Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как инструмент цифровой трансформации и развития кадрового потенциала МГТУ им. Н.Э. Баумана // Journal of Monetary Economics and Management. 2026. № 7. С. 455–463. DOI: 10.26118/2782-4586-2026-7-455-463

***

УДК № 004, 001.51, 009, 338.984

Литвинова Елена Евгеньевна

ФГАОУ ВО МГТУ им. Н.Э. Баумана

Французов Максим Сергеевич

ФГАОУ ВО МГТУ им. Н.Э. Баумана

Чесалов Александр Юрьевич

ФГАОУ ВО МГТУ им. Н.Э. Баумана

Аннотация. В статье рассматривается роль технологий искусственного интеллекта, в частности больших языковых моделей, в реализации стратегической цели Программы развития МГТУ им. Н.Э. Баумана — развитии кадрового потенциала. На основе анализа целевых показателей и принципов политики управления человеческим капиталом университета (развитие корпоративной культуры, развитие кадрового потенциала, равенство возможностей) обосновывается необходимость интеграции больших языковых моделей в процессы привлечения, развития, мотивации и удержания талантов. Предложена концепция архитектурной модели интеллектуальной системы управления человеческим капиталом, обеспечивающая автоматизацию кадровых процессов, персонализированное развитие сотрудников, интеллектуальную поддержку наставничества и прогнозную аналитику кадровых рисков. Показан вклад предлагаемых решений в достижение ключевых показателей: изменение распределения рабочего времени преподавателей (научная/учебная работа) с 10/60 до 35/35, рост средней заработной платы научно-педагогических работников относительно средней по региону с 200 % до 250 %, снижение учебной нагрузки с 900 до 600 часов в год, повышение индекса удовлетворенности сотрудников с 56,2% до 90%, а также увеличение доли молодых ученых (кандидатов и докторов наук) с 13% до 25% к 2030 году.

Ключевые слова: большие языковые модели, управление человеческими ресурсами, цифровая трансформация высшего образования, МГТУ им. Н.Э. Баумана, Университет 4.0.

Elena Evgenievna Litvinova

Bauman Moscow State Technical University

Maksim Sergeevich Frantsuzov

Bauman Moscow State Technical University

Aleksandr Yuryevich Chesalov

Bauman Moscow State Technical University

Large language models as a tool for digital transformation and human resource development at Bauman Moscow State Technical University

Abstract. This article examines the role of artificial intelligence technologies, particularly large language models, in achieving the strategic goal of the Bauman Moscow State Technical University Development Program—developing human resources. Based on an analysis of the university’s target indicators and human capital management policy principles (development of corporate culture, development of human resources, and equality of opportunity), the need to integrate large language models into the processes of attracting, developing, motivating, and retaining talent is substantiated. The article proposes a concept for an architectural model of an intelligent human capital management system that enables the automation of HR processes, personalized employee development, intelligent mentoring support, and predictive analytics of HR risks. The contribution of the proposed solutions to achieving key indicators is demonstrated: a change in the distribution of faculty working time (research/academic work) from 10/60 to 35/35, an increase in the average salary of academic staff relative to the regional average from 200% to 250%, a reduction in the teaching load from 900 to 600 hours per year, an increase in the employee satisfaction index from 56.2% to 90%, and an increase in the share of young scientists (candidates and doctors of science) from 13% to 25% by 2030.

Keywords: large language models, human resource management, digital transformation of higher education, Bauman Moscow State Technical University, University 4.0.

Введение

Стратегическая цель Программы развития МГТУ им. Н.Э. Баумана на период до 2036 года формулируется как «Развитие кадрового потенциала». Эта цель отражает ключевой вызов, стоящий перед системой высшего технического образования: рост среднего возраста научно-педагогических работников, проблемы привлечения молодых высококвалифицированных специалистов на фоне высоких уровней заработной платы в других отраслях экономики, а также высокая доля аудиторной нагрузки, ограничивающая возможности участия преподавателей в контрактных НИОКР [1, с. 42].

Программа развития ставит амбициозные целевые показатели для преодоления этих вызовов: изменение распределения рабочего времени преподавателя между научной и учебной работой с 10/60 в 2023 году до 35/35 к 2030 году, рост средней заработной платы научно-педагогических работников (НПР) относительно средней по региону с 200 % до 250 %, снижение средней учебной нагрузки с 900 до 600 часов в год, повышение индекса удовлетворенности сотрудников с 56,2% до 90%, увеличение индекса лояльности сотрудников с -2,6% до 60%, а также увеличение доли молодых ученых (кандидатов и докторов наук) с 13 % до 25 % [1, с. 42].

Ключевыми принципами политики управления человеческим капиталом, задающими вектор трансформации, являются: развитие корпоративной культуры, развитие кадрового потенциала и равенство возможностей. Эти принципы в совокупности ориентируют на создание комфортной внутренней среды, обеспечивающей профессиональный рост и самореализацию каждого сотрудника, а также равный доступ к возможностям карьерного развития.

В этой связи особую актуальность приобретает использование технологий искусственного интеллекта (ИИ), и, в частности, больших языковых моделей (англ. Large Language Model, LLM), которые способны обеспечить интеллектуальную поддержку всех этапов управления человеческим капиталом — от привлечения и адаптации до развития, мотивации и удержания талантов.

Цель настоящей работы — обосновать роль LLM как ключевого технологического инструмента достижения стратегической цели «Развитие кадрового потенциала» и предложить концепцию архитектурного решения для его интеграции в систему управления человеческим капиталом МГТУ им. Н.Э. Баумана.

Содержание, показатели и принципы реализации стратегической цели

Анализ Программы развития позволяет выделить ключевые компоненты стратегической цели, определяющие направления цифровой трансформации кадровой политики:

1. Целевые показатели и структура кадрового потенциала. Программа развития фиксирует следующие количественные ориентиры:
   • Распределение рабочего времени преподавателя. Целевое изменение соотношения научной и учебной работы с 10/60 (то есть 10 % на науку, 60 % на учебную работу, остальное — другие виды деятельности) до 35/35 к 2030 году. Это отражает задачу повышения вовлеченности преподавателей в исследования и разработки при сохранении качества образования.
   • Средняя заработная плата НПР. Рост относительно средней заработной платы в регионе с 200% до 250%. Это необходимо для привлечения и удержания талантливых специалистов в условиях конкуренции с высокотехнологичным сектором экономики.
   • Средняя учебная нагрузка. Снижение с 900 до 600 часов в год. Это создает временной резерв для научной и инновационной деятельности, а также для профессионального развития.
   • Индекс удовлетворенности сотрудников. Рост с 56,2 % до 90 %, что является амбициозной целью, требующей комплексных изменений в условиях труда, системе мотивации и корпоративной культуре.
   • Индекс лояльности сотрудников. Увеличение с -2,6 % до 60 %, что означает переход от преобладания «критиков» среди сотрудников к преобладанию «промоутеров».
   • Доля молодых ученых (кандидатов и докторов наук). Рост с 13% до 25%, что критически важно для обеспечения преемственности научных школ и обновления кадрового состава.
2. Принципы политики управления человеческим капиталом. Три принципа, зафиксированные в разделе 2.3.4 Программы развития, задают содержательные ориентиры для преобразований [1, с. 25]:
   • Принцип развития корпоративной культуры. Предполагает создание открытой и дружелюбной атмосферы, где сотрудники и обучающиеся могут свободно общаться и обмениваться идеями. Признание уникальности каждого человека и ценности его вклада в общий успех, поощрение лидерства и инициативы, создание прозрачных и справедливых процессов управления персоналом.
   • Принцип развития кадрового потенциала. Требует создания условий для широкого доступа сотрудников к возможностям полной реализации личного и профессионального потенциала на рабочем месте, создания возможностей карьерного роста через вовлеченность в новые проекты университета, формирования культуры обучения и развития.
   • Принцип равенства возможностей. Предполагает построение системы планирования карьеры, где единственной гарантией карьерного роста является профессионализм, достижение стабильно высоких результатов и приверженность ценностям университета. Обеспечение равного доступа к информации о возможностях развития карьеры и равных возможностей для обучения и профессионального роста.
3. Инициативы, обеспечивающие достижение цели. Программа развития выделяет две стратегические инициативы:
   • Инициатива «Формирование новой кадровой политики». Разработка концепции, создание нормативной базы, формирование сети ведущих инженерных университетов, разработка механизма перераспределения нагрузки преподавателей для вовлечения в НИОКР, пилотный запуск новой кадровой политики.
   • Инициатива «Программа «Молодые профессора». Создание институциональных условий для вовлечения молодежи в научно-педагогическую деятельность, разработка системы мотивационных мер по получению ученых степеней и ученых званий, разработка организационно-экономического механизма вовлечения аспирантов в НИОКР, развитие института научных руководителей и научных консультантов из промышленности.

Потенциал больших языковых моделей в управлении человеческим капиталом

Большие языковые модели, демонстрирующие способность к пониманию и генерации естественного языка, анализу больших массивов текстовой информации, решению сложных когнитивных задач и поддержке диалога, могут трансформировать все этапы управления человеческим капиталом [2, 3, 4].

1. Привлечение и адаптация талантов. Одной из ключевых задач развития кадрового потенциала является привлечение высококвалифицированных специалистов, особенно из числа молодых ученых. LLM могут:
   • Автоматизировать обработку резюме и подбор кандидатов. Анализ текстов резюме, научных публикаций, проектных портфолио для выявления соответствия требованиям вакансий и культурным особенностям университета.
   • Персонализировать коммуникацию с кандидатами. Формирование индивидуальных предложений о работе с учетом профессиональных интересов, карьерных ожиданий и семейных обстоятельств кандидата.
   • Поддерживать процесс адаптации. Создание персонализированных планов адаптации для новых сотрудников, включающих знакомство с подразделениями, коллегами, нормативной базой, а также интеллектуальный ассистент, отвечающий на вопросы в процессе вхождения в должность.
2. Профессиональное развитие и обучение. Принцип развития кадрового потенциала требует создания системы непрерывного профессионального развития. LLM могут:
   • Формировать индивидуальные траектории развития. На основе профиля сотрудника (образование, опыт, интересы, текущие задачи) LLM генерирует рекомендации по программам повышения квалификации, стажировкам, участию в исследовательских проектах.
   • Создавать персонализированные учебные материалы. Генерация курсов, тренингов и методических материалов, адаптированных под уровень подготовки и профессиональные задачи конкретного сотрудника.
   • Обеспечивать интеллектуальную поддержку самообразования. LLM-ассистент, отвечающий на профессиональные вопросы, помогающий в освоении новых методов и технологий, предоставляющий доступ к актуальным научным публикациям.
3. Поддержка наставничества и передачи знаний. Развитие молодых ученых требует эффективной системы наставничества. LLM могут:
   • Сопоставлять наставников и молодых специалистов. Анализ научных интересов, стилей работы, ожиданий для формирования продуктивных пар «наставник — молодой ученый».
   • Поддерживать взаимодействие в парах наставничества. Автоматическое формирование планов встреч, отслеживание прогресса, генерация вопросов для обсуждения, документация результатов.
   • Сохранять и передавать экспертные знания. Структурирование и документирование знаний опытных сотрудников, создание баз знаний, доступных для молодых специалистов.
4. Оценка эффективности и мотивация. Принципы развития корпоративной культуры и равенства возможностей требуют прозрачной и справедливой системы оценки и мотивации. LLM могут:
   • Анализировать результаты деятельности. Сбор и анализ данных об учебной, научной, инновационной, административной деятельности сотрудников для формирования объективной картины вклада.
   • Формировать рекомендации по мотивации. На основе анализа достижений и потребностей сотрудника LLM может предлагать варианты материального и нематериального стимулирования.
   • Обеспечивать прозрачность процессов. Формирование понятных для сотрудников объяснений результатов оценки и логики принятия решений о развитии и мотивации.
5. Прогнозная аналитика кадровых рисков. Для упреждающего управления кадровым потенциалом необходима прогнозная аналитика. LLM могут:
   • Прогнозировать текучесть кадров. Анализ факторов, влияющих на удержание сотрудников (удовлетворенность, нагрузка, возможности развития), выявление сотрудников в зоне риска.
   • Выявлять потребности в развитии компетенций. Анализ трендов в науке и образовании, прогнозирование потребностей в новых компетенциях и подготовка рекомендаций по обучению.
   • Планировать кадровый резерв. Выявление сотрудников с потенциалом для замещения ключевых позиций, формирование индивидуальных планов их подготовки.

Концепция архитектурной модели интеллектуальной системы управления человеческим капиталом

Для интеграции LLM в процессы, обеспечивающие достижение стратегической цели развития кадрового потенциала, предлагается концепция трехуровневой архитектуры, которая согласовается с целевыми показателями и принципами политики управления человеческим капиталом [5, 6, 7].

1. Уровень сбора и интеграции данных. Данный уровень обеспечивает формирование единого цифрового профиля каждого сотрудника:
   • Кадровая база данных. Структурированная информация о сотрудниках (образование, опыт, квалификация, должность, нагрузка, результаты аттестаций).
   • База научных достижений. Информация о публикациях, патентах, грантах, участии в конференциях, руководстве аспирантами.
   • База образовательной деятельности. Данные о преподаваемых дисциплинах, разработанных курсах, методических материалах, результатах обратной связи от студентов.
   • База профессионального развития. Информация о пройденных курсах повышения квалификации, стажировках, участии в проектах развития.
   • Текстовые данные. Мотивационные письма, отзывы, отчеты о самооценке, результаты анкетирования удовлетворенности.

Критически важным требованием является обеспечение конфиденциальности персональных данных, соблюдение законодательства и этических норм при сборе и обработке информации.

• Уровень аналитических и поддерживающих сервисов. На этом уровне развертываются специализированные LLM-сервисы для поддержки кадровых процессов:
  • Сервис для привлечения и подбора персонала, анализирующий резюме, научные публикации, проектные портфолио, формирующий рекомендации по кандидатам и персонализированные предложения.
  • Сервис для формирования индивидуальных траекторий профессионального развития, генерирующий рекомендации по обучению, стажировкам, участию в проектах на основе профиля сотрудника и целей университета.
  • Сервис поддержки наставничества, сопоставляющий наставников и молодых специалистов, генерирующий планы взаимодействия, документирующий результаты, обеспечивающий передачу знаний.
  • Сервис оценки эффективности, анализирующий различные аспекты деятельности сотрудника, формирующий объективные показатели вклада, генерирующий рекомендации по мотивации и развитию.
  • Сервис прогнозной аналитики, выявляющий кадровые риски (текучесть, выгорание, дефицит компетенций), формирующий рекомендации по упреждающим мерам.
• Уровень взаимодействия. Этот уровень обеспечивает доступ к сервисам для различных категорий пользователей:
  • Личный кабинет сотрудника. Единый интерфейс для доступа к информации о своем профиле, планах развития, рекомендациях по обучению, результатах оценки, с возможностью задать вопросы LLM-ассистенту.
  • Рабочее место руководителя. Интерфейс для управления подразделением, включающий аналитику по кадровому составу, рекомендации по развитию сотрудников, прогнозы кадровых рисков.
  • Портал кадровых служб. Инструменты для автоматизации кадрового делопроизводства, формирования отчетности, управления процессами привлечения, адаптации, развития и мотивации.
  • API для интеграции. Программные интерфейсы для встраивания LLM-сервисов в существующие информационные системы университета.

Роль LLM в реализации инициатив

Предлагаемые LLM-сервисы находят конкретное применение в cktle.ob[ стратегических инициативах, обеспечивающих достижение цели развития кадрового потенциала:

1. Поддержка инициативы «Формирование новой кадровой политики». Новая кадровая политика предполагает перераспределение нагрузки преподавателей, вовлечение в НИОКР и формирование сети ведущих инженерных университетов. LLM могут:
   • Анализировать текущую нагрузку и потенциал перераспределения. Обработка данных о фактической учебной нагрузке, научной продуктивности, участии в проектах для выявления резервов времени и возможностей для перераспределения.
   • Формировать индивидуальные планы вовлечения в НИОКР. На основе профиля преподавателя и приоритетных направлений исследований LLM генерирует предложения по участию в проектах, формированию научных групп, подготовке грантовых заявок.
   • Поддерживать сетевое взаимодействие. Анализ компетенций и интересов преподавателей из разных университетов для формирования эффективных сетевых коллабораций, поддерживающих идею создания сети ведущих инженерных университетов.
2. Поддержка инициативы «Программа «Молодые профессора». Программа «Молодые профессора» направлена на создание институциональных условий для вовлечения молодежи в научно-педагогическую деятельность. LLM могут:
   • Выявлять талантливую молодежь. Анализ результатов обучения, научной активности, участия в олимпиадах, хакатонах, проектной деятельности для раннего выявления перспективных кандидатов для академической карьеры.
   • Формировать индивидуальные планы подготовки к академической карьере. Генерация траекторий, включающих обучение в аспирантуре, подготовку диссертации, педагогическую практику, участие в исследовательских проектах, стажировки в ведущих центрах.
   • Поддерживать молодых ученых. LLM-ассистент, отвечающий на вопросы по подготовке диссертации, написанию статей, оформлению грантовых заявок, развитию педагогических компетенций.
   • Сопоставлять с наставниками из промышленности. Анализ профилей молодых ученых и потенциальных наставников из числа ведущих специалистов индустриальных партнеров для формирования эффективных пар.

Вклад LLM в достижение целевых показателей

Интеграция LLM в систему управления человеческим капиталом позволяет существенно ускорить достижение следующих ключевых показателей, зафиксированных в программе развития:

1. Распределение рабочего времени преподавателя (научная/учебная работа: с 10/60 до 35/35). LLM-сервисы, автоматизирующие рутинные аспекты учебной работы (подготовка материалов, проверка заданий, консультирование студентов), высвобождают до 30 % времени преподавателя. Одновременно интеллектуальная поддержка научной деятельности (генерация гипотез, анализ литературы, подготовка публикаций, оформление грантов) повышает эффективность исследовательской работы. Совокупный эффект этих факторов позволяет достичь целевого перераспределения времени.
2. Средняя заработная плата НПР относительно средней по региону (с 200 % до 250 %). Повышение эффективности деятельности за счет автоматизации рутинных процессов и интеллектуальной поддержки позволяет преподавателям увеличить объем и качество выполняемых работ (включая НИОКР), что создает экономические основания для роста оплаты труда. LLM-сервисы также помогают в подготовке успешных грантовых заявок, увеличивая внебюджетное финансирование.
3. Средняя учебная нагрузка (с 900 до 600 часов в год). Автоматизация учебно-методической деятельности (генерация заданий, проверка работ, создание материалов) позволяет снизить временные затраты на подготовку и проведение учебных занятий при сохранении качества. LLM-ассистенты берут на себя рутинные функции консультирования, освобождая время преподавателя для содержательного взаимодействия со студентами.
4. Индекс удовлетворенности сотрудников (с 56,2 % до 90 %) и индекс лояльности сотрудников (с -2,6 % до 60 %). Ключевые факторы удовлетворенности — справедливая оценка, возможности развития, комфортные условия труда, прозрачность процессов. LLM-сервисы обеспечивают объективность и прозрачность оценки вклада сотрудников, персонализированные рекомендации по развитию, интеллектуальную поддержку в работе, а также формируют атмосферу заботы через проактивное выявление проблем и предложение решений.
5. Доля молодых ученых (с 13 % до 25 %). LLM-сервисы раннего выявления талантливой молодежи, персонализированной поддержки на пути к академической карьере, сопоставления с наставниками из промышленности, а также формирования привлекательных условий для молодых специалистов (включая гибкие траектории развития и интеллектуальную поддержку) создают необходимые условия для привлечения и удержания молодых ученых.

Вызовы и направления дальнейших исследований

Внедрение LLM в управление человеческим капиталом сопряжено с рядом вызовов, требующих системного решения.

1. Этика использования ИИ в кадровых процессах. Использование LLM для оценки сотрудников, отбора кандидатов, прогнозирования текучести требует соблюдения высоких этических стандартов [8, 9]. Необходима разработка:
   • принципов прозрачности использования ИИ в кадровых решениях;
   • механизмов апелляции и человеческого контроля критических решений;
   • гарантий недискриминации и защиты персональных данных.
2. Культурная адаптация и принятие изменений. Внедрение LLM в кадровые процессы может вызывать сопротивление сотрудников, опасающихся контроля или замещения. Необходимо:
   • обеспечить разъяснение целей и принципов использования ИИ;
   • вовлекать сотрудников в процесс внедрения, учитывать их мнение;
   • демонстрировать добавленную ценность (снижение рутины, расширение возможностей развития).
3. Интеграция с существующими кадровыми процессами. Для полноценной реализации потенциала LLM необходимо:
   • обеспечить совместимость с существующими кадровыми информационными системами;
   • разработать регламенты использования LLM в различных кадровых процессах;
   • создать программы обучения для сотрудников кадровых служб и руководителей.
4. Правовое регулирование. Использование LLM в управлении персоналом требует:
   • определения правового статуса решений, принятых на основе рекомендаций LLM;
   • обеспечения соответствия требованиям трудового законодательства;
   • разработки внутренних нормативных документов, регламентирующих использование ИИ в кадровой сфере.

Заключение

Стратегическая цель развития кадрового потенциала Программы развития МГТУ им. Н.Э. Баумана — развитие кадрового потенциала — требует кардинальной трансформации подходов к управлению человеческим капиталом. Достижение целевых показателей (изменение распределения рабочего времени, рост заработной платы, снижение нагрузки, повышение удовлетворенности, увеличение доли молодых ученых) невозможно в рамках традиционных подходов.

Большие языковые модели предоставляют технологическую основу для создания интеллектуальной системы управления человеческим капиталом, способной обеспечить автоматизацию кадровых процессов, персонализированное развитие сотрудников, интеллектуальную поддержку наставничества и прогнозную аналитику кадровых рисков. Предложенная в статье концепция трехуровневой архитектуры позволяет интегрировать LLM-сервисы в ключевые процессы управления персоналом, обеспечивая реализацию принципов развития корпоративной культуры, развития кадрового потенциала и равенства возможностей.

Дальнейшие исследования должны быть направлены на разработку конкретных LLM-сервисов для различных аспектов управления человеческим капиталом, создание этических стандартов использования ИИ в кадровых процессах, формирование программ подготовки руководителей и кадровых служб к работе с интеллектуальными инструментами, а также на развитие отечественных LLM, обеспечивающих технологическую независимость в сфере управления персоналом. Успешная реализация данного подхода позволит университету не только достичь целевых показателей программы развития, но и сформировать кадровую систему, служащую моделью для других вузов России.

Список источников

1. Программа развития Федерального государственного автономного образовательного учреждения высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» на 2025–2036 годы [Электронный ресурс] 2025 URL: https://bmstu.ru/sveden/priority-2030 (дата обращения: 05.04.2026). – Текст: электронный.
2. Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Интеграция больших языковых моделей в образовательную экосистему МГТУ им. Н.Э. Баумана: кейс платформы «Korolev AI» // Science and technology research – 2026: сборник статей Международной научно-практической конференции (5 февраля 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 34-41. DOI 10.46916/09022026-1-978-5-00276-001-5
3. Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Искусственный интеллект и большие языковые модели как сквозная технология реализации стратегии развития МГТУ им. Н.Э. Баумана // New science award 2026 : сборник статей Международного научно-исследовательского конкурса (30 марта 2026 г.). — Петрозаводск : МЦНП «НОВАЯ НАУКА», 2026. — C. 51-60. DOI 10.46916/01042026-3-978-5-00276-044-2
4. Литвинова Е.Е., Витер Д.А., Чесалов А.Ю. Цифровая платформа «Путь Инженера» как системообразующий элемент стратегии развития МГТУ им. Н.Э. Баумана: аспект применения больших языковых моделей // Достижения в образовательной деятельности – 2026: сборник статей Международного научно-исследовательского конкурса (16 марта 2026 г.). – Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. – С. 53-62. DOI 10.46916/18032026-1-978-5-00276-032-9
5. Ковалевич В. Т., Ковалевич И. А., Шайдурова О. В., Машанов А. А., Ростовцева М. В. Конструирование модели управления человеческими ресурсами в сфере образования // Вестник КрасГАУ. 2014. №5. – С. 272 – 277.
6. Арсентьев Юрий Николаевич, Горбунов Виталий Сергеевич, Лесковский Иван Павлович, Моисеев Александр Васильевич Управление компетенциями человеческих ресурсов в высшем профессиональном образовании // Актуальные проблемы современности: наука и общество. 2014. №3 (4). – С. 53 – 57.
7. Врублевская Мария Викторовна, Калинина Ольга Владимировна Актуальные вопросы систематизации принципов управления человеческими ресурсами в высших учебных заведениях // ВЭПС. 2024. №2. – С. 277 – 282.
8. Чесалов А.Ю. Этические аспекты использования искусственного интеллекта в промышленности // Автоматизация в промышленности. – 2025. – №10. – С. 33 – 39.
9. Чесалов А.Ю. Актуальные вопросы этики применения искусственного интеллекта в промышленности // «Научный поиск: фундаментальные и прикладные аспекты»: сборник статей III Международной научно-практической конференции (29 января 2026 г., г. Петрозаводск). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 11-17. DOI 10.46916/02022026-6-978-5-00215-995-6