Переглянути
Нові надходження
Документ Formalization of Fabric Recycling Methods Depending on Raw Material Composition for Intelligent Decision Support Systems(2026) Zagorodnya, A.; Tymofiiev, I.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThe paper proposes a formalization of fabric recycling methods depending on raw material composition for intelligent decision support systems in textile recycling. The study focuses on combining computer vision, machine learning, and rule-based decision mechanisms to support automated textile waste sorting and processing. The proposed approach includes classification of fabrics into raw material categories, assessment of prediction reliability, and generation of recommendations for further handling, such as reuse, mechanical recycling, chemical recycling, downcycling, or manual inspection. The methodology emphasizes not only fabric recognition but also the intelligent selection of the most appropriate recycling scenario. Experimental results demonstrate that computer vision models can achieve high accuracy in distinguishing natural and synthetic fabrics, creating a practical basis for automated textile recycling systems. The proposed approach can be applied in textile sorting lines, recycling centers, and digital decision support services for sustainable waste management.Документ Analysis of Dataset of Textile Materials Macro Images to Detect Data Leaks(2026) Merezhko, Ye.; Yurchenko, D.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThe paper analyzes a dataset of textile material macro images to detect redundancy-related data leaks that may negatively affect the reliability of neural network classification. The study emphasizes that textile datasets often contain visually similar or near-duplicate images due to repetitive fabric textures and repeated image acquisition conditions, which can lead to inflated evaluation results and reduced model generalization. The proposed approach combines perceptual hashing (pHash) and deep embeddings extracted from a pretrained ResNet18 model to identify and remove redundant images from the dataset. Experimental results demonstrate that dataset cleaning improves classification stability and increases the trustworthiness of CNN-based textile recognition models. The practical significance of the work lies in improving the quality of textile datasets for computer vision tasks, automated fabric classification, and intelligent textile recycling systems.Документ Investigation of Augmentation Impact of Fibers Macro-Images Set on the Neural Network Classification Accuracy(2026) Savenko, B.; Zalutska, O.; Mazurets, O.; Molchanova, M.; Мазурець, Олександр ВікторовичThe paper investigates the impact of image augmentation on the accuracy of neural network classification of textile fibers macro-images. The study focuses on improving automated recognition of fiber composition for textile sorting and recycling systems using computer vision and convolutional neural networks. Several augmentation techniques, including rotation, zoom, translation, contrast adjustment, and horizontal flipping, were experimentally analyzed using a MobileNetV2-based classifier trained on a three-class dataset of textile fiber macro-images. The results demonstrated that augmentation can improve classification stability and generalization, although its effect differs between classes and transformations. The study showed that zoom and translation provided the best overall improvement in macro-F1 score, while some transformations negatively affected specific classes. The obtained results confirm that augmentation in texture-based textile classification should be treated as a controlled experimental factor rather than a universal preprocessing operation.Документ Intelligence Information System for Transformer-Based Sentiment Analysis(2026) Mazurets, O.; Kuzmak, K.; Rovinsky, A.; Kadynska, V.; Мазурець, Олександр ВікторовичThe paper presents an intelligent information system for transformer-based sentiment analysis focused on detecting gender bias in text classification models. The study emphasizes that transformer architectures may assign different sentiment scores to semantically identical sentences depending on gender-related words, which can negatively affect the fairness and objectivity of NLP systems. The proposed system uses counterfactual text generation by creating male and female versions of the same sentence and comparing the sentiment scores produced by a DistilBERT-based model. The architecture includes modules for text preprocessing, counterfactual generation, sentiment classification, bias detection, and result interpretation. Experimental evaluation demonstrated that the model exhibited gender-related differences in a significant number of analyzed cases, confirming the relevance of fairness auditing in sentiment analysis systems. The developed approach can be applied for ethical evaluation and monitoring of transformer-based NLP models.Документ Approach to Normalizing the Tissue Macroimages Set to Determine Raw Material Composition(2026) Lianskorunskyi, K.; Molchanova, M.; Mazurets, O.; Tymofiiev, A.; Мазурець, Олександр ВікторовичThe paper presents an approach to normalizing textile macroimage datasets for improving the reliability of automated raw material composition determination using computer vision methods. The study highlights that variations in lighting, scale, texture orientation, sharpness, and shooting conditions significantly affect the stability of textile classification systems. The proposed approach includes informative region selection, geometric and photometric normalization, image quality control, and dataset-level harmonization while preserving diagnostically significant texture features. The methodology is aimed at reducing technical variability and improving the comparability of textile images for further feature extraction and classification. The practical value of the approach lies in its applicability to low-cost textile quality control, automated sorting, and recycling systems based on ordinary digital cameras or mobile devices.Документ Підхід до виявлення цифрової втоми за повідомленнями із визначенням сегментів спілкування(2025) Віт, Р.В.; Мазурець, Олександр ВікторовичУ роботі запропоновано підхід до виявлення цифрової втоми за текстовими повідомленнями на основі сегментації спілкування. Метод поєднує контекстні мовні ембединги, кластеризацію та інтерпретоване семантичне узагальнення для формування тематичних сегментів комунікації, пов’язаних із когнітивним навантаженням. Повідомлення кодуються за допомогою SentenceTransformer, після чого застосовуються UMAP і HDBSCAN для виділення семантично споріднених груп. Інтерпретація сегментів здійснюється із використанням TF-IDF, KeyBERT та генеративної моделі Flan-T5. Запропонований підхід забезпечує пояснюваність результатів, стійкість до шуму та можливість аналізу цифрової втоми на рівні тематичних контекстів, що робить його придатним для інтеграції в системи ШІ-моніторингу добробуту користувачів.Документ Підхід до оцінювання поведінкових ризиків користувачів з ПТСР за цифровим профілем засобами NLP(2025) Овчарук, О.М.; Мазурець, Олександр ВікторовичУ роботі запропоновано інтерпретований підхід до оцінювання поведінкових ризиків користувачів із посттравматичним стресовим розладом на основі аналізу їх цифрового текстового профілю засобами обробки природної мови. Метод ґрунтується на багатокомпонентній трансформерній архітектурі, що поєднує детекцію PTSD-контенту, виявлення коморбідних ментальних станів та аналіз емоційного контексту повідомлень. Результати окремих моделей агрегуються в часовому вимірі в інтегральний індекс ризику, який відображає динаміку психоемоційного стану користувача. Запропонований підхід забезпечує поєднання точкових і узагальнених оцінок, пояснюваність результатів та стійкість до шуму й доменних зсувів, що робить його придатним для інтеграції в інтелектуальні системи моніторингу та підтримки рішень.Документ Representative Samples Forming of Urban Aerial and Satellite Imagery for Building Footprint Segmentation(2025) Vit, R.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThis paper presents an approach to forming representative training samples of urban aerial and satellite imagery for building footprint segmentation. It is shown that the performance and generalization ability of convolutional neural networks strongly depend not only on dataset size, but also on controlled coverage of urban scene variability, imaging conditions, and annotation conventions. The proposed methodology combines large-scale satellite benchmarks with polygon footprint labels and aerial imagery from unmanned platforms as complementary domains, explicitly addressing domain shift, occlusions, and perspective distortions. Sample representativeness is assessed through the training and validation behavior of YOLO-family segmentation models, including convergence stability and metric profiles. The experimental results demonstrate stable learning dynamics and the presence of challenging boundary cases typical of real urban environments, confirming the effectiveness of the proposed data formation strategy for robust building footprint segmentation in practical geospatial applications.Документ Neural Network Classification of Building Damage Levels From Earth Remote Sensing Data(2025) Ovcharuk, O.; Zalutska, O.; Mazurets, O.; Мазурець, Олександр ВікторовичThis paper investigates neural network–based classification of building damage severity from Earth remote sensing imagery under heterogeneous acquisition conditions. To achieve scalable and reproducible building-level labels suitable for geospatial monitoring and decision-support workflows, an object-centered two-stage pipeline is adopted: buildings are first localized or segmented and then classified into an ordinal four-level damage taxonomy (no damage, minor, major, destroyed). The study leverages a benchmark-scale dataset with polygon building footprints and event-based variability, enabling rigorous evaluation with macro-averaged metrics and confusion-pattern analysis that reflects the ordinal nature of the labels. The methodology combines YOLO-family segmentation for efficient building instance extraction with high-capacity classifiers (including Vision Transformer backbones) for damage prediction from normalized building crops with controlled contextual margins. Particular emphasis is placed on representativeness and domain shift (e.g., satellite vs UAV imagery), and on evaluation protocols that reduce geographic leakage and expose generalization limits. Experimental results demonstrate strong macro-level performance (macro precision/recall/F1 ≈ 0.90+) and reliable separation of extreme damage categories, supporting the practical viability of the proposed approach for rapid damage mapping while highlighting the need for explicit domain-shift handling and calibrated uncertainty in ambiguous intermediate cases.Документ Neural Network Assessment of Buildings Condition Based on Visual Data(2025) Mazurets, O.V.; Klimenko, V.I.; Мазурець, Олександр ВікторовичThe paper addresses the problem of automated assessment of building condition based on visual data in the context of post-war reconstruction and large-scale urban monitoring. A neural network–based approach is proposed that combines automatic building segmentation in aerial and UAV imagery with subsequent classification of structural condition. Lightweight single-stage segmentation models from the YOLOv8–YOLOv12 families were investigated, with particular attention to compact configurations suitable for resource-constrained deployment. The methodology includes image tiling, data augmentation, class balancing, and a multi-head architecture for joint instance segmentation and condition classification. Experimental results demonstrate that compact models with enhanced augmentation achieve the best trade-off between accuracy and efficiency, providing reliable building localization and acceptable performance for multi-class damage assessment. The proposed approach enables automated generation of damage maps and can support prioritization of engineering inspections and decision-making in post-war reconstruction and urban infrastructure management.Документ Метод виявлення та класифікації кіберзалякувань у текстових даних нейромережевими засобами(2024) Собко, О.В.У роботі розроблено метод виявлення та класифікації кіберзалякувань у текстових даних на основі нейромережевих технологій. Запропонований підхід передбачає поетапну обробку текстового контенту, що включає попередню очистку даних, бінарне виявлення наявності кіберзалякувань та подальшу мультикласову класифікацію їх типів. Для реалізації методу використано нейромережеві моделі BiLSTM і BERT, які продемонстрували високі показники точності під час експериментальних досліджень. Результати підтверджують ефективність підходу та його доцільність для автоматизованого аналізу текстів з метою підвищення безпеки цифрового комунікаційного середовищаДокумент Метод нейромережевого виявлення прийомів пропаганди за маркерами у текстовому контенті з візуальною аналітикою прийнятих рішень(2025) Молчанова, М.О.У роботі запропоновано метод нейромережевого виявлення прийомів пропаганди у текстовому контенті на основі аналізу маркерів із забезпеченням візуальної інтерпретації прийнятих рішень. Метод поєднує використання окремих нейромережевих моделей для ідентифікації маркерів та прийомів пропаганди з подальшою оцінкою сили їх прояву у тексті. Для підвищення довіри до результатів класифікації застосовано візуальну аналітику на основі методу LIME, що дозволяє пояснювати рішення моделей. Експериментальні результати підтвердили ефективність підходу та його здатність забезпечувати високу точність і інтерпретованість виявлення пропагандистських маніпуляцій у текстовій інформаціїДокумент Метод тематичної класифікації текстів з використанням машинного навчання(2025) Мазурець, Олександр Вікторович; Віт, Р.В.У роботі запропоновано метод тематичної класифікації текстів з використанням машинного навчання, спрямований на автоматичне виявлення та групування текстових документів за основними темами. Метод базується на тематичному моделюванні LDA у поєднанні з попередньою обробкою текстів (токенізація, лематизація, видалення стоп-слів) та розширенням ключових слів із використанням іменникових сутностей. Запропонований підхід дозволяє визначати кількість тем у корпусі, домінуючу тему для кожного документа та формувати розширений набір ключових слів для кожної теми. Ефективність методу продемонстровано на англомовному наборі новинних текстів, де оптимальну кількість тем визначено на основі показника когерентності моделі, що підтверджує доцільність застосування підходу для аналізу великих обсягів текстової інформаціїДокумент Метод аналізу проявів посттравматичного стресового розладу за нейромережевим аналізом текстів(2025) Овчарук, О.М.; Мазурець, Олександр ВікторовичУ роботі розроблено метод аналізу проявів посттравматичного стресового розладу на основі нейромережевого аналізу текстового контенту. Запропонований підхід базується на використанні трансформерної нейронної мережі, навченої на спеціально сформованому наборі текстових даних, що дозволяє зменшити ризик помилкового ототожнення ПТСР з іншими психічними розладами. Метод передбачає поетапну підготовку текстів та оцінювання ймовірності наявності ПТСР у користувацькому контенті. Експериментальні результати підтвердили ефективність підходу, продемонструвавши достатній рівень точності та узагальнювальної здатності моделі, що свідчить про перспективність її застосування для автоматизованого аналізу текстів у задачах цифрового психологічного моніторингуДокумент Approach to image preprocessing for household waste classification in circular economy(2025) Derzhak, V.V.; Mazurets, O.V.; Мазурець, Олександр ВікторовичThis work proposes an intelligent image preparation pipeline for stable multi-class classification of household waste in field conditions, emphasizing data quality control rather than architectural complexity. A coordinated scheme of non-reference quality assessment, guided selection of training frames, and carefully designed partitioning protocols significantly improves model stability under realistic variations in lighting, background contamination, small object occlusions and inter-site distribution shifts. Using MobileNetV3-Small with standardized hyperparameters, the study demonstrates higher reliability, reduced metric variability, and consistent behavior across critical subsets without sacrificing class representativeness. The methodology is reproducible, hardware-efficient, and suitable for industrial sorting systems, supporting circular economy practices by increasing fraction purity and reducing material loss. Future work will extend cross-site benchmarking and explore threshold dynamics for different waste categories.Документ Algorithmic scaling of textile prints for serial multicolor printing with palette reproduction using neural networks(2025) Kazmirchuk, Y.M.; Mykytiuk, M.O.; Molchanova, M.O.; Mazurets, O.V.; Мазурець, Олександр ВікторовичThis paper proposes an algorithmic method for scaling textile prints for serial multicolor production that preserves contour geometry and palette reproducibility across different product formats. The approach integrates neural network upscaling trained to maintain boundary accuracy without inventing false textural details, joint geometric transformation of all color layers in a single deformation field, and controlled palette rescaling based on measured print parameters. This coordinated process ensures invariant contours, stable optical density, and consistent color perception during repeated runs, reducing manual correction, prepress iterations, ink usage, and batch defects. Experimental verification demonstrates stable geometry and color accuracy under realistic application conditions, supporting industrial reproducibility and resource efficiency within circular economy frameworks. Future work will focus on expanding training corpora, refining protocols for serial quality assessment, and integrating feedback from online spectrophotometric monitoring.Документ Segmentation of textile prints with contour-stable color masks for industrial stencil printing using artificial intelligence(2025) Lianskorunskyi, K.O.; Klimenko, V.I.; Sobko, O.V.This paper presents an AI-driven approach for segmenting textile prints to obtain contour-stable binary or multi-class masks suitable for industrial stencil printing and color separation. The method combines neural network segmentation with minimalistic, topologically motivated post-processing to ensure accurate, reproducible boundaries under moderate variations in lighting, shooting conditions, and prepress transformations. Unlike traditional planar metrics, the proposed evaluation prioritizes boundary stability, contour integrity, and technological suitability for cliché preparation. Experimental results on complex textile textures demonstrate consistent mask quality, reduced manual refinement, lower ink consumption, and fewer defects in serial printing. The solution supports sustainable textile production by decreasing prepress energy and material waste while increasing process repeatability and printing accuracy. Further work will expand the dataset, refine boundary corrections for specific fabrics, and formalize end-to-end evaluation protocols from digital segmentation to control print.Документ Neural network classification of textiles by fiber features using microscopic images(2025) Zalutska, O.O.This study presents a reproducible neural-network method for binary textile classification based on microscopic images in the visible spectrum, aimed at distinguishing natural and synthetic fibers for circular economy applications. An open corpus of 3,107 microscope images and a unified training protocol enable fair comparison of modern architectures (ViT-B/16, EfficientNet-B0, ConvNeXt-Tiny) and ensure stable validation accuracy under realistic shooting variations, fabric deformations, and local artifacts. The approach demonstrates high classification quality on laptop-level hardware and supports practical implementation in textile sorting, laboratory composition confirmation, and quality control. Openness of data and transparency of procedures facilitate technology transfer and industrial validation, contributing to reduced waste, improved purity of secondary fractions, and lower resource consumption in textile recycling chains. Future work will focus on corpus expansion, multi-scale feature modeling, and enhanced benchmarking protocols to increase stability in complex scenes and scale the solution toward full industrial sorting systems.Документ Efficiency Analysis of Wrecking Waste Classification Using Neural Network(2025) Zalutska, O.; Mazurets, O.; Molchanova, M.; Мазурець, Олександр ВікторовичThis study examines the efficiency of a neural approach to identifying and classifying wrecking waste in photographic data. Building on a two-factor design that couples scene-level detection with per-class binary refinement, we quantify where accuracy is earned, where it is lost, and which components: architecture, data composition, augmentation, and arbitration – most strongly govern the outcome. Using a composite dataset of ten material classes, we report that the hybrid method attains up to 97.8% classification accuracy, with substantial gains over a detector-only baseline on heterogenous or texture-confusable categories. Detector metrics such as mAP50 ≈ 0.746 and mAP50–95 ≈ 0.669 confirm reliable localization, while binary residual classifiers close the gap in label assignment, lifting macro F1 from ≈0.751 to ≈0.974. These findings indicate that efficiency, measured as correct material routing per unit inference cost, is maximized when detection and classification are decoupled yet reconciled through a calibrated arbitration rule.Документ Investigation of Neural Network Detecting of Construction Waste by Photos(2025) Mazurets, O.; Ovcharuk, O.; Vit, R.; Мазурець, Олександр ВікторовичThis paper presents a practice-oriented investigation of neural architectures for visual recognition of construction and demolition (C&D) waste in realistic conditions. We study a two-stage pipeline that first localizes candidate fragments on a scene and then assigns materialspecific labels, emphasizing data curation, restrained augmentation, and evaluation protocols aligned with production constraints. Results indicate that coupling a single-shot detector with per class residual classifiers improves recall on visually confusable materials while preserving precision, offering a pragmatic path toward reliable sorting-line deployment.Документ Дослідження ефективності технологій зміцнення зубчастих коліс механічних коробок передач автомобіля(Хмельницький національний університет, 2025) Бабак, Олег; Пасічник, Олександр; Вичавка, АнатолійБез отримання теоретичних і експериментальних даних про зміну структури та властивостей зміцнених поверхневих шарів неможливий науковий вибір найбільш ефективних технологій підвищення зносостійкості. Сучасна промисловість не має систематизованих і обґрунтованих рекомендацій щодо використання технологічних і комплексних методів вибору режимів зміцнюючої обробки. Це відбувається незважаючи на те, що було досягнуто значних успіхів у вивченні процесів структуроутворення при модифікації поверхні. Це не дозволяє повністю використовувати потенційні можливості більшості високоефективних зміцнюючих процесів у певних умовах автомобілебудівного виробництва. Це також перешкоджає їх широкому промисловому використанню, знижує практичну цінність існуючих наукових і практичних розробок у цій галузі та обмежує їх застосування.Документ Метод виявлення шахрайських транзакцій у фінансових операціях з застосуванням згорткових нейронних мереж(Хмельницький національний університет, 2025-11) Бондар, Олександр; Пасічник, Олександр; Скрипник, Тетяна; Петровський, СергійРозглянуто прикладні аспекти розробки інформаційної системи для виявлення шахрайських транзакцій у фінансових операціях із використанням згорткових нейронних мереж. Запропонована система забезпечує ефективну обробку та аналіз великих обсягів транзакційних даних, виявляючи приховані закономірності, характерні для шахрайської поведінки.Документ Метод виявлення неоднозначностей у вимогах до програмного забезпечення з використанням великих мовних моделей(Хмельницький національний університет, 2025-11) Вонсович, Богдан; Багрій, Руслан; Пасічник, Олександр; Скрипник, ТетянаЗапропоновано метод автоматизованого аналізу вимог до програмного забезпечення, що базується на двоагентній LLM-архітектурі. Підхід вирішує проблему низької ефективності прямих запитів, розділяючи процес на два етапи: ідентифікацію потенційних неоднозначностей та їх подальшу глибоку класифікацію з поясненням. В основі методу лежить технологія доповненої генерації (RAG) для надання агентам контекстуальних знань та використання промптингу ланцюжок думок (CoT) для підвищення прозорості та точності результатів.Документ Підхід до оцінювання відповідності хештегів коротким текстам засобами NLP(Хмельницький національний університет, 2025-11) Трохимчук, Ольга; Пасічник, Олександр; Поплавська, Олена; Міхалевський, ВіталійРозглянуто задачу автоматизованого оцінювання відповідності хештегів коротким текстам соціальних мереж в умовах змішаних мов, неформальних конструкцій та маніпулятивного маркування контенту. Запропоновано підхід, що базується на контекстних мовних моделях типу трансформерів і побудові спільного семантичного простору для текстів і хештегів, попередньо сегментованих і перетворених на фрази природної мови. Показано можливість інтеграції підходу в модулі модерації, рекомендаційні сервіси й аналітичні системи для виявлення нерелевантних і маніпулятивних тегів та підвищення якості тегування.Документ Метод класифікації настроїв у текстах соціальних мереж на основі рекурентних нейронних мереж(Хмельницький національний університет, 2025-11) Волколуп, Богдан; Пасічник, Олександр; Скрипник, ТетянаРозглянуто метод автоматичної класифікації настроїв у текстах соціальних мереж з використанням рекурентних нейронних мереж типу LSTM. Запропонована архітектура включає шар вкладень з попередньо навченими векторами Word2Vec, LSTM шар для захоплення контекстних залежностей та повнозв'язні шари для класифікації. Розроблено модифікацію для покращення обробки емодзі та сленгу через спеціальні словники. Метод забезпечує точність класифікації 89.4%.Документ Метод діагностики захворювань за описом симптомів на основі рекурентних нейронних мереж(Хмельницький національний університет, 2025-11) Бондар, Олександр; Пасічник, Олександр; Скрипник, ТетянаРозглянуто метод автоматичної діагностики захворювань за текстовими описами симптомів з використанням рекурентних нейронних мереж типу LSTM з механізмом уваги. Запропонована архітектура включає двонаправлений LSTM шар для захоплення контекстних залежностей, шар уваги для фокусування на важливих симптомах та повнозв'язні шари для класифікації. Розроблено модифікацію з додатковим навчанням ембеддінгів на медичних текстах та механізмом max pooling.Документ Проєктування алгоритмів роботи з текстовими даними на мові програмування C#(Одеський національний технологічний університет, 2025) Поліщук, Д.С.; Собко, О.В.; Залуцька, О.О.У роботі розглянуто процес проєктування алгоритмів для роботи з текстовими даними мовою програмування #. Основну увагу приділено побудові алгоритмів збереження, відкривання та перевірки правопису текстових файлів у середовищі .NET. Запропоновані рішення базуються на використанні потоків введення-виведенн,, діалогових вікон вибору файлів та методів лексичної перевірки з використанням словникових структур.Документ Дослідження ефективності нейромережевих архітектур для класифікації залишків зруйнованих будівель(Одеський національний технологічний університет, 2025) Кадинська, В.Д.; Молчанова, М.О.Досліджено ефективність нейромережевих методів класифікації залишків зруйнованих будівель, що дозволяють автоматизувати аналіз структурних фрагментів об’єктів за їхніми візуальними характеристиками. Експериментальна частина базується на порівнянні продуктивності двох альтернативних архітектур згорткової MobileNetV3-Large та трансформерної Vision Transformer, навчених на збалансованому наборі зображень фрагментів будівельних матеріалів. Результати показали, що обидві архітектури демонструють доволі високу точність класифікації, проте ViT перевищує MobileNetV3 за метрикою точності (accuracy 0.967) і забезпечує кращу стійкість до неоднорідних текстур та освітлювальних умов. Досліджуваний підхід дає змогу ефективно розпізнавати типи матеріалів у складних сценах руйнування, що підтверджує доцільність використання трансформерних архітектур у системах комп’ютерного зору для моніторингу стану інфраструктури та підтримки процесів відновлення.Документ Особливості розробки та тестування інтелектуальної системи визначення тональності в україномовних повідомленнях(2025) Масловська, В.В.; Залуцька, О.О.У роботі висвітлено особливості розробки та тестування інтелектуальної системи визначення тональності в україномовних повідомленнях. Показано вибір архітектури на основі поєднання нормалізації тексту, безвчительного виокремлення ключових одиниць та лексиконної валентності з числовою шкалою. Обґрунтовано використання середовища .NET і MS SQL Server для збереження проміжних артефактів і журналів параметрів, що забезпечує відтворюваність і аудит. Описано протоколи випробувань із модульними перевірками, перехресною валідацією та аналізом хибних рішень, а також регресійні серії для оцінювання чутливості порогів. Зафіксовано стабілізацію метрик за рахунок розширеної нейтральної зони та контрольований вплив заперечення і інтенсифікаторів.Документ Метод інтерпретації результатів нейромережевого виявлення ознак маніпулятивних технік за емоційною тональністю текстів(2025) Юрченко, Д.Ю.; Мазурець, Олександр ВікторовичЗапропоновано метод інтерпретації результатів нейромережевого виявлення ознак маніпулятивних технік за емоційною тональністю текстів, який має перевагу у точності на понад 7% у порівнянні з відомими аналогами, та відрізняється використанням гібридної архітектури CNN та BiLSTM, що дозволяє ефективно виділяти локальні патерни та враховувати довгострокові залежності у тексті. Крім того, пропонується застосування моделі LIME для локальної інтерпретації результатів, що підвищує прозорість та інтерпретованість моделі, що сприяє довірі до нейромережевих підходів.Документ Нейромережеве короткострокове прогнозування траєкторій БПЛА у відеопотоці на основі трансформерної архітектури(2025) Шурипа, М.О.; Мазурець, Олександр ВікторовичРозглянуто задачу короткострокового прогнозування траєкторій малоформатних безпілотних літальних апаратів у потоках відеоспостереження. Досягнута продуктивність у сотні кадрів за секунду на CPU підтверджує придатність запропонованого рішення до використання в системах моніторингу повітряного простору реального часу на вбудованих платформах. Обговорено обмеження методу (двовимірне прогнозування, фіксована камера, детерміністичний характер передбачень) та окреслено напрями подальшого розвитку, зокрема врахування невизначеності та розширення до багатоагентних сцен.Документ Дослідження ефективності методу виявлення стресу на основі аналізу візуальних характеристик обличчя за фото нейромережевими засобами(2025) Шимко, А.С.; Зваричук, М.Д.; Собко, О.В.У даному дослідженні розглянуто проблему автоматизованого виявлення стресу за фотозображенням обличчя як актуальну задачу комп’ютерного зору та штучного інтелекту. Запропоновано підхід на основі глибинних нейронних мереж із використанням архітектури MobileNetV2, адаптованої до бінарної класифікації станів «стрес» та «без стресу». Проведено попередню обробку та аугментацію зображень із Stress Faces Dataset, що забезпечило покращене узагальнення моделі. Розроблено інтелектуальну систему з модульною архітектурою для інтеграції у веб- та мобільні платформи, яка здійснює повний цикл аналізу: завантаження фото, обробку, прогнозування та візуалізацію результатів. Експериментальні дослідження підтвердили високу точність класифікації на рівні 86 %, що перевищує показники існуючих методів. Результати демонструють ефективність підходу для неінвазивної оцінки психоемоційного стану, відкриваючи перспективи застосування у психологічній підтримці, дистанційній медицині, освітній аналітиці та системах безпеки.Документ Інтелектуальна система для нейромережевого виявлення гендерної дискримінації у соціально-орієнтованих сервісах(2025) Шашок, Д.А.; Микитюк, М.О.; Кліменко, В.І.У роботі обґрунтовується необхідність розроблення інтелектуальної системи для автоматизованого виявлення гендерної дискримінації в соціально-орієнтованих сервісах, що функціонують у середовищах інтенсивної цифрової комунікації. Підкреслюється, що значний обсяг діалогового контенту, висока варіативність мовних форм і наявність прихованих дискримінаційних патернів роблять традиційні підходи моніторингу малоефективними. Використання сучасних методів обробки природної мови на основі трансформерних моделей створює можливість контекстуального аналізу повідомлень, урахування семантичних і прагматичних особливостей, а також виявлення латентних форм упередженості.Документ Поясненне виявлення фішингових повідомлень нейромережевими засобами в системах кіберзахисту(2025) Чумак, М.В.; Мазурець, Олександр ВікторовичРобота присвячена поясненому виявленню фішингових повідомлень, у якому нейромережева модель не лише класифікує текст як «фішинг / нефішинг», а й ідентифікує домінантний тип маніпуляції (терміновість дії, апеляція до авторитету, емоційний або раціональний тиск). Запропонована інформаційна технологія базується на трансформерній архітектурі глибокого навчання, що аналізує текстові представлення повідомлень і виконує бінарну та багатокласову класифікацію. Поясненність результатів досягається завдяки використанню механізмів уваги та градієнтно орієнтованих атрибуцій, які виділяють фрагменти тексту, що найбільше вплинули на прийняте рішення. Інтеграція такого модуля в системи кіберзахисту підвищує якість виявлення соціоінженерних атак і рівень довіри до нейромережевих засобів захисту.Документ Нейромережевий підхід до виявлення депресивних патернів за аналізом текстового контенту цифрових сервісів у закладах освіти(2025) Тимофієв, І.А.; Мазурець, Олександр ВікторовичЗапропоновано метод виявлення депресивних патернів за аналізом текстового контенту цифрових сервісів у закладах освіти, що призначений для перетворення вхідних даних у вигляді тексту та навченої нейромережевої моделі дуальної архітектури у вихідні дані у вигляді числової оцінки наявності депресивного стану. Запропонований метод виявлення депресивних патернів за аналізом текстового контенту цифрових сервісів у закладах освіти відрізняється від аналогів тим, що поєднує двопоточну архітектуру, яка базується на використанні двох паралельних нейронних мереж, кожна з яких спеціалізується на аналізі різних аспектів тексту – синтаксичного та семантичного. Потік синтаксичного аналізу спрямований на виявлення синтаксичної структури тексту, а потік семантичного аналізу – на розуміння змісту та контексту тексту. Після обробки тексту кожним потоком результати комбінуються на рівні вищого шару, що дозволяє врахувати як деталі мовної структури, так і зміст тексту для точнішого визначення депресивного стану.Документ Модель аналізу психічного стану громадян із посттравматичним стресовим розладом за повідомленнями(2025) Овчарук, О.М.У роботі розглянуто модель аналізу психічного стану громадян із посттравматичним стресовим розладом за текстами цифрових повідомлень. Запропонований підхід поєднує контекстно-орієнтовану трансформерну модель типу DeBERTa, бінарну детекцію ПТСР, мультилейблову класифікацію психічних розладів і формалізацію ризику соціально небезпечної поведінки на основі розширеної множини психолінгвістичних та поведінкових ознак.Документ Підхід до нейромережевого виявлення ознак насильства гендерного спрямування за повідомленнями соціально-орієнтованих сервісів(2025) Малярчук, Н.В.; Молчанова, М.О.Робота присвячена нейромережевому виявленню ознак насильства гендерного спрямування за текстами повідомлень соціально-орієнтованих сервісів. Запропоновано підхід, у якому трансформерні моделі глибокого навчання аналізують лінгвістичні та контекстуальні патерни, що відображають вербальну агресію, приниження, погрози та контроль, пов’язані з гендерною нерівністю, з урахуванням багатозначності висловлювань і впливу контексту діалогу. Забезпечується можливість подальшої інтеграції модуля в системи моніторингу та підтримки постраждалих, що сприяє більш ранньому виявленню ризикованих ситуацій і підвищенню ефективності цифрових сервісів соціальної допомоги.Документ Виявлення шаблонів веб-пропаганди нейромережевими методами(2025) Молчанова, М.О.; Мурава, В.В.У роботі розглянуто нейромережевий підхід до виявлення шаблонів веб-пропаганди в україномовних текстах на основі трансформерних моделей BERT та RoBERTa з акцентом на оптимізації балансування навчального датасета між пропагандистськими та нейтральними фрагментами. Запропоновано інтегрований метод аналізу, який працює на рівні речень, оцінює ймовірність наявності окремих пропагандистських технік і формує узагальнені показники їх вираженості на рівні всього тексту. Експериментальні результати на корпусі з розміткою за шаблонами UNLP 2025 засвідчують, що оптимальна частка нейтральних текстів (близько 30%) забезпечує досягнення F1 = 0,725 для україномовної RoBERTa, що перевищує показники відомих міжнародних підходів.Документ Нейромережевий підхід до раннього виявлення ознак аутизму за фотозображенням(2025) Мізин, Д.В.; Мазурець, Олександр ВікторовичУ роботі запропоновано нейромережевий підхід до раннього виявлення ознак розладів аутичного спектра за статичними фотозображеннями облич дітей. Архітектура базується на моделі Vision Transformer, донавченій за схемою transfer learning на спеціалізованому датасеті, з використанням розширеного препроцесингу та аугментацій для нормалізації умов зйомки й часткової компенсації класового дисбалансу. Ключовою особливістю є інтеграція піксельних ознак із морфометричними характеристиками, обчисленими за facial-landmarks MediaPipe Face Mesh, що дає змогу побудувати інтерпретовану ознакову модель ризику. Запропонований підхід розглядається як допоміжний скринінговий інструмент, що доповнює, але не замінює клінічну діагностику, та може бути покладений в основу цифрових сервісів первинного відбору пацієнтів.Документ Модель виявлення цифрової втоми у текстовому контенті засобами штучного інтелекту(2025) Мазурець, Олександр Вікторович; Віт, Р.В.У роботі розглянуто проблему цифрової втоми, що виникає внаслідок тривалого перебування користувачів у цифрових середовищах, інформаційного перевантаження та емоційного виснаження. Метою є розроблення нейромережевої моделі виявлення цифрової втоми у текстовому контенті користувачів, здатної автоматично оцінювати рівень втоми для окремих повідомлень і формувати інтегральні показники для користувача за певний період. Запропоновано конвеєр, у якому контекстно-орієнтована трансформерна модель типу BERT формує векторні подання текстів, на основі яких навчається бінарний класифікатор «втома / відсутність втоми». Додатково використано тематичне моделювання та виділення цільових об’єктів предметної області, що дає змогу деталізувати цифрову втому за темами й ключовими поняттями та будувати інтерпретований профіль користувача.