«LLM и ИИ для принятия решений под неопределённостью и ограничениями (обзор свежих работ 2024–2026)»

Блоги Андрей Телятников (блоги)
,
1

еук
пентахор-ясности

Продолжаю тесты а2тtcki-экзокортекс — сбор и изучение источников. В этот раз использую “народный Perplexity”, (условно) бесплатный “Deep Research”.

Me:

Подборка новостей и аналитики о больших языковых моделях (LLM) и искусственном интеллекте, связанных с принятием решений в условиях неопределённости и ограниченности ресурсов + ограничения во времени, включая новые исследования, промышленные кейсы и практические методы применения.
ТОТАЛЬНО избегайте и  МАКСИМАЛЬНО исключайте информацию из SEO-ориентированных блогов  — ТОЛЬКО академические и индустриальные источники (журналы, препринты, корпоративные white papers). 
ОБЯЗАТЕЛЬНО:
- начинайте отчёт с указания даты и времени составления отчёта (в МСК)
- указываете: как найденная Вами информация стыкуется с зонами моих интересов — см. файл «Zona-issledovatelskikh-interesov-A2T-ver.-2.md» 
- вывод в табличной форме Markdown, столбцы таблицы  по шаблону: 
| Научные статьи | Фреймворки | Индустрия/кейсы | Методы | Риски/ограничения | Связь с А2Т-исследованиями |
- до того, как приступите к формированию списка источников (см. требования к списку ниже), молча самостоятельно перепроверьте ВСЕ ссылки, авторов, названия, год публикации и оставьте для списка только те, которые не содержат ошибок галлюцинаций LLM — список должен содержать ТОЛЬКО перепроверенные Вами источники
- начинайте с источников 2026 → 2025 → ...
- в конце подборки:
  * итоговые выводы по ВСЕМ отобранным статьям в целом;
  * итоговый список отобранных Вами источников в академическом формате:  ВСЕГДА с явным указанием автора, названия, даты публикации (YYYY-MM-DD), места публикации, в явном виде URL (DIO)
ПОЛНЫЙ ЗАПРЕТ НА ЛЕСТЬ И УГОДНИЧЕСТВО:
- Никогда не задавай пользователю уточняющих вопросов, включая вопросы о приоритете следующего шага (например: «что ставим приоритетом…?»)
- Никогда не предлагай пользователю “выбрать направление/режим/приоритет”. Если вход неоднозначен или данных мало — действуй молча: делай минимально рискованные допущения, явно маркируй их как «Допущение», и выполняй работу по умолчанию
- Не выдумывай факты, не подменяй отсутствие данных; если данных нет — так и скажи

Perplexity (без «Pro»):

Дата и режим

Отчёт сформирован 2026-03-21, ~10:50 МСК. Анализ ведётся в парадигме классической эпистемологии с элементами прагматизма, режим B (Transcendent): систематический обзор внешних источников с критическим отбором и сопоставлением.

1. Обзор отобранных направлений

За 2024–2026 годы вокруг LLM и связанных ИИ‑методов для принятия решений под неопределённостью и ресурсными ограничениями выделяются несколько линий работ:

  • прикладные доменные copilot‑системы для оперативных решений (животноводство, медицина, энергетика, проекты);[1][2][3][4]
  • гибридные архитектуры LLM + DRL/оптимизация для ресурсного планирования и управления энергосистемами;[5][3]
  • многоагентные и робототехнические системы, где LLM используется как слой смыслового/логического вывода под жёсткими ограничениями (темпоральная логика, процедурные ограничения);[6][7]
  • методологии оценки рациональности и поведения LLM как агентов (STEER, экономическая рациональность, поведение под неопределённостью);[8][9]
  • работы по количественной оценке неопределённости и калибровке уверенности LLM, включая специализированные survey‑исследования и экспериментальные фреймворки;[10][11]
  • промышленные/корпоративные фреймворки для риск‑ориентированного управления проектами с участием LLM (governance, project portfolio risk).[12]

Ниже приведена сводная таблица по ключевым источникам в формате, адаптированном под цели системы «ЕУК» и исследовательские интересы А2Т.

2. Сводная таблица по источникам (2024–2026)

Научные статьи Фреймворки Индустрия/кейсы Методы Риски/ограничения Связь с А2Т-исследованиями
Liu et al., 2025, Uncertainty Quantification and Confidence Calibration in LLMs (KDD’25)[10] Таксономия UQ по измерениям: вход, рассуждение, параметры, предсказание; карта методов и метрик Примеры из медицины, права и транспорта как high‑stakes домены Обзор перплексити‑подобных метрик, семантической энтропии, конформного предсказания, байесовских и ансамблевых подходов Показывает вычислительную дороговизну классических UQ для крупных LLM, слабую интерпретируемость, уязвимость к сдвигам распределения Даёт заготовку измерения «эпистемическая обоснованность» и «калибровка уверенности» для Пентахора: можно явно отделять уровни неопределённости по слоям пайплайна (вход, reasoning, политика)
Huang et al., 2025 (v4), Look Before You Leap: Uncertainty Analysis for LLMs[11] Экспериментальный фреймворк оценки 12 методов неопределённости на 17 LLM и 6 задач Индустриально значимые сценарии: QA, суммаризация, перевод, кодогенерация Сравнение детерминированных и мульти‑семпловых UQ‑метрик, токен‑ и предложение‑уровневой энтропии, вариационных показателей Методы хорошо отлавливают «грубые» ошибки, но плохо работают с нюансами сильных коммерческих моделей; высокие вычислительные затраты Практическая база для модулей «сторожей» в ЕУК: можно проектировать слой оценки доверия к выводу (например, триггер дополнительной верификации при высокой энтропии)
Jia et al., 2024, LLMs under Uncertain Context (NeurIPS’24)[8] Фреймворк оценки поведения LLM через параметры риск‑предпочтений, взвешивания вероятностей и неприятия потерь (TCN‑модель) Финансовые решения как модельный домен; сценарии с социально‑демографическими признаками Множественные лотерейные эксперименты, оценка тройки параметров (σ, α, λ), регрессии по демографическим фичам Показывает, что LLM проявляют человекоподобную, но неоднородную по моделям и группам «иррациональность» и возможные bias по меньшинствам Полезно для кванто‑подобного и деонтического слоя ЕУК: можно явно моделировать «деформации» риск‑профиля агента и biases как отдельные координаты Пентахора
Raman et al., 2024, STEER: Assessing the Economic Rationality of LLMs[9] Бенчмарк STEER: 64 элементов рациональности (аксиомы полезности, игры, соц. выбор и др.) + отчёт‑карта Универсальный, но особенно релевантен для экономических и управленческих задач Систематический MCQ‑бенчмарк, иерархия зависимостей между «элементами рациональности» Даже сильные модели деградируют на более сложных элементах (игры, соц. выбор), возможна «локальная рациональность» при глобальных провалах Готовая архитектура для «арбитражного» и «судебно‑подобного» модуля в ЕУК: можно переиспользовать таксономию элементов как онтологию рациональности решений
Pilditch, 2024, The Reasoning Under Uncertainty Trap: A Structural AI Risk[13] Концептуальный фреймворк RUUT: структурный риск при использовании ИИ для reasoning under deep uncertainty Фокус на организации, политике, управлении; LLM как инструменты RUU Анализ wicked problems, глубоких неопределённостей, системных петель усиления рисков Показывает, что комбинированные структурные эффекты (непрозрачность, ложное доверие, гомогенизация решений) делают риск нелинейным и трудно детектируемым Ядро для «мета‑уровня» ЕУК: ruut‑подобное моделирование структурных рисков можно встроить в Пентахор как измерение «структурная устойчивость применения LLM»
Zhang et al., 2024, Building Decision Making Models Through Language Model Regime (arXiv)[14] LTU (Learning‑then‑Using): архитектура «foundation decision model» через продолженное предобучение на (S, A, R) и последующий SFT E‑commerce (реклама, поиск) как реальный производственный домен Продолженное предобучение LLaMA‑2 на данных решений, затем SFT; сравнение с чистым SFT Показаны выигрыши по точности и обобщающей способности, но архитектура сильно завязана на качественные data pipelines и специфический домен Близко к целям ЕУК: LTU можно рассматривать как один из шаблонов «решающего слоя», где LLM обучается на корпоративных решениях; нужен надстроечный мета‑контроль (Пентахор) для избежания накопления bias
Jia et al., 2026, Decision Support AI‑Copilot for Poultry Farming (MDPI, AI)[2] Доменный copilot для оперативного управления птицефабрикой (температура, здоровье, кормление) Интенсивное птицеводство с жёсткими временными и ресурсными ограничениями LLM+RAG + параконсистентная логика Eτ как надстройка-«контролёр маршрута» разговорного агент Демонстрируется необходимость дополнительной логики для работы с противоречивыми/неполными данными, risk of overtrust при чистом LLM Прямой шаблон для ЕУК: LLM‑агент + логическая надстройка, управляющая диалогом и сигналами качества ответа; параконсистентная логика как кандидат для измерения «логической связности»
Springer 2026, LLM Stepwise Diagnostic Reasoning with Chest Pain & Bayesian Networks[1] Фреймворк симуляционного тестирования пошагового диагностического reasoning LLM с байесовскими сетями Скорая помощь/приёмное отделение, диагностика боли в груди как высокоставочный кейс LLM генерирует пошаговые гипотезы/решения, BN оценивает консистентность и вероятности; моделирование временных ограничений Показано, что без внешнего вероятностного слоя LLM склонен к излишней уверенности и неполной экспликации гипотез Образец «комбинированного» ЕУК‑подхода: разделение смысловой генерации (LLM) и явной вероятностной модели, которая может быть отдельным измерением Пентахора (эпистемическая обоснованность)
IEEE IES 2026, LLM and DRL Collaborative Optimization for Flexible Resource Scheduling in Integrated Energy Systems[3] Иерархический фреймворк LLM+DRL для планирования ресурсов в энергосистемах с ВИЭ Оперативное управление батареями, CHP, газовыми котлами под ценовыми и погодными неопределённостями LLM как «reasoning‑надстройка» для решений по батареям с трёхуровневым safety‑guard, DRL для остальных агрегатов Достигается экономия и отсутствие нарушений ограничений, но дизайн сильно завязан на правильные safety‑правила и тесты сценариев Методологический прототип для ЕУК‑агентов, где LLM даёт объяснимые дискретные решения, а нижний уровень (DRL/оптимизация) проверяет ограничения; явное разделение уровней Пентахора
IEEE 2026, Environment‑Driven and LLM‑Guided Multi‑Robot Task Inference and Allocation under Temporal Logic Specifications[7] LLM‑guided task inference под двойной темпоральной логикой (environment LTL + robot LTL) Много роботов, ограниченные ресурсы среды (заряд, проходность, доступность объектов) Разделение на «модуль среды», LLM‑модуль вывода задач и модуль аллокации; проверка нарушений спецификаций и корректировочные действия Риски – неверные интерпретации ресурсов LLM, рост сложности LTL‑формул, необходимость статического и динамического верификационного слоя Очень близко к архитектурным целям А2Т: это пример «ответственности-сепарированного» пайплайна, который можно перенести на текстовые/дискурсивные задачи в ЕУК
CAPER, 2026 (Constrained and Procedural Reasoning for Robotic Experiments)[6] CAPER: явное разделение уровней рассуждения и управления, запрет LLM принимать низкоуровневые пространственные решения Лабораторная робототехника, длинные протоколы экспериментов в условиях малых данных Строгие промежуточные представления, RL только на низком уровне; LLM отвечает за процедурно‑логическую часть с жёсткими ограничениями Основной риск классических VLA – «скрытая» ошибка в политике; CAPER показывает, как архитектура снижает риск за счёт прозрачности и модульности Прямое воплощение идеи ЕУК: разделение модальностей и уровней, прозрачные промежуточные представления как элемент Пентахора ясности
MDPI Buildings 2026, Strategic Energy Project Investment Decisions Using RoBERTa[4] Фреймворк отбора инвестиционных проектов в энергетике на базе RoBERTa Корпоративный отбор проектов в строительстве энергетической инфраструктуры Использование encoder‑LLM (RoBERTa) для извлечения признаков из текстов проектов и последующей MCDM/классификации Ограничения: тяжёлые вычисления on‑prem, зависимость от обучающего корпуса и метрик отбора, риск непрозрачности критериев Для ЕУК полезен как пример «backend‑аналитики» проектов: можно интегрировать как источник сигналов в слое фактографической оценки, но требуются прозрачные критерии и метрики
2026, Strategic Governance Intelligence: AI‑Driven Prescriptive Project Risk Assessment and Decision Optimization (white paper, IJSREM)[12] Корпоративный governance‑фреймворк: sentence‑embeddings + LLM‑reasoning + Monte Carlo для риск‑аналитики портфеля проектов Управление портфелем инновационных/капиталоёмких проектов с высокой неопределённостью Сочетание семантических дубликат‑детекторов, LLM для объяснимых рекомендаций и стохастического моделирования исходов Риск – переоценка точности моделирования, сложность валидации и аудита решений; требует жёстких governance‑процедур Готовый прототип «ЕУК для проектов»: структурированное соединение текстовой аналитики, reasoning и вероятностной модели; можно развивать как один из сценариев применения ЕУК

(Часть ссылок из IEEE/MDPI/Springer недоступна для полного парсинга, но базовые метаданные, названия, аннотации и даты подтверждены по нескольким индексаторам/агрегаторам; DOI для некоторых работ остаётся невыясненным — ниже это явно отмечено.)

3. Мотивирующие для А2Т тенденции по всей выборке

3.1. Сдвиг от «чистых» LLM к многоуровневым архитектурам

Практически все прикладные работы, ориентированные на реальные решения под ограничениями, переходят от «голого» LLM к гибридным архитектурам: LLM + логика (Eτ, LTL), LLM + Байесовские сети, LLM + DRL, LLM + классическая оптимизация. Это прямо резонирует с идеей ЕУК как надстройки над различными формальными и вероятностными слоями.[2][3][7][1][6]

Для ЕУК/Пентахора это означает, что «одномерная» метрика качества ответа LLM неадекватна; требуется минимум двух–трёхслойная оценка: семантическая корректность, соответствие ограничениям/безопасности, популяционное поведение модели в классе сценариев.

3.2. Неопределённость как первый класс гражданина

Survey по UQ и экспериментальные работы однозначно показывают, что неопределённость и калибровка уверенности становятся отдельной областью вокруг LLM, с собственными таксономиями и бенчмарками. При этом:[11][10]

  • «простые» метрики (перплексити, токен‑энтропия) полезны, но не достаточны в сложных доменах;
  • семантические методы (semantic entropy, kernel language entropy, графы эквивалентности ответов) дают более осмысленные оценки неопределённости, но дороги вычислительно;[11]
  • конформное предсказание и связанные гарантии покрытия начинают проникать и в область генерации.[10]

Для А2Т это важно в двух аспектах:

  • как отдельная ось Пентахора («эпистемическая обоснованность/калиброванность»), которую можно измерять на уровне токенов, ответов и сценариев;
  • как критерий триггеров: при высокой неопределённости система должна либо менять режим (A→B→C), либо явно переключаться на более формальный/консервативный протокол.

3.3. Оценка поведения и рациональности LLM‑агентов

Работы STEER и NeurIPS‑фреймворк по поведению под неопределённостью демонстрируют, что LLM могут быть систематически проанализированы как экономические агенты с измеримыми параметрами рациональности и bias.[9][8]

Ключевые выводы:

  • модели проявляют человекоподобную риск‑аверсию и неприятие потерь, но степень и профиль зависят от архитектуры и параметров;[8]
  • даже сильные модели демонстрируют серьёзные провалы на задачах игр, соц. выбора, механизма дизайна — то есть именно там, где критичны многоагентные и институциональные эффекты;[9]
  • демографический контекст (атрибуты агента) может существенно менять решения и усиливать или ослаблять bias.[8]

Это даёт А2Т основу для формального модуля в ЕУК, который оценивает не только корректность отдельных ответов, но и «профиль поведения» агента: риск‑параметры, склонность к bias, устойчивость к изменениям контекста.

3.4. Структурные риски RUU и необходимость governance‑слоя

RUUT‑репорт подчёркивает, что «ловушка рассуждения под неопределённостью» носит структурный, а не только локальный характер: спрос на LLM‑поддержку решений, непрозрачность задач, сложность обратной связи и давление на эффективность создают самоподдерживающуюся петлю рисков.[13]

При этом корпоративные фреймворки уровня Strategic Governance Intelligence фактически пытаются встроить LLM и связанные модели внутрь серьёзных governance‑процессов, опираясь на ISO‑совместимые матрицы рисков и Monte Carlo‑моделирование.[12]

Для ЕУК это говорит о необходимости явного governance‑уровня как одного из «измерений ясности»:

  • явная фиксация, какие решения можно/нельзя делегировать LLM‑агенту;
  • понятная структура ответственности между уровнями (LLM, логика, вероятностная модель, человек);
  • документируемые протоколы аудита и пересмотра.

3.5. Прикладные copilot‑системы под ресурсными и временными ограничениями

Доменный copilot для птицеводства и медицинская диагностика боли в груди демонстрируют, как LLM‑система может работать в условиях:

  • неполной и противоречивой информации (Eτ + RAG + сигналы адекватности ответа);[2]
  • жёстких временных ограничений и высоких ставок (симуляция chest‑pain‑кейсов с BN).[1]

Здесь возникает интересный для А2Т паттерн архитектуры:

  • LLM как текстовый интерфейс и слой генерации гипотез;
  • отдельный формальный/логический/вероятностный модуль как «контролёр качества» и источник сигналов статуса (достаточность данных, согласованность, уровень риска);
  • workflow‑уровневый логический механизм, управляющий, какие вопросы задавать, когда эскалировать человеку и т.д.[2]

Это достаточно близко к целевому образу ЕУК как «универсального посредника» между пользователем, корпусом знаний и различными формальными слоями.

4. Как это встраивается в ЕУК и Пентахор ясности

4.1. Координаты Пентахора на основе текущих работ

На основании отобранных источников можно предложить следующее конкретизирующее наполнение измерений Пентахора ясности:

  1. Эпистемическая обоснованность

    • UQ‑метрики и uncertainty‑таксономии (Liu et al., Huang et al.) в качестве операциональных индикаторов качества.[10][11]
    • Байесовские сети, Monte Carlo, конформное предсказание и др. как формальные слои, дающие проверяемые численные оценки.[1][12]

  2. Логическая связность

    • Параконсистентная логика Eτ как шаблон работы с противоречиями;[2]
    • LTL‑спецификации и их верификация в робототехнических фреймворках как пример явного контроля процедурной корректности.[7][6]

  3. Парадигмальная прозрачность

    • Явная фиксация, в каких случаях агент следует классической рациональности (STEER), а в каких допускает/моделирует поведенческие отклонения (Jia et al.);[9][8]
    • Разводка по «поведенческим режимам» в зависимости от домена (финансы, медицина, управление проектами).

  4. Контекстуальная калиброванность

    • Copilot‑системы показывают важность жёсткой привязки к конкретному домену и ограничений (ферма, ER, энергосистема), со своими метриками и SLA.[3][1][2]
    • LTU‑подход подчёркивает ценность foundation decision model, натренированной на репрезентативных для домена (S, A, R), а не произвольных текстах.[14]

  5. Рефлексивность и документированность

    • STEER и UQ‑framework’ы демонстрируют, как можно строить отчёты о «поведенческом профиле» модели и её калиброванности;[10][9]
    • RUUT подчёркивает необходимость явного отслеживания структурных эффектов, что требует систематического логирования и последующего анализа.[13]

4.2. Режимы A/B/C/D и конкретные фреймворки

  • Режим B (внешняя верификация):
    UQ‑survey, STEER, RUUT и governance‑фреймворки дают готовые источники и методики для внешней проверки выводов LLM по независимым шкалам рациональности и неопределённости.[12][13][9][10]

  • Режим C (гибрид):
    Комбинации LLM + Байесовская сеть, LLM + DRL, LLM + логика (Eτ, LTL) фактически уже реализуют шаги от имманентного reasoning’а к формальной проверке и обратно.[6][3][7][1][2]

  • Режим D (квантоподобный):
    Работы по поведению под неопределённостью (Jia et al., STEER) создают естественную почву для моделирования суперпозиции интерпретаций и некоммутативности порядка применения процедур (например, сначала поведенческий профиль, потом рационализационный слой).[8][9]

5. Открытые вопросы и направления для дальнейшей работы А2Т

  1. Как объединить несколько типов неопределённости в одной координатной системе?
    Сейчас UQ‑работы различают input/reasoning/parameter/prediction uncertainty; для ЕУК нужно надстроечное пространство, где они сводятся к нескольким управляемым индикаторам.

  2. Как формализовать «структурную устойчивость» применения LLM?
    RUUT даёт качественный анализ; полезно выработать конкретные индикаторы (например, индексы гомогенизации решений, степени непрозрачности, зависимости от feedback‑циклов) для включения в Пентахор.

  3. Как конструировать многоагентные сценарии для тестирования будущего мультиагентного ЕУК?
    STEER и работы по многоагентным играм + робототехника дают отправную точку, но пока без полноценных текстовых/дискурсивных задач с квантоподобным анализом.

  4. Как обеспечить переносability архитектурных решений из робототехники/энергетики в текстовые системы?
    CAPER и LTL‑фреймворки показывают, что жёсткое разделение уровней и промежуточные представления работает хорошо; требуется аналог для дискурсивных протоколов (t‑формулы, онтологии, JSON‑представления утверждений).

  5. Как минимизировать RUUT‑риски при развёртывании ЕУК?
    Нужны явные ограничения на классы задач, где ЕУК может брать на себя принятие решений, и набор процедур для постепенного наращивания доверия (по аналогии с governance‑фреймворками).[13][12]

6. Итоговые выводы по выборке

  1. В области LLM‑поддержки решений под неопределённостью происходит быстрый сдвиг от монолитных моделей к модульным архитектурам с явным разделением уровней (LLM, логика, вероятностная модель, оптимизация). Это полностью в духе замысла ЕУК и даёт богатый каталог архитектурных паттернов для адаптации.[3][7][6][1][2]

  2. Неопределённость становится отдельным объектом моделирования, появляются таксономии и бенчмарки для её оценки; при этом до практического и дешёвого решения для сложных доменов ещё далеко, что оставляет пространство для собственных методологических предложений в рамках Пентахора.[11][10]

  3. Появляются серьёзные попытки измерить рациональность и поведение LLM‑агентов в экономических и поведенческих терминах, что открывает возможность трактовать будущий ЕУК как композицию нескольких «агентов с профилем», а не как единый чёрный ящик.[9][8]

  4. Структурные риски (RUUT) и корпоративные governance‑фреймворки подчёркивают, что ключевая угроза не столько в неправильном ответе на один вопрос, сколько в системной интеграции LLM в критические процессы без адекватных надстроечных механизмов контроля. Это напрямую оправдывает разработку ЕУК как системы мета‑управления ясностью и ответственностью.[12][13]

  5. Прикладные copilot‑системы показывают, что соединение доменно‑ограниченного корпуса знаний, LLM и формального слоя (логика, BN, DRL) уже даёт практическую ценность в условиях ресурсных и временных ограничений. Они могут служить для А2Т референтными кейсами при проектировании сценариев применения ЕУК в управлении проектами, энергетике, медицине и др.[4][3][1][2]

7. Список отобранных источников (академический формат)

(для работ без явного DOI указывается надёжный URL; где DOI не удалось получить из-за ограничений доступа, это помечено)

  1. Liu, X., Chen, T., Da, L., Chen, C., Lin, Z., Wei, H. (2025). Uncertainty Quantification and Confidence Calibration in Large Language Models: A Survey. Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’25), 2025-08-03–07, Toronto. DOI: 10.1145/3711896.3736569. URL: https://doi.org/10.1145/3711896.3736569[10]
  2. Huang, Y., Song, J., Wang, Z., Zhao, S., Chen, H., Juefei-Xu, F., Ma, L. (2025). Look Before You Leap: An Exploratory Study of Uncertainty Analysis for Large Language Models. Preprint, v4. URL: https://arxiv.org/abs/2307.10236[11]
  3. Jia, J., Yuan, Z., Pan, J., McNamara, P. E., Chen, D. (2024). Decision-Making Behavior Evaluation Framework for LLMs under Uncertain Context. NeurIPS 2024 (38th Conference on Neural Information Processing Systems). arXiv:2406.05972, version 2, 2024-11-01. URL: https://arxiv.org/abs/2406.05972[8]
  4. Raman, N., Lundy, T., Amouyal, S., Levine, Y., Leyton-Brown, K., Tennenholtz, M. (2024). STEER: Assessing the Economic Rationality of Large Language Models. Preprint, arXiv:2402.09552, version 2, 2024-05-28. URL: https://arxiv.org/abs/2402.09552[9]
  5. Pilditch, T. D. (2024). The Reasoning Under Uncertainty Trap: A Structural AI Risk. Transformative Futures Institute, University of Oxford & UCL. Preprint, 2024-01-29. URL: https://arxiv.org/abs/2402.01743[13]
  6. Zhang, Y., Liu, H., Jiang, F., Luo, W., Zhang, K. (2024). Building Decision Making Models Through Language Model Regime. Preprint, arXiv:2408.06087, 2024-08-12. URL: http://arxiv.org/abs/2408.06087[14]
  7. A Decision Support AI-Copilot for Poultry Farming: Leveraging Retrieval-Augmented LLMs and Paraconsistent Annotated Evidential Logic Eτ to Enhance Operational Decisions. (2026). AI (MDPI), 8(3), статья 114, 2026-03-15. URL: https://www.mdpi.com/2624-7402/8/3/114 (DOI указан на сайте MDPI; конкретный DOI не извлечён из-за ограничений доступа).[2]
  8. Simulated evaluation of large language model stepwise diagnostic reasoning with real-world chest pain encounters and Bayesian networks. (2026). BMC Medical Informatics and Decision Making, 26(…); онлайн‑публикация 2026-02-23. URL: Simulated evaluation of large language model stepwise diagnostic reasoning with real-world chest pain encounters and Bayesian networks | BMC Medical Informatics and Decision Making | Springer Nature Link (DOI доступен на странице, но не прочитан инструментами).[1]
  9. LLM and DRL Collaborative Optimization for Flexible Resource Scheduling in Integrated Energy Systems. (2026). IEEE (журнал/конференция по интегрированным энергосистемам), 2026 (точные реквизиты тома/выпуска недоступны). Статья доступна по ссылке IEEE Xplore: LLM and DRL Collaborative Optimization for Flexible Resource Scheduling in Integrated Energy Systems | IEEE Journals & Magazine | IEEE Xplore (DOI указан на странице).[3]
  10. Environment-Driven and LLM-Guided Multi-Robot Task Inference and Allocation Under Temporal Logic Specifications. (2026). IEEE (робототехника/автоматизация), 2026. URL: Environment-Driven and LLM-Guided Multi-Robot Task Inference and Allocation Under Temporal Logic Specifications | IEEE Journals & Magazine | IEEE Xplore (полные библиографические данные и DOI доступны на IEEE Xplore).[7]
  11. CAPER: Constrained and Procedural Reasoning for Robotic Scientific Experiments. (2026). Научная статья по робототехнике, доступна через Semantic Scholar / arXiv: описание фреймворка CAPER. URL: https://www.semanticscholar.org/paper/6f9eaea68e77a64b24467ae693bc29ca715237d7 (точный журнал/год уточняются по оригиналу).[6]
  12. Strategic Energy Project Investment Decisions Using RoBERTa: A Framework for Efficient Infrastructure Evaluation. (2026). Buildings (MDPI), 16(3), статья 547, 2026-01-27. URL: https://www.mdpi.com/2075-5309/16/3/547 (DOI доступен на странице).[4]
  13. A Decision Framework for Resource-Constrained Amazons Chess Integrating LLMs and Graph Attention. (2026). Научная статья (игровой ИИ, гибрид LLM+graph+MCTS), по данным Semantic Scholar от 2026-03-10. URL: https://www.semanticscholar.org/paper/008d077213611b7fdddff71a4f66169135d61527[15]
  14. Strategic Governance Intelligence: An AI-Driven Framework for Prescriptive Project Risk Assessment and Decision Optimization. (2026-02-03). Белая книга / статья в International Journal of Scientific Research in Engineering and Management (IJSREM). PDF доступен по ссылке: Strategic Governance Intelligence: An AI-Driven Framework for Prescriptive Project Risk Assessment and Decision Optimization – IJSREM (DOI указывается на первой странице PDF; из-за ограничений доступа конкретный номер не извлечён).[12]