Обзор литературы является ключевым разделом любой диссертации, демонстрирующим понимание автором существующих исследований по теме. Его задача — обобщить и критически осмыслить научные источники, выявив основные достижения, дискуссионные вопросы и пробелы, которые предстоит заполнить в собственной работе. Включение ИИ-инструментов в методологию подготовки обзора литературы позволяет ускорить обработку большого объема текстов и повысить системность анализа, однако требует осторожности для сохранения научной добросовестности.
Процесс подготовки литературного обзора с поддержкой ИИ можно организовать по следующим шагам, рисунок 4.
Рассмотрим данную последовательность подробнее.
— Группировка и структурирование источников. На основе собранного корпуса литературы (см. п. 1.4) студент определяет, как логически организовать обзор. Возможны различные принципы: хронологический (от ранних исследований к современным), тематический (по подтемам или аспектам проблемы), методологический (с группировкой работ по использованным методам) и т. д. ИИ-средства могут помочь выявить скрытые связи между источниками — например, с помощью кластеризации по ключевым словам или автоматического составления «карты литературы». Существуют специализированные приложения (Research Rabbit, Connected Papers), которые наглядно показывают сети цитирования и близость тематики разных статей. Используя эти данные, автор выбирает структуру обзора: выделяет основные разделы и определяет, какие источники в каждом разделе будут проанализированы.
— Анализ содержания и аннотирование. Для каждого кластера источников (группы по теме или другому признаку) необходимо детально разобраться в их содержании. Тут на помощь приходит ИИ в части ускорения чтения: например, можно воспользоваться моделью, чтобы сгенерировать краткое содержание статьи или извлечь из текста основные выводы. Если у автора есть набор PDF-файлов, некоторые сервисы ИИ позволяют задавать им вопросы («Какие методы использованы в работе X?», «Какую проблему решает автор в Y?») и получать краткие ответы, экономя время на просмотр. Однако такие ответы не всегда точны на 100%, поэтому после машинного анализа целесообразно просмотреть ключевые фрагменты источника самостоятельно, особенно если он критически важен для темы. Параллельно составляются аннотации: короткие конспекты каждой работы с указанием целей, методов и результатов. ИИ может служить черновым составителем таких аннотаций, но итоговый текст аннотации должен быть проверен и откорректирован студентом, чтобы избежать искажения смысла первоисточника.
— Синтез и написание текста обзора. Обладая сгруппированными источниками и их аннотациями, автор переходит к написанию собственно обзора литературы. На этом этапе важно не просто пересказать содержание источников, но и выстроить между ними связный научный диалог. Применение ИИ может заключаться в генерации черновых фрагментов обзора. Например, можно попросить модель: «Суммируй, что говорят различные авторы о [подтеме], указав точки согласия и разногласия». Модель сгенерирует обобщающий текст, опираясь на заложенные в ней знания, однако недостаток такого подхода — риск включения информации, не относящейся к конкретно изученным источникам (галлюцинации). Поэтому более надежный прием — использовать ИИ для комбинирования уже известных пунктов: например, предоставить модели собственные аннотации двух статей и поручить сравнить их. В любом случае, черновик раздела, полученный с помощью ИИ, должен быть внимательно проверен: все ли упомянутые факты действительно присутствуют в цитируемых работах, правильно ли интерпретированы выводы авторов. Студенту следует переписать критические части обзора своими словами, добавить прямые ссылки на источники и собственные аналитические комментарии (например, указать, почему определенный подход представляется перспективным или ограниченным).
— Критический анализ и выявление пробелов. Одним из важных результатов обзора литературы является обоснование ниши для собственного исследования. После написания основных разделов обзора, автору полезно оценить, какие аспекты темы остаются недостаточно изученными. Здесь ИИ-инструмент может сыграть роль «оппонента»: например, проанализировать текст обзора и сформулировать, на какие вопросы не нашли ответа рассмотренные исследования. Студент мог бы задать модели вопрос: «Исходя из приведенного обзора, какие научные пробелы или нерешенные проблемы можно выделить?». Полученные идеи нужно критически оценить и соотнести с действительным содержанием работ. На основе этого шага в заключительной части обзора литературы формулируются выводы: чем именно будет заполнен выявленный пробел, какие новые аспекты внесет диссертация.
— Редактирование и оформление раздела. Завершив черновой вариант обзора литературы, следует привести его в единый стиль и убедиться в корректности ссылок. ИИ может помочь вычитать текст, устранить повторы и добиться связности между абзацами (например, предложить подходящие вводные фразы или связки). Особое внимание уделяется тому, чтобы каждый абзац обзора сопровождался ссылками на соответствующие источники. Недопустимо наличие не подкрепленных литературой заявлений в этом разделе. Автоматические средства управления ссылками (см. п. 1.4) гарантируют, что все цитируемые работы окажутся в списке литературы. Финальная вычитка с помощью Антиплагиата или аналогичных систем подтверждает оригинальность обзора: хотя в нем неизбежно много цитат и пересказов, текст должен быть написан своими словами, а все прямые заимствования — оформлены как цитаты.
Выше приведен список литературы, с помощью простой инструкции: проанализируй библиографии, напиши раздел введения «Степень изученности проблемы», для этого объедини публикации в 3—4 группы, в каждой группе укажи 4—6 И. О. Фамилий авторов дай ссылку на публикацию в квадратных скобках в формате [x]. Список литературы.
Полученный ответ ИИ, согласно промпта, который после редактуры можно использовать в магистерской диссертации, представлен ниже.
Степень изученности проблемы задаётся сочетанием нормативно-правового каркаса и эмпирико-аналитических работ о платформах и маркетплейсах. Регуляторные рамки формируются в РФ и КНР законами о защите прав потребителей, торговой деятельности и данных, а также специальными актами об электронной коммерции и генеративном ИИ, что задаёт институциональные ограничения для бизнес-моделей и практик платформ [1], [7], [9], [11], [12], [13].
Первое исследовательское направление — теоретико-методологические основания платформенной экономики и корпоративных экосистем — консолидирует понятийный аппарат и общие модели монетизации и управления. В нём систематизированы траектории роста e-commerce, архитектура бизнес-моделей и метрики эффективности: Е. А. Медведкина [33] обосновывает драйверы консолидации и региональные модели; А. С. Михалин [34] уточняет роль маркетплейса как посреднической бизнес-модели; В. А. Широкова [52] показывает стратегические механизмы успеха e-commerce; М. А. Сюй [45] акцентирует институциональные факторы цифрового бизнеса; H. Yin [63] анализирует стратегию как источник конкурентных преимуществ в многосторонних рынках.
Второе направление — эмпирика российских маркетплейсов, где преобладают сравнительные и прикладные оценки эффективности. В. В. Агатеева [15] фиксирует влияние санкционных шоков на результаты платформ; В. Д. Варагич [17] использует финансовые коэффициенты для ранжирования игроков; М. С. Желтов [24] раскрывает динамику развития Ozon и Wildberries; Д. О. Гусев [21] описывает управленческие тренды и их связь с пользовательским спросом; Е. И. Макринова [30] сопоставляет показатели и рыночные позиции как основу конкурентной стратегии. Совокупно этот блок формирует базу для бенчмаркинга и диагностики устойчивости отечественных платформ.
Третье направление — исследования китайских платформ и, прежде всего, экосистемы Alibaba Group, где концентрируются вопросы стратегии, инноваций и трансформации. А. П. Алексеенко [16] рассматривает антимонопольное регулирование и кейс Alibaba в логике платформенной конкуренции; Д. А. Ведерман [18] описывает драйверы роста и риски экосистемы; Ш. Вэй [19] анализирует логистические инновации и решения для трансграничной торговли; Ю. А. Дедяева [23] систематизирует особенности корпоративной модели; С. Н. Погодин [39] раскрывает структурные параметры холдинга; W. Li [56] показывает международную стратегию и механизмы интернационализации. Этот корпус работ задаёт сравнительный эталон для сопоставления с российскими кейсами.
Четвёртое направление — правовое и институциональное обеспечение деятельности платформ, включая гражданско-правовой статус, ИС и комплаенс. К. А. Маслов [32] концептуализирует статус маркетплейсов и границы ответственности; А. В. Покровская [40] исследует защиту товарных знаков на платформах; О. Г. Тверитинова [46] анализирует авторские права в трансграничных продажах; S. Shin [60] показывает институциональные настройки регулирования частного сектора на примере Alibaba; Ch. V. Drokina [54] связывает управленческие практики с цифровой трансформацией и требованиями регулирования. Этот блок формирует основу для правовых выводов о рисках и обязанностях сторон.
В целом накоплен заметный массив знаний о стратегиях, правовом окружении и метриках эффективности, однако остаются лакуны в комплексных сопоставлениях российских и китайских практик с учётом синхронного влияния регуляторики данных и конкуренции [1], [11], [13], а также в моделях оценки устойчивости экосистем при одновременных шоках спроса, логистики и комплаенса [15], [21], [31]. Настоящее исследование заполняет этот пробел, интегрируя институциональные, стратегические и операционные аспекты в единую сравнительную рамку.
Методология обзора литературы, обогащенная инструментами ИИ, сочетает в себе скорость машинной обработки и критическое мышление человека. ИИ способен ускорить поиск и первичный анализ десятков источников, но именно автор устанавливает логические связи между идеями разных исследований и делает выводы для собственной работы. При соблюдении указанных подходов обзор литературы получится содержательным, хорошо структурированным и релевантным целям диссертации, при этом его подготовка займет меньше времени благодаря разумной автоматизации рутинных операций.