Model of a scientist’s personalised information service

Abstract

The article considers the issue of improving the efficiency of scientific activity by creating a personalised intelligent service. Given the rapid growth in the number of publications, traditional keyword-based search methods are becoming insufficiently effective. The aim of the work was to develop the architecture and mathematical models of a system capable of automating the selection of relevant literature based on content rather than simple word matching. The development was based on a formal five-component model for formalising the researcher’s information environment, which integrates modules for profiling, intelligent services, data management, interface interaction, and analytics. The Gemini large language model was used for deep semantic analysis of texts and their transformation into vector representations. The results of the study included the developed three-tier architecture based on the Flutter framework and the Firebase cloud platform, which ensures cross-platform compatibility and instant synchronisation of personalised data. The paper detailed the algorithms for vectorising scientific interests and ranking publications using the cosine similarity method. It was established that the use of vector representations with a dimensionality of 768 components allows for the identification of relevant sources based on semantic features, ignoring the absence of a direct lexical match. The effectiveness of the dynamic profiling mechanism was substantiated, which distinguishes between a researcher’s stable scientific interests and their short-term situational queries through a system of weight coefficients. A module for the automatic recognition of bibliographic metadata based on NER technology has been developed and described, enabling the automated structuring of data from unsystematised text arrays. The proposed approach allows for the creation of an adaptive system that adjusts to changes in the researcher’s scientific interests and significantly saves time when working with sources.

У статті розглядається питання підвищення ефективності наукової діяльності шляхом створення персоналізованого інтелектуального сервісу. В умовах стрімкого зростання кількості публікацій традиційні методи пошуку за ключовими словами стають недостатньо ефективними. Метою статті була розробка архітектури та математичних моделей системи, здатної автоматизувати добір релевантної літератури на основі змісту, а не простого збігу слів. В основу розробки покладено формальну п’ятикомпонентну модель формалізації інформаційного середовища науковця, яка інтегрує модулі профілювання, інтелектуальних сервісів, управління даними, інтерфейсної взаємодії та аналітики. Застосовано велику мовну модель Gemini для глибокого семантичного аналізу текстів та їх перетворення у векторні представлення. Результатами дослідження є розроблена трирівнева архітектура на базі фреймворку Flutter та хмарної платформи Firebase, яка забезпечує кросплатформеність та миттєву синхронізацію персоналізованих даних. У роботі детально описано алгоритми векторизації наукових інтересів та ранжування публікацій методом косинусної подібності. Встановлено, що використання векторних представлень розмірністю 768 компонентів дозволяє ідентифікувати релевантні джерела за семантичними ознаками, ігноруючи відсутність прямого лексичного збігу. Обґрунтовано ефективність механізму динамічного профілювання, який через систему вагових коефіцієнтів розрізняє стабільні наукові інтереси дослідника та його короткочасні ситуативні запити. Розроблено та описано модуль автоматичного розпізнавання бібліографічних метаданих на основі технології NER, що дозволяє автоматизувати структурування даних із несистематизованих текстових масивів. Запропонований підхід дозволяє створити адаптивну систему, яка підлаштовується під зміни наукових інтересів дослідника та значно економить час на роботу з джерелами.