — где я совпадаю с другими (это можно не объяснять), — где я уникален (это надо развивать), — где я слеп (это срочно добавить).

И самое ценное — он подсветил оппонентов, с которыми стоит спорить. В научной работе это часто важнее, чем десятки подтверждающих цитат.

В следующем посте — про то, как те же маски работают не для науки, а для маркетинга. И почему контрастный поиск там даёт не меньше пользы.

—

Хэштеги:

#искусственный_интеллект #семантическийпоиск #анализданных #обработкатекста #nlp #информационныйпоиск #когнитивныекарты #исследования #бенчмарк #аналитика #научныестатьи