Второе место конкурса «КОД науки» в номинации
«Инновационные образовательные технологии» (2026 г.)
Аннотация. В статье рассматриваются возможности развития исследовательского мышления студентов средствами GraphRAG на платформе создания цифровых персон «НейроЛик» МГПУ. Показано, что на современном этапе платформа реализует логику retrieval-augmented generation, обеспечивающую контекстно-зависимое взаимодействие с ИИ-персонами на основе загружаемых документов. Установлено, что данная архитектура продуктивна при решении консультационных и информационно-поисковых задач, однако в ограниченной степени поддерживает аналитическую работу с источниками, выявление смысловых связей и концептуальное структурирование предметной области. На основе сравнительного анализа RAG и GraphRAG обоснована целесообразность перехода к графовым моделям представления знаний в образовательной платформе. Предложена модель интеграции GraphRAG в «НейроЛик» МГПУ, раскрыты изменения на уровне модулей платформы, сценариев взаимодействия и ожидаемых педагогических эффектов. Формулируется вывод о том, что GraphRAG позволяет рассматривать интеллектуального ассистента не только как средство доступа к информации, но и как инструмент сопровождения исследовательской деятельности студентов.
Ключевые слова: GraphRAG, RAG, интеллектуальные ассистенты, цифровые персоны, исследовательское мышление, НейроЛик МГПУ, образовательные технологии
Развитие цифровой образовательной среды привело к тому, что интеллектуальные ассистенты сегодня уже не воспринимаются только как вспомогательные сервисы для ответа на отдельные вопросы. В образовательных системах они все отчетливее занимают позицию инструментов сопровождения учебной и исследовательской деятельности, поскольку способны сочетать диалоговый интерфейс, работу с документами, персонализацию взаимодействия и поддержку разнообразных сценариев обучения. В этой связи значимым становится не только факт внедрения ассистента, но и архитектура его работы, определяющая качество взаимодействия, меру управляемости, глубину ответа и педагогическую целесообразность использования [1], [3].
В последние годы особенно заметное распространение получила архитектура retrieval-augmented generation, предполагающая, что генеративная модель формирует ответ не только за счет внутренней параметрической памяти, но и на основе внешнего массива знаний, извлекаемого по запросу пользователя [6], [8], [9]. Для образовательной практики это решение оказалось продуктивным, поскольку позволило перейти от универсальных чат-моделей к предметно локализованным интеллектуальным ассистентам, способным опираться на учебные, научные и методические материалы. Вместе с тем по мере расширения задач, возлагаемых на ИИ-ассистента, обнаруживаются ограничения данного подхода. Если на уровне информационного поиска и консультационной поддержки RAG оказывается достаточно эффективным, то в ситуациях, связанных с анализом исследовательского поля, сопоставлением источников, выявлением концептуальных лакун и построением логики научной работы, его возможности оказываются ограниченными.
Для высшего образования это обстоятельство имеет принципиальное значение. Подготовка студента к исследовательской деятельности требует не только доступа к информации, но и умения работать со структурой знания, видеть отношения между понятиями, авторами, подходами, методами и результатами исследований. Именно здесь возникает потребность в архитектурах, способных поддерживать не только retrieval, но и более сложные процессы концептуальной связи и осмысления данных. Одним из наиболее перспективных направлений такого развития сегодня является GraphRAG, в котором поверх документного корпуса формируется граф сущностей, отношений и тематических сообществ, используемый при ответе на запрос [5], [7], [10].
В качестве эмпирической и проектной базы в статье рассматривается платформа «НейроЛик» МГПУ. Согласно руководству пользователя, она представляет собой web-ориентированную среду для создания виртуальных агентов в образовании, где ИИ-персоны работают на основе технологии RAG и используют загруженные документы как собственную базу знаний [2]. Платформа уже содержит значимый набор модулей, поддерживающих создание, настройку, сравнение цифровых персон и генерацию промтов, что делает ее удобным примером для анализа возможностей дальнейшего архитектурного развития.
Цель исследования состоит в том, чтобы показать, каким образом переход от RAG к GraphRAG в платформе создания цифровых персон может быть связан с развитием исследовательского мышления студентов. Для достижения поставленной цели рассматриваются текущие возможности RAG в «НейроЛик» МГПУ, анализируются их преимущества и ограничения, проводится сравнительный анализ RAG и GraphRAG, а также предлагается модель интеграции GraphRAG в действующую платформу с описанием ожидаемых педагогических эффектов.
Исследование носит научно-практический и проектно-аналитический характер. В качестве теоретической базы использованы работы, посвященные retrieval-augmented generation, GraphRAG, интеллектуальным ассистентам и цифровой образовательной среде [1], [3], [4], [5], [6], [7], [8], [9], [10]. В качестве прикладного материала выступило руководство пользователя платформы «НейроЛик» МГПУ, позволяющее реконструировать действующую архитектурную и интерфейсную логику системы [2].
Методологически исследование опирается на сочетание сравнительного анализа, структурно-функционального моделирования и педагогической интерпретации цифровых решений. На первом этапе были выявлены функции, уже реализованные в рассматриваемой платформе на уровне RAG-архитектуры. На втором этапе осуществлено сопоставление RAG и GraphRAG по параметрам, значимым именно для образовательной и исследовательской деятельности студентов. На третьем этапе предложена модель перехода к GraphRAG, встроенная в существующую платформенную логику и ориентированная на развитие исследовательского мышления.
Под исследовательским мышлением в статье понимается не абстрактная склонность к анализу, а совокупность умений, обеспечивающих проблематизацию темы, выделение понятийного ядра, выявление связей между источниками, согласование цели, задач и методов, а также построение аналитически связного обзора литературы и интерпретации результатов. Такой подход позволяет рассматривать архитектуру ассистента не как автономную технологическую ценность, а как педагогический инструмент, поддерживающий конкретные когнитивные действия студента.
Использование интеллектуальных ассистентов в университете уже не ограничивается оперативной консультацией или генерацией кратких ответов. В условиях цифровой трансформации вуза ассистент постепенно начинает выполнять функции навигатора по учебным и научным материалам, средства предварительной обратной связи, инструмента структурирования данных и посредника между студентом, преподавателем и цифровой образовательной средой. Вместе с тем образовательная ценность такого решения зависит от того, какую именно деятельность поддерживает ассистент: репродуктивную, поисковую, аналитическую или исследовательскую.
В научно-исследовательской работе студента ключевое затруднение связано, как правило, не с отсутствием материалов, а с недостаточной способностью организовать их в целостную структуру. Студент может располагать значительным числом источников, но при этом испытывать трудности в выделении смысловых линий, сопоставлении подходов, выявлении противоречий, выборе методического основания и логическом построении обзора литературы. В таких условиях простой доступ к документам или даже к их релевантным фрагментам не снимает центральной педагогической задачи, поскольку сама проблема лежит на уровне концептуальной организации знания.
Именно поэтому для подготовки исследовательского мышления важна не только точность выдачи ответа, но и характер того интеллектуального действия, которое инициирует платформа. Если система поощряет только постановку локального вопроса и получение фрагментарного ответа, она укрепляет практику точечного использования информации. Если же ассистент помогает увидеть карту темы, выделить центральные понятия, связать источники в тематические кластеры и обнаружить пробелы в аргументации, то цифровая среда начинает работать на развитие исследовательского мышления как особого качества учебно-научной деятельности.
Современные исследования в области retrieval-augmented generation показывают, что интеграция внешних знаний существенно повышает качество работы больших языковых моделей, позволяя уменьшать галлюцинации, обновлять контекст и усиливать фактическую обоснованность ответов [6], [8], [9]. Однако в образовательной практике, особенно применительно к длительным и сложным задачам, связанным с подготовкой курсовых и выпускных квалификационных работ, оказывается важным еще одно измерение: способность системы поддерживать не только retrieval, но и sensemaking, то есть осмысленное структурирование материала [5], [7]. В этом смысле развитие архитектур интеллектуальных ассистентов должно оцениваться не по степени технологической сложности, а по тому, насколько они содействуют переходу студента от накопления разрозненных сведений к аналитическому выстраиванию исследовательского поля.
Платформа «НейроЛик» МГПУ является показательной реализацией современной образовательной среды, в которой интеллектуальные ассистенты представлены в виде цифровых персон. Согласно руководству пользователя, после авторизации студент или преподаватель получает доступ к списку общедоступных ИИ-персон, каждая из которых представляет собой интеллектуального агента, созданного на основе технологии RAG и использующего загруженные документы как собственную базу знаний [2]. Пользователь также может создавать собственные цифровые персоны, задавая им название, описание, предметную область, иконку, настройки видимости и системное поведение.
Особенно значимым для архитектурного анализа является то, что в настройках ИИ-персоны предусмотрен выбор большой языковой модели, загрузка документов формата .docx, задание приветствия и позиционной модели или промпта, определяющего роль, стиль коммуникации и ключевые требования к ответам [2]. Руководство фиксирует также возможность тестирования персоны в режиме превью, модуль «ИИ-инструменты» для прямой работы с языковыми моделями, «Промптопомощник» для генерации запросов и модуль сравнения ИИ-персон. В совокупности это означает, что «НейроЛик» МГПУ уже представляет собой не единичный чат, а платформенную конфигурацию, где интеллектуальный ассистент выступает как настраиваемый объект образовательного проектирования.
С точки зрения RAG-архитектуры достоинства исследуемой платформы очевидны. Во-первых, база знаний задается не абстрактным внешним интернет-корпусом, а документами, загружаемыми в контур конкретной ИИ-персоны. Это повышает управляемость и педагогическую релевантность ответа, поскольку преподаватель или разработчик цифровой персоны может определять содержательные границы ее работы. Во-вторых, возникает предметная персонализация. Разные цифровые персоны могут быть ориентированы на различные дисциплины, научные школы, тематические блоки или педагогические сценарии. В-третьих, ассистент становится институционально локализованным: его поведение соотносится с задачами конкретной платформы и образовательной среды, а не только с универсальными возможностями большой языковой модели.
Для образовательной деятельности создается ряд непосредственных преимуществ. Студент получает возможность быстро конкретизировать понятия, обращаться к материалам курса, запрашивать объяснение терминов, просить о структурировании фрагмента текста или о более доступной интерпретации сложного положения. Для преподавателя платформа открывает возможность разрабатывать цифровые персоны под конкретные темы, строить сценарии взаимодействия и дополнять курс интерактивным консультативным контуром. С этой точки зрения RAG в «НейроЛик» МГПУ решает важную задачу перехода от универсального диалогового ассистента к ассистенту, содержательно укорененному в образовательном материале.
Вместе с тем сам характер документной базы и логика RAG-извлечения задают определенную границу продуктивности. База знаний ИИ-персоны строится вокруг загруженных документов и их текстовых фрагментов, а retrieval осуществляется в логике нахождения семантически релевантных элементов. Следовательно, система хорошо отвечает на вопросы вида «что говорится по данному поводу в документах?», однако более слабо проявляет себя в вопросах вида «как связаны между собой понятия, подходы и исследовательские линии внутри корпуса?». Для учебно-поисковых сценариев это не является принципиальной проблемой, но для сопровождения исследовательской деятельности такая граница становится существенной.
Преимущества RAG для образовательной платформы связаны прежде всего с повышением фактической надежности и контекстной релевантности ответа. В классической постановке retrieval-augmented generation соединяет параметрическую память языковой модели с непараметрической внешней памятью, представленной индексом документов [9]. Это позволяет опираться на внешнее знание без полного переобучения модели, актуализировать ответы и ограничивать их заданным содержательным полем [6], [8]. Для образовательной среды данное свойство особенно важно, поскольку преподаватель и студент нуждаются не в произвольной генерации, а в ответе, укорененном в конкретном учебном или научном материале.
Именно поэтому RAG оказывается продуктивным при работе со следующими типами задач: поиск определения, объяснение понятий, работа с фрагментом текста, подготовка к занятию, навигация по массиву документов, уточнение содержания отдельных разделов, а также сравнительно простая консультация по структуре материала. В таких ситуациях студенту важно быстро извлечь релевантный фрагмент и соотнести его со своим вопросом. Если цифровая персона построена на качественном корпусе документов, ответ действительно становится более точным, предметным и функционально полезным. Однако исследовательское мышление требует другого уровня интеллектуальной поддержки. В исследовательской работе студент действует не только как пользователь, задающий вопросы к документу, но и как субъект, конструирующий смысловое пространство темы. Он должен увидеть, какие понятия составляют ядро исследования, как соотносятся разные авторские позиции, какие подходы являются близкими, какие методические решения совместимы или несовместимы между собой, где расположены лакуны и в каком месте его собственное исследование может быть встроено в существующее научное поле. При такой постановке простого retrieval по фрагментам уже недостаточно.
Ограничение RAG проявляется в том, что знание в нем, как правило, представлено линейно и фрагментарно. Даже если система извлекает удачные текстовые отрывки, она не обязательно восстанавливает отношения между ними. Студент получает набор релевантных фрагментов, но не карту темы. В результате усиливается риск перечислительного обзора литературы, когда источники следуют друг за другом без выявления смысловых пересечений и различий. Аналогичная проблема возникает при проектировании научного аппарата: система может отдельно помочь сформулировать цель, задачи или методы, но не всегда показывает, насколько эти элементы образуют внутренне согласованную конструкцию.
Для платформы «НейроЛик» МГПУ это означает, что при сохранении всех достоинств RAG как базовой архитектуры возникает потребность в следующем шаге. Этот шаг не связан с отказом от retrieval как такового. Напротив, его следует рассматривать как развитие retrieval-логики в сторону более богатой работы со структурой знания. Именно в данной точке интерес представляет GraphRAG, позволяющий перейти от поиска по отдельным текстовым фрагментам к поиску и генерации с учетом графа сущностей, отношений и тематических сообществ [5], [7], [10].
GraphRAG возник как ответ на ограничения традиционного retrieval в ситуациях, когда пользователь задает не локальный, а глобальный или аналитический вопрос к корпусу документов. В работах Microsoft Research показано, что для таких запросов наивный RAG оказывается недостаточным, поскольку он хорошо работает с локальными релевантными фрагментами, но хуже справляется с задачами, требующими сводного понимания всего массива данных [5], [7]. В GraphRAG поверх корпуса строится граф знаний: из текстов извлекаются сущности и связи, далее формируются тематические сообщества и их сводные описания, а retrieval и generation осуществляются уже с опорой не только на текст, но и на структуру отношений.
Для образовательной системы такое различие имеет не столько технический, сколько педагогический смысл. Если RAG поддерживает прежде всего поиск и локальное уточнение материала, то GraphRAG делает возможным аналитическое развертывание темы. Именно поэтому сопоставление рассматриваемых в нашем исследовании архитектур целесообразно проводить не только по инженерным параметрам, но и по тому, какие формы учебной и исследовательской деятельности они поддерживают. В контексте развития исследовательского мышления особое значение приобретают такие параметры, как единица знания, логика retrieval, возможность работы с глобальными вопросами, глубина анализа корпуса и характер формируемой интеллектуальной активности студента.
Сравнение показывает, что RAG и GraphRAG не находятся в отношениях прямого вытеснения. RAG остается базовой и необходимой архитектурой для быстрых информационных сценариев. GraphRAG не отменяет ее, а расширяет. Именно поэтому более корректно говорить не о замене одной модели другой, а о переходе к гибридной архитектуре, в которой сохраняется документный retrieval-контур, но поверх него строится графовый слой, обеспечивающий аналитические и исследовательские режимы работы. В такой логике платформа «НейроЛик» МГПУ может быть рассмотрена как готовая основа для данного перехода, поскольку документная база, настройка цифровых персон, промптовый контур и модуль сравнения уже присутствуют и не требуют полной перестройки [2].
Сравнительная характеристика RAG и GraphRAG представлена в таблице 1 и на рисунке 1. Таблица акцентирует различия в единице знания и педагогической функции, а схема позволяет увидеть, что в GraphRAG меняется не только маршрут запроса, но и сам тип результата, получаемого студентом. Если в RAG итогом становится ответ по релевантным фрагментам, то в GraphRAG ответ приобретает характер аналитической реконструкции темы и потому в большей степени содействует формированию исследовательского мышления.
Таблица 1. Сравнительная характеристика RAG и GraphRAG в контексте исследовательской деятельности студентов
|
Параметр |
RAG |
GraphRAG |
|
Базовая единица знания |
Текстовый фрагмент или документ |
Сущность, отношение, сообщество, подграф |
|
Логика retrieval |
Семантический поиск по близости фрагментов |
Поиск по документам и графовым связям |
|
Работа с глобальными вопросами |
Ограничена, особенно при запросе по всему корпусу |
Поддерживается за счет графа и сводок сообществ |
|
Характер ответа |
Локально релевантный ответ по найденным фрагментам |
Аналитический ответ с учетом структуры предметной области |
|
Педагогическая функция |
Консультация, уточнение, навигация |
Структурирование знания, аналитика, исследовательская рефлексия |
|
Поддержка образа литературы |
Помогает находить источники и частные положения |
Позволяет выявлять кластеры, линии исследований и пробелы |
|
Поддержка научного аппарата |
Частичная, по отдельным элементам |
Более полная, за счет работы с отношениями между элементами исследования |
|
Требования к инфраструктуре |
Относительно умеренные |
Более высокие из-за графовой индексации и обновления |
Рис. 1. Сравнительная модель RAG и GraphRAG в образовательной платформе
Переход к GraphRAG в «НейроЛик» МГПУ целесообразно рассматривать как развитие существующей платформенной архитектуры, а не как построение новой системы с нуля. Документный контур, уже реализованный в ИИ-персонах, обеспечивает входную основу для такого расширения. После загрузки пользователем корпуса документов платформа может не ограничиваться только разбиением текста на фрагменты и построением векторного индекса, но и выполнять извлечение сущностей, отношений и тематических маркеров. В результате цифровая персона получает двойную базу знаний: во-первых, массив фрагментов для традиционного retrieval; во-вторых, графовую структуру, отражающую внутренние связи предметной области.
На уровне пользовательского интерфейса это может быть реализовано без разрушения привычной логики взаимодействия. В окне работы с ИИ-персоной возможна реализация двух режимов ответа: локального и аналитического. В первом случае система действует по модели классического RAG и возвращает ответ, опирающийся на ближайшие релевантные фрагменты документа. Во втором случае система активирует GraphRAG-контур, извлекает значимые узлы графа, их связи и тематические сообщества, после чего формирует ответ, направленный не столько на разъяснение одного положения, сколько на выявление структуры проблемы. Для студента разница между режимами должна выражаться не в сложности интерфейса, а в характере результата: обычный ответ по документам или аналитическая карта темы.
Особую ценность приобретает интеграция GraphRAG с теми модулями, которые уже присутствуют в платформе. Так, модуль сравнения цифровых персон может использоваться не только для сопоставления ответов, но и для сравнения разных карт темы, построенных на основе различных корпусов или исследовательских позиций. «Промптопомощник» может быть расширен за счет генерации не просто набора запросов, а последовательности исследовательских шагов, опирающихся на граф темы. Блок превью в настройках персоны получает новое назначение: он становится пространством диагностики не только речевого поведения ассистента, но и корректности его аналитической модели.
При этом важно подчеркнуть, что внедрение GraphRAG должно сопровождаться методической селекцией корпуса. Не всякий документ одинаково полезен для построения графа знаний. Для учебных и исследовательских задач необходимо разграничивать тексты по степени надежности, жанру, содержательному весу и роли в структуре курса или научного направления. В противном случае граф будет воспроизводить не предметную область, а случайную совокупность загруженных материалов. Следовательно, графовый слой в «НейроЛик» должен строиться не как автоматическая техническая процедура, а как педагогически контролируемый механизм работы со знанием.
Предлагаемая модель интеграции GraphRAG в платформу «НейроЛик» МГПУ представлена на рисунке 2. Привычные модули платформы не исчезают, а получают новый аналитический контур, тем самым переход к GraphRAG становится не внешней модернизацией, а внутренне обусловленным этапом развития платформы создания цифровых персон.
Рис. 2. Модель интеграции GraphRAG в платформу «НейроЛик» МГПУ
Педагогическая ценность GraphRAG в данном случае определяется тем, что он переводит цифрового ИИ-ассистента из режима локальной выдачи информации в режим сопровождения аналитической работы. Для исследовательского мышления это имеет принципиальное значение, поскольку студенту важно не только понимать отдельные положения, но и видеть, как они соотносятся внутри предметной области. Когда цифровая персона помогает выделить центральные понятия, сгруппировать авторские позиции, показать тематические кластеры и обнаружить пробелы, она начинает поддерживать именно те интеллектуальные действия, без которых исследование остается компилятивным.
Наиболее заметный эффект GraphRAG может дать на этапе подготовки обзора литературы. Одна из типичных проблем студенческих работ состоит в том, что обзор источников осуществляется по принципу последовательного пересказа источников. При этом утрачиваются линии преемственности, расхождения подходов и логика самого научного поля. Если же платформа выстраивает карту темы и показывает, какие источники образуют один кластер, какие авторы опираются на близкие основания, а какие полемизируют между собой, обзор перестает быть перечнем и приобретает аналитическую связность. Не менее важен потенциал GraphRAG на этапе проектирования научного аппарата. Исследовательское мышление предполагает согласование проблемы, объекта, предмета, цели, задач, методов и ожидаемых результатов. В классическом RAG-сценарии студент может задавать отдельные вопросы по каждому элементу, но система не обязательно показывает их внутреннюю связанность. GraphRAG, напротив, позволяет строить ответ в логике отношений и тем самым поддерживать согласование элементов исследования, благодаря чему создаются условия для более осознанной самопроверки.
Существенен также рефлексивный эффект. Когда платформа демонстрирует не только ответ, но и структуру предметной области, студент получает возможность увидеть, чего именно не хватает его работе: источников по определенной линии, проработки одного из понятийных узлов, связи между методами и задачами, аргументационного звена в обзоре литературы. Таким образом, GraphRAG может быть встроен в практику исследовательского самоанализа. В этом смысле цифровая персона перестает быть только «помощником по ответам» и становится средством интеллектуальной навигации в исследовании.
Таблица 2 и рисунок 3 наглядно демонстрируют, что влияние GraphRAG на структуру исследовательской деятельности не сводится к одному этапу. Графовый подход поддерживает всю линию исследовательского продвижения: от уточнения темы и понятийного ядра до аналитического обзора и рефлексивной коррекции. Именно эта целостность и позволяет говорить о GraphRAG не просто как о новой технической модификации retrieval, а как о педагогически значимом развитии архитектуры образовательной платформы.
Таблица 2. Компоненты исследовательского мышления и возможности их поддержки средствами GraphRAG
|
Компонент исследовательского мышления |
Что дает текущий RAG-контур |
Что добавляет GraphRAG |
|
Уточнение темы |
Поиск релевантных фрагментов по ключевым словам |
Построение карты темы и выделение понятийного ядра |
|
Анализ источников |
Подбор отдельных документов и цитат |
Кластеризация авторских позиций и исследовательских линий |
|
Выявление связей |
Неявно, за счет последовательных запросов |
Явно, через граф понятий, отношений и сообществ |
|
Проектирование связей |
Помощь по отдельным элементам научного аппарата |
Согласование цели, задач, методов и ожидаемых результатов |
|
Подготовка образа литературы |
Сбор материалов и частных аргументов |
Переход от перечисления к аналитически связанному обзору |
|
Рефлексия и самопроверка |
Локальная проверка отдельных формулировок |
Диагностика пробелов и слабых связей в логике работы |
Рис. 3. Влияние GraphRAG на структуру исследовательской деятельности студента
Несмотря на очевидный потенциал GraphRAG, его внедрение в образовательную платформу не должно описываться исключительно в позитивных категориях. Прежде всего необходимо учитывать инфраструктурную сложность данного решения. Построение графа знаний, кластеризация тематических сообществ и поддержание их актуальности требуют больших вычислительных ресурсов и более сложной логики индексации по сравнению с традиционным RAG [7], [10]. Для платформы «НейроЛик» МГПУ это означает необходимость отдельного проектирования графового слоя, выбора стратегии обновления индекса и определения тех типов запросов, для которых GraphRAG действительно оправдан.
Второй риск связан с качеством «корпус»а. Если база знаний цифровой персоны включает случайные, слабо структурированные или неоднородные материалы, граф может оказаться методически ложным. В таком случае система будет воспроизводить не логику предметной области, а поверхностные совпадения или второстепенные связи. Поэтому обязательным условием перехода к GraphRAG является педагогически осмысленная подготовка корпуса и выделение критериев отбора документов.
Третье ограничение носит дидактический характер. Если GraphRAG будет внедрен как скрытая внутренняя технология без изменения педагогических сценариев, то образовательный эффект может оказаться минимальным. Сам по себе граф знаний еще не развивает исследовательское мышление. Это происходит только тогда, когда интерфейс, логика запросов и организация учебной работы специально ориентированы на аналитическое использование графового слоя. Следовательно, переход к GraphRAG требует не только технологической, но и методической перестройки использования платформы.
Наконец, следует учитывать и риск подмены собственно исследовательской деятельности цифровой навигацией по готовым структурам. Если студент ограничивается просмотром карты темы и не осуществляет самостоятельного анализа, графовый помощник превращается в упрощенный внешний опорный механизм. Поэтому платформенное решение должно проектироваться таким образом, чтобы GraphRAG не снимал исследовательскую задачу, а делал ее более обозримой и управляемой. Иными словами, цифровая персона должна не заменять исследовательское мышление, а усиливать его.
Проведенный анализ позволяет сделать вывод о том, что переход платформы «НейроЛик» МГПУ от RAG к GraphRAG представляет собой не просто очередной этап усложнения архитектуры интеллектуального ассистента, а педагогически обусловленное направление развития цифровой образовательной среды. Текущая конфигурация платформы, основанная на retrieval-augmented generation, уже обеспечивает высокий уровень предметной локализации, контекстной релевантности ответа и возможностей для настройки цифровых персон [2], что делает «НейроЛик» ярким примером практической реализации RAG в образовании.
Вместе с тем для задач, связанных с развитием исследовательского мышления студентов, возможностей классического RAG недостаточно. Его основное достоинство – поддержка локального retrieval – одновременно задает и границу его педагогической продуктивности: знание остается фрагментарным, а структура предметной области реконструируется лишь косвенно. GraphRAG позволяет преодолеть это ограничение за счет явной работы с сущностями, отношениями и тематическими сообществами, что особенно важно при подготовке аналитического обзора, согласовании научного аппарата и выявлении исследовательских лакун [4], [7], [10]. Предложенная в статье модель интеграции GraphRAG показывает, что переход к графовому уровню может быть осуществлен как развитие существующей платформенной логики. При таком подходе цифровая персона сохраняет преимущества RAG-контекста, но дополняется возможностью аналитического режима ответа, ориентированного на структурирование знания. Именно это создает основания рассматривать GraphRAG как средство развития исследовательского мышления студентов. В перспективе внедрение такого решения может стать основой для проектирования нового поколения образовательных платформ, где интеллектуальный ассистент действует не только как поставщик информации, но и как педагогически организованный инструмент сопровождения исследования.
Список литературы:
- Гриншкун В.В., Суворова Т.Н., Шунина Л.А. О необходимости формирования цифровой образовательной среды для подготовки будущих педагогов // Известия Российской академии образования, 2024. №3(67). С. 162-180.
- Руководство пользователя «ИИ-платформа по созданию виртуальных агентов в образовании». М.: МГПУ, 2026. 19 с.
- Суворова Т.Н. Искусственный интеллект в образовании: направления применения и ограничения / Т.Н. Суворова, В.И. Абрамов, А.В. Гриншкун, А.В. Елисеев, Н.С. Корнева // Современная цифровая дидактика. М.: А-Приор, 2023. С. 89-98.
- Dong C., Yuan Y., Chen K. et al. How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG) // 2025 14th International Conference on Educational and Information Technology (ICEIT).
- Edge D., Trinh H., Cheng N. et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization // arXiv. 2024. arXiv:2404.16130.
- Fan W., Ding Y., Ning L. et al. A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models // Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024.: 6491-6501.
- GraphRAG project documentation // Microsoft Research. (дата обращения: 30.03.2026).
- Gupta S., Ranjan R., Singh S.N. A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions // arXiv. 2024. arXiv:2410.12837.
- Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33.: 9459-9474.
- Peng B., Zhu Y., Liu Y. et al. Graph Retrieval-Augmented Generation: A Survey // ACM Computing Surveys. 2025. Vol. 57. №11. Article 3777378.
Graphrag and students’ research thinking in «Neurolik» MGPU
Ryabikova D.L.,
postgraduate student of 1 course of the Moscow City University, Moscow
Coauthor:
Eliseev A.V.,
postgraduate student of 3 course of the Moscow City University, Moscow
Research supervisor:
Shunina Lyubov Andreevna,
Associate Professor of the Department of Informatization of Education Institute of Digital Education of Moscow City University, Candidate of Pedagogical Sciences, Associate Professor
Abstract. The article examines the potential of GraphRAG for developing students’ research thinking within the NeuroLik MGPU platform for creating digital personas. It is shown that the platform currently implements a retrieval-augmented generation logic that provides context-aware interaction based on user-uploaded documents. The paper argues that such an architecture is effective for consultation and information retrieval, yet it is insufficient for analytical work with sources, identifying semantic relations, and conceptually structuring a research domain. Based on a comparative analysis of RAG and GraphRAG, the article substantiates the transition to graph-based knowledge representation in the educational platform. A model of GraphRAG integration into NeuroLik MGPU is proposed, including changes at the level of platform modules, interaction scenarios, and expected pedagogical effects. It is concluded that GraphRAG makes it possible to consider an intelligent assistant not only as a means of accessing information, but also as a tool for supporting students’ research activity.
Keywords: GraphRAG, RAG, intelligent assistants, digital personas, research thinking, NeuroLik MGPU, educational technologies
References:
- Grinshkun V.V., Suvorova T.N., Shunina L.A. On the Need to Form a Digital Educational Environment for the Training of Future Teachers. Izvestiya Rossiyskoy akademii obrazovaniya, 2024, №3(67).: 162-180.
- User Guide 'AI Platform for Creating Virtual Agents in Education'. Moscow, MGPU, 2026. 19 p.
- Suvorova T.N. Artificial Intelligence in Education: Directions of Application and Limitations / T.N. Suvorova, V.I. Abramov, A.V. Grinshkun, A.V. Eliseev, Korneva N.S. // In: Modern Digital Didactics. Moscow, A-Prior, 2023.: 89-98.
- Dong C., Yuan Y., Chen K. et al. How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG) // 2025 14th International Conference on Educational and Information Technology (ICEIT).
- Edge D., Trinh H., Cheng N. et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization // arXiv. 2024. arXiv:2404.16130.
- Fan W., Ding Y., Ning L. et al. A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models // Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024.: 6491-6501.
- GraphRAG project documentation // Microsoft Research. (date of the address: 30.03.2026).
- Gupta S., Ranjan R., Singh S.N. A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions // arXiv. 2024. arXiv:2410.12837.
- Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33.: 9459-9474.
- Peng B., Zhu Y., Liu Y. et al. Graph Retrieval-Augmented Generation: A Survey // ACM Computing Surveys. 2025. Vol. 57. №11. Article 3777378.