Источники четвёртого дня
Все ссылки, которые встречаются в лекциях, практике, ключах и дополнительных материалах четвёртого дня. Нумерация общая для всех файлов дня. Научные работы проверены по аннотациям и открытым текстам. Если работа с arXiv вышла в журнале или в материалах конференции, приведены эти выходные данные и отдельно ссылка на препринт. Пометка «препринт arXiv» без выходных данных означает, что рецензируемая публикация при проверке 10.11.2026 не найдена.
Научные публикации
Тема 4.1: расчёты и вычисления
- [1] Shrestha S., Kim M., Ross K. W. Mathematical Reasoning in Large Language Models: Assessing Logical and Arithmetic Errors across Wide Numerical Ranges. 2025. Препринт arXiv. https://doi.org/10.48550/arXiv.2502.08680
- [2] Herambourg C., Siuda D., et al. The ORCA Benchmark: Evaluating Real-World Calculation Accuracy in Large Language Models. 2025. Препринт arXiv. https://doi.org/10.48550/arXiv.2511.02589
- [3] Boye J., Moëll B. Large Language Models and Mathematical Reasoning Failures. 2025. Препринт arXiv. https://doi.org/10.48550/arXiv.2502.11574
- [4] Mysior M., Iniotakis C. Evaluating large language models on text-based engineering design tasks: performance gaps and failure modes // Research in Engineering Design. 2026. https://doi.org/10.1007/s00163-026-00504-1
- [5] Shin E., Ramanathan M. Evaluation of prompt engineering strategies for pharmacokinetic data analysis with the ChatGPT large language model // Journal of Pharmacokinetics and Pharmacodynamics. 2024. Vol. 51, No. 2. P. 101–108. https://doi.org/10.1007/s10928-023-09892-6
- [6] Goodell A. J., Chu S. N., et al. Large language model agents can use tools to perform clinical calculations // npj Digital Medicine. 2025. Vol. 8. Art. 163. https://doi.org/10.1038/s41746-025-01475-8
- [7] Farajalla F., Rasras M., et al. Accuracy and hallucinations in AI-generated medication dosing calculations: a sequential explanatory mixed-methods evaluation // Scientific Reports. 2026. https://doi.org/10.1038/s41598-026-69321-9
- [8] Kodathala S. V., Vunnam R. Can Large Language Models Solve Engineering Equations? A Systematic Comparison of Direct Prediction and Solver-Assisted Approaches. 2026. Препринт arXiv. https://doi.org/10.48550/arXiv.2601.01774
- [9] Gao L., Madaan A., et al. PAL: Program-aided Language Models // Proceedings of the 40th International Conference on Machine Learning (ICML 2023). PMLR. 2023. Vol. 202. P. 10764–10799. https://proceedings.mlr.press/v202/gao23f.html (препринт arXiv 2022: https://doi.org/10.48550/arXiv.2211.10435)
- [10] Chen W., Ma X., et al. Program of Thoughts Prompting: Disentangling Computation from Reasoning for Numerical Reasoning Tasks // Transactions on Machine Learning Research. 2023. Препринт arXiv 2022: https://doi.org/10.48550/arXiv.2211.12588 (сведения о публикации в TMLR – на странице https://arxiv.org/abs/2211.12588)
- [11] Huang J., Chen X., et al. Large Language Models Cannot Self-Correct Reasoning Yet // International Conference on Learning Representations (ICLR 2024). 2024. P. 32808–32824. https://proceedings.iclr.cc/paper_files/paper/2024/hash/8b4add8b0aa8749d80a34ca5d941c355-Abstract-Conference.html (препринт arXiv 2023: https://doi.org/10.48550/arXiv.2310.01798)
- [12] Kamoi R., Zhang Y., et al. When Can LLMs Actually Correct Their Own Mistakes? A Critical Survey of Self-Correction of LLMs // Transactions of the Association for Computational Linguistics. 2024. Vol. 12. P. 1417–1440. https://doi.org/10.1162/tacl_a_00713
- [13] Sasaki M., Kamoda G., et al. Language Models Compare Quantities Using Number-specific and Unit-specific Heuristics. 2026. Препринт arXiv. https://doi.org/10.48550/arXiv.2606.03982
- [14] Chen L., Qin Z., et al. Benchmarking Large Language Models on Homework Assessment in Circuit Analysis // International Journal of Artificial Intelligence in Education. 2025. Vol. 35, No. 5. P. 3294–3355. https://doi.org/10.1007/s40593-025-00501-w
- [15] Thorne S. Experimenting with ChatGPT for Spreadsheet Formula Generation: Evidence of Risk in AI Generated Spreadsheets. 2023. Препринт arXiv. https://doi.org/10.48550/arXiv.2309.00095
- [16] Thorne S. Large Language Models for Spreadsheets: Benchmarking Progress and Evaluating Performance with FLARE. 2025. Препринт arXiv. https://doi.org/10.48550/arXiv.2506.17330
- [17] Lyell D., Coiera E. Automation bias and verification complexity: a systematic review // Journal of the American Medical Informatics Association. 2017. Vol. 24, No. 2. P. 423–431. https://doi.org/10.1093/jamia/ocw105
- [18] Romeo G., Conti D. Exploring automation bias in human–AI collaboration: a review and implications for explainable AI // AI & SOCIETY. 2025. https://doi.org/10.1007/s00146-025-02422-7
Тема 4.2: таблицы и данные испытаний
- [19] Sui Y., Zhou M., et al. Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study // Proceedings of the 17th ACM International Conference on Web Search and Data Mining. 2024. P. 645–654. https://doi.org/10.1145/3616855.3635752
- [20] Liu T., Wang F., Chen M. Rethinking Tabular Data Understanding with Large Language Models // Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL 2024). Vol. 1: Long Papers. 2024. P. 450–482. https://doi.org/10.18653/v1/2024.naacl-long.26 (препринт arXiv 2023: https://doi.org/10.48550/arXiv.2312.16702)
- [21] Liu N. F., Lin K., et al. Lost in the Middle: How Language Models Use Long Contexts // Transactions of the Association for Computational Linguistics. 2024. Vol. 12. https://doi.org/10.1162/tacl_a_00638
- [22] Tian S.-Y., Zhou Z., et al. TabularMath: Understanding Math Reasoning over Tables with Large Language Models // Findings of the Association for Computational Linguistics: ACL 2026. P. 15469–15498. https://doi.org/10.18653/v1/2026.findings-acl.759
- [23] Wu X., Yang J., et al. TableBench: A Comprehensive and Complex Benchmark for Table Question Answering // Proceedings of the AAAI Conference on Artificial Intelligence. 2025. Vol. 39, No. 24. P. 25497–25506. https://doi.org/10.1609/aaai.v39i24.34739 (препринт arXiv 2024: https://doi.org/10.48550/arXiv.2408.09174)
- [24] Li H., Chen X., et al. Exposing Numeracy Gaps: A Benchmark to Evaluate Fundamental Numerical Abilities in Large Language Models // Findings of the Association for Computational Linguistics: ACL 2025. 2025. P. 20004–20026. https://doi.org/10.18653/v1/2025.findings-acl.1026 (препринт arXiv: https://doi.org/10.48550/arXiv.2502.11075)
- [25] Ruta M. R., Gaidici T., et al. ChatGPT for Univariate Statistics: Validation of AI-Assisted Data Analysis in Healthcare Research // Journal of Medical Internet Research. 2025. Vol. 27. e63550. https://doi.org/10.2196/63550
- [26] Ordak M. ChatGPT’s Skills in Statistical Analysis Using the Example of Allergology: Do We Have Reason for Concern? // Healthcare. 2023. Vol. 11, No. 18. Art. 2554. https://doi.org/10.3390/healthcare11182554
- [27] Li A., Zhao Y., et al. Anomaly Detection of Tabular Data Using LLMs. 2024. Препринт arXiv; по сведениям на странице arXiv, работа принята на семинар Anomaly Detection with Foundation Models. https://doi.org/10.48550/arXiv.2406.16308
- [28] Zhou Z., Yu R. Can LLMs Understand Time Series Anomalies? 2024. Препринт arXiv, цитата приведена по версии 3 от 11.03.2025. https://doi.org/10.48550/arXiv.2410.05440. Доработанная версия опубликована: International Conference on Learning Representations (ICLR 2025). 2025. P. 1858–1896. https://proceedings.iclr.cc/paper_files/paper/2025/hash/05774fb74e863308c4b460c9f49f6918-Abstract-Conference.html
- [29] Jiang C., Yu F., et al. TabDSR: Decompose, Sanitize, and Reason for Complex Numerical Reasoning in Tabular Data // Findings of the Association for Computational Linguistics: EMNLP 2025. P. 3172–3196. https://doi.org/10.18653/v1/2025.findings-emnlp.169
Нормативные и официальные документы, справка
- [30] Copper wire tables. National Bureau of Standards Handbook 100. Washington, 1966. https://doi.org/10.6028/NBS.HB.100 (PDF: https://nvlpubs.nist.gov/nistpubs/Legacy/hb/nbshandbook100.pdf). Значения, использованные в материалах: удельное сопротивление отожжённой меди по международному стандарту 0,017241 Ом·мм²/м при 20 °C, температурный коэффициент сопротивления 0,00393 при 20 °C.
- [31] Справка Microsoft Excel: функции СРЗНАЧ, МЕДИАНА, СТАНДОТКЛОН.В, СТАНДОТКЛОН.Г, СЧЁТЕСЛИ, ЕСЛИ. https://support.microsoft.com/ru-ru/office/срзнач-функция-срзнач-047bac88-d466-426c-a32b-8f33eb960cf6 ; https://support.microsoft.com/ru-ru/excel/functions/median-function ; https://support.microsoft.com/ru-ru/office/функция-стандотклон-в-7d69cf97-0c1f-4acf-be27-f3e83904cc23 ; https://support.microsoft.com/ru-ru/office/функция-стандотклон-г-6e917c05-31a0-496f-ade7-4f4e7462f285 ; https://support.microsoft.com/ru-ru/office/функция-счётесли-e0de10c6-f885-4e71-abb4-1f464816df34 ; https://support.microsoft.com/ru-ru/office/функция-если-69aed7c9-4e8a-4755-a9bc-aa8bbff73be2
- [40] Fractory. Limits and fits: ISO 286 tolerance tables (таблица допусков квалитетов, IT7 = 21 мкм для 18–30 мм; пример посадки с валом f7). Страница открыта 11.11.2026. https://fractory.com/limits-and-fits/
- [41] Справка Microsoft Excel. Функция РАБДЕНЬ. https://support.microsoft.com/ru-ru/office/%D1%84%D1%83%D0%BD%D0%BA%D1%86%D0%B8%D1%8F-%D1%80%D0%B0%D0%B1%D0%B4%D0%B5%D0%BD%D1%8C-f764a5b7-05fc-4494-9486-60d494efbf33
Сервисы
Страницы открыты 10.11.2026.
- [37] GigaChat. Справка: частые вопросы (4000 символов в запросе, размеры файлов TXT и PDF); работа с документами (форматы DOCX, PDF, TXT). https://giga.chat/help/articles/faq ; https://giga.chat/help/articles/work-with-docs
- [38] Алиса AI. Справка: файлы в чате (DOC, DOCX, PDF, TXT, до 100 МБ). https://alice.yandex.ru/support/ru/assistant/chat/files
Выступления и вебинары
- [32] Овчинников К. «Инженер после AI». Доклад на ИИ-митапе ЦГУ, 06.11.2026 (презентация доклада).
- [33] Малаканов В. «Код, Jev, LLM, WebMCP». Доклад на ИИ-митапе ЦГУ, 06.11.2026 (презентация доклада).
- [34] Скидан С. «Как создать Агента-оператора». Доклад на ИИ-митапе ЦГУ, 06.11.2026 (презентация доклада).
- [39] Галимова Н. «Архитектура доверия: дата-контракты». Доклад; онлайн-конференция «Данные для AI и автоматизации: как собрать управляемый контур данных предприятия», форум All-over-IP & AI 2026, 11.11.2026 (презентация доклада).
- [35] Цымлов А. Доклад на вебинаре 3 по ИИ УЦ «МАСКОМ» и PVS-Studio, 28.08.2026 (слайды «slajdy-2026-08-28»).
- [36] Филатов В. «Искусственный автор, привычный контроль». Доклад на вебинаре 3 по ИИ УЦ «МАСКОМ» и PVS-Studio, 28.08.2026 (презентация доклада).
Положения докладов приведены как позиция докладчиков. Цифры из докладов, у которых нет письменного первоисточника, даны с оговоркой как собственные данные докладчика.
Учебные материалы
Учебный кейс ЭС-24 и дополнение к нему для четвёртого дня составлены для курса. Узел условный, значения подобраны для упражнений.
Автор курса
Виталий Пиков
- Архитектор информационной безопасности • РБПО • DevSecOps • AppSec
- Лектор и автор образовательных программ по ИБ и РБПО
Телефон: +7 (963) 782-92-78 · E-mail: vitaly@pikov.expert · Сайт: https://pikov.expert · Telegram: @UnderLineSecurity