ВКР с помощью нейросети: лёгкий результат или заваленная защита?

Студентка отправляет научному руководителю теоретическую главу. Двадцать восемь страниц, ровный слог, тридцать четыре источника в списке. Через день приходит ответ: «Кто такой Соколов, 2019? Я такой работы не нахожу. Проверьте весь список». Соколова не существует – его придумала нейросеть, к которой студентка обратилась, когда до сдачи оставалась неделя.

Ситуация типовая, и дело здесь не в честности, а в устройстве инструмента. Языковая модель умеет собирать правдоподобный текст и не умеет отвечать за его содержание: она не проверяет, существует ли источник, не знает вашей выборки и не была на вашей кафедре. Отсюда простое правило: нейросеть работает с формой и не работает с фактами. Всё, что можно ей поручить, лежит по одну сторону этой границы; всё, что нельзя, – по другую.

Что нейросеть в работе делает хорошо

Есть задачи, где модель экономит часы и ничем не рискует. Общее у них одно: содержание вы приносите сами, а модель меняет только форму.

Во всех пяти случаях исходный материал ваш. Модель не добавляет знания – она переупаковывает то, что вы уже принесли.

Где нейросеть подводит – и почему это заметно

Границу проще всего показать на том, что происходит, когда её переходят.

Источники. Модель не ищет литературу, она предсказывает, как выглядит ссылка. Поэтому выдаёт правдоподобные фамилии, правдоподобные годы и несуществующие статьи. Причём вперемешку с настоящими, и на глаз одно от другого не отличается: и там и там правильно оформленная ссылка на журнал, который действительно существует. Научный руководитель находит подделку за пять минут – он ищет источник по названию и не находит.

Обоснование выборки. Модель не видела ваших данных. Она напишет «выборку составили 60 респондентов, что достаточно для обеспечения статистической мощности» – фразу, которая выглядит как обоснование и им не является. Настоящее обоснование требует расчёта с конкретными условиями: какой ожидается размер эффекта, какой уровень значимости, сколько групп сравнивается. Это считается по формуле, а не формулируется словами.

Интерпретация результатов. Ваши цифры нейросеть не знает. Если ей их дать, она построит связное объяснение – и оно будет усреднённым: то, что обычно пишут при такой корреляции. А ваша работа интересна ровно тем, чем отличается от обычного случая.

Требования кафедры. Объём, структура, порядок оформления списка, порог оригинальности – всё это модель не знает и додумывает.

Что видит модуль ИИ-детекции

В «Антиплагиат.ВУЗ» есть модуль, оценивающий вероятность того, что фрагмент сгенерирован. Понимать, как он устроен, полезно – и в ту, и в другую сторону.

Детектор не «узнаёт» текст нейросети. Он измеряет статистические свойства: насколько выбор каждого следующего слова предсказуем, насколько ровная длина предложений, насколько однородна лексика. Сгенерированный текст в среднем ровнее человеческого – в этом и состоит сигнал.

Из этого следуют два практических вывода, и оба неприятны.

Первый: детектор ошибается в обе стороны. Отредактированный человеком сгенерированный текст он часто пропускает. И наоборот – аккуратный, выдержанный в одном регистре текст добросовестного студента может получить высокий процент. Особенно страдают переводные фрагменты и разделы с формальными формулировками: описание методик, процедура исследования.

Второй: решение принимает не программа, а человек. Отчёт – основание для разговора, а не приговор. И разговор этот будет не о процентах, а о том, можете ли вы объяснить написанное.

Главная проверка – не детектор, а защита

Сгенерированную работу ломает не программа, а один вопрос комиссии: «Почему вы выбрали именно такую выборку?»

Дальше идут его родственники, и все они устроены одинаково: спрашивают не о том, что написано, а о том, почему написано именно так.

• Почему вы взяли этот опросник, а не другой, измеряющий тот же конструкт?
• Проверяли ли вы нормальность распределения и что делали, когда она не подтвердилась?
• Почему в разделе обсуждения вы сравниваете себя с этим исследованием, а не с более поздним?
• Какое ограничение вашей работы вы считаете самым серьёзным?

Текст, собранный моделью, отвечает на вопрос «что», но не содержит ответа на «почему»: у него нет истории решений. Студент, который писал сам, помнит, что сначала взял другую методику и отказался от неё, потому что у русскоязычной версии не нашлось данных о валидности. Студент, который получил готовый текст, этой истории не имеет и на паузе выдаёт себя вернее любого отчёта.

Те же вопросы возникают и без всякой нейросети – мы разбирали их в материале про типичные ошибки, которые комиссия видит сразу.

Как пользоваться нейросетью и не подставиться

Рабочая схема состоит из четырёх шагов. Её задача не в том, чтобы обмануть проверку, а в том, чтобы получить пользу и сохранить возможность защитить работу.

Шаг 1. Сначала своё, потом модель. Черновик абзаца пишете вы, пусть криво. Модель приводит его в порядок. Обратный порядок – «пусть напишет, а я поправлю» – не работает: править чужую гладкую формулировку психологически тяжелее, чем свою корявую, и в итоге текст остаётся модельным.

Шаг 2. Каждый источник проверяется по базе. Не в поиске, а в eLibrary, Scopus или на сайте журнала. Правило простое: не нашли – не цитируем. Ссылка, существование которой вы не подтвердили лично, в списке литературы не появляется.

Шаг 3. Числа и обоснования – только свои. Расчёт объёма выборки, выбор критерия, интерпретация – это ваша работа. Модель может объяснить вам метод, но не может выбрать его за вас: выбор зависит от шкалы, распределения и схемы вашего исследования.

Шаг 4. Проверка на защиту. Прочитайте свой текст и на каждом втором абзаце спросите себя: «смогу ли я объяснить, почему здесь написано именно так». Если на каком-то абзаце ответа нет – этот абзац придётся переписать независимо от того, кто его сочинил.

Как описать это в самой работе

Всё больше кафедр требует раскрывать использование языковых моделей. Формулировка, которая проходит согласование и ничего не преувеличивает:

Если использование инструментов на кафедре не регламентировано, спросите научного руководителя до сдачи, а не после. Заготовка для письма:

Разбор одного случая

Вернёмся к той теоретической главе, с которой статья началась. Проверка всего списка заняла вечер: из тридцати четырёх ссылок одиннадцать не нашлись ни в eLibrary, ни в Scopus, ни на сайтах журналов. Оригинальность по отчёту – 78 %, вероятность генерации по модулю ИИ-детекции – 64 %.

Что делали. Одиннадцать несуществующих ссылок удалили. По каждой взяли утверждение, которое она подкрепляла, и нашли под него реальную работу: семь подтвердились почти дословно, четыре пришлось заменить близкими по смыслу, а сами утверждения – смягчить. Текст вокруг новых источников переписали, и не ради обхода детектора: аргументация опиралась на то, чего никто не публиковал, и после замены ссылок перестала сходиться.

Заняло это четыре дня вместо недели, которую студентка «сэкономила». Итог: оригинальность 89 %, вероятность генерации 21 % и глава, которую можно защищать, потому что каждый источник в ней автор открывал сам.

Решающей была не работа с процентами. Решающим было восстановление связи между утверждением и его основанием – ровно то, чего сгенерированный текст не содержит по своему устройству.

Что не так с сервисами «ВКР онлайн бесплатно»

Отдельная категория – сайты, обещающие сгенерировать выпускную работу целиком: заполните форму с темой, получите готовый файл. Такой сервис отличается от языковой модели, к которой вы обращаетесь напрямую, и разница существенна.

Технически ничем: под капотом та же модель, только с заранее заданным запросом и шаблоном оформления. Разница в другом – вы не видите промежуточных шагов и не можете вмешаться. Модель одинаково уверенно сочиняет и структуру главы, и список литературы, но в диалоге вы хотя бы замечаете, откуда взялся источник, а в готовом файле – нет.

Второе отличие практическое. Такие сервисы генерируют текст по одному шаблону для всех пользователей: одинаковая структура введения, одинаковые переходы между абзацами, один и тот же набор «классиков» в теоретической главе. Работы, полученные разными студентами по разным темам, оказываются похожи друг на друга сильнее, чем на нормальные ВКР. Проверяющие видят этот шаблон не по отчёту, а глазами – к третьей такой работе за сезон он опознаётся с первого абзаца.

Третье – слово «бесплатно» в таких предложениях обычно означает демонстрационный фрагмент. Полный текст выдаётся за деньги, и тогда вы оказываетесь в положении заказчика работы у анонимного исполнителя, только исполнитель здесь ещё и не человек. Что из этого выходит, мы разбирали на конкретном случае.

Практический вывод простой: если пользуетесь моделью, пользуйтесь ею напрямую и по шагам из предыдущего раздела. Промежуточный сервис не добавляет ничего, кроме шаблона, по которому вас узнают.

А если у меня уже написано нейросетью

Три ситуации, три разных выхода.

До сдачи месяц и больше. Работайте по схеме выше: проверка источников, восстановление аргументации, свои расчёты. Времени хватает, задача решается.

До защиты две-три недели. Полностью переписать не успеете, и попытка обычно кончается плохо. Разумнее выбрать: привести в порядок эмпирическую главу, потому что вопросы на защите будут прежде всего по ней, а теоретическую – хотя бы очистить от несуществующих источников. Одна честная глава лучше двух правдоподобных.

Научный руководитель уже заметил. Признать прямо – практически всегда дешевле, чем настаивать. Разговор «я использовал модель, вижу проблему, вот план исправления и сроки» почти всегда заканчивается планом исправления. Разговор «это я сам писал» при отсутствующем источнике в списке – потерянным доверием на весь оставшийся год.

Во всех трёх случаях первый шаг одинаковый: выпишите все источники и проверьте их по базам. Это два часа работы, и они сразу показывают масштаб проблемы.