В.Н. Добрынин1, А.А. Миловидова2, И.А. Филозова3
1–3 Государственный университет «Дубна», Институт системного анализа и управления (г. Дубна, Россия)
2 МИРЭА – Российский технологический университет, Институт информационных технологий (Москва, Россия)
3 Объединенный институт ядерных исследований, Лаборатория информационных технологий имени М.Г. Мещерякова (г. Дубна, Россия)

1 arbatsolo@yandex.ru

Постановка проблемы. При использовании LLM возникают трудности при проектировании воспроизводимых стратегий работы, а неструктурированный промптинг приводит к нестабильности результатов.

Цель. Показать применение методологии нормализации семантического кода от рабочей нотации к строгой грамматической форме, пригодной для исполнения.

Результаты. Разработаны формальные основания языка семантического кодирования и архитектура LLM как его интерпретатора. Отмечено, что между содержательно понятной рабочей нотацией и строгой грамматической формой существует разрыв. На примере из научно-административной практики (обработка списка публикаций из институционального репозитория) продемонстрирована методология нормализации семантического кода от исходной записи к грамматически строгой форме. Выявлены типовые неполноты рабочих записей (смешение уровней, неполные операторы, неустойчивые онтологические рамки, неявные зависимости, незавершенность синтеза), и предложены способы их устранения.

Практическая значимость. Результатом применения рассмотренной методологии является нормализованный семантический код, пригодный для интерпретации. Методология может быть использована при проектировании воспроизводимых семантических программ не только в области наукометрического анализа и управления научной деятельностью, но и для значительно более широкого круга задач.

Добрынин В.Н., Миловидова А.А., Филозова И.А. Воспроизводимые смысловые вычисления: опыт нормализации семантической программы // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 68–74. DOI: https://doi.org/10.18127/j19998554-202604-06

1. Zamfirescu-Pereira J.D., Wong R.Y., Hartmann B., Yang Q. Why Johnny can't prompt: How non-AI experts try (and fail) to design LLM prompts // Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. 2023. P. 1–11.
2. Sahoo P., Singh A.K., Saha S. et al. A systematic survey of prompt engineering in large language models: Techniques and applications // arXiv preprint. 2024.
3. Liu Y., Li D., Wang K. et al. Are LLMs good at structured outputs? A benchmark for evaluating structured output capabilities in LLMs // Information Processing & Management. 2024. V. 61. № 5. Id. 103809.
4. Yao S., Zhao J., Yu D. et al. ReAct: Synergizing reasoning and acting in language models // ICLR. 2023.
5. Geng S., Josifoski M., Peyrard M. et al. Grammar-constrained decoding for structured NLP tasks without finetuning // EMNLP. 2023. P. 1–15.
6. Филозова И.А. Институциональный репозиторий публикаций как компонент цифровой экосистемы крупной научной организации. Дисс. … канд. техн. наук. СПб. 2025.