Abstract
<jats:p>Введение. Рост интереса к нейросетевым чат-ботам не снижается, им находятся все новые области применения, в том числе генерирование изображений, музыки и видео, восстановление данных, формирование больших массивов данных. Наиболее часто чат-боты используются для поиска информации и написания текстов. Использование нейросетей для генерирования данных в научных исследованиях и образовательной деятельности затрагивает вопросы этики и плагиата. Проблемой являются и «галлюцинации» нейросетей, при которых выдается «придуманная», ложная и ошибочная информация. Цель работы – анализ использования чат-ботов для генерации данных, похожих на уже существующие. Для этого предпринята попытка создать с помощью чат-ботов графические зависимости скорости коррозии стали от температуры без исходных данных. Методы исследования. Для исследования взяты чат-боты ChatGPT, Алиса, DeepSeek, Mistral, Genie. Чат-ботам задавался запрос на изображение графической зависимости скорости коррозии стали Ст3 в 0,1 н растворе серной кислоты от температуры. Полученные от чат-ботов графики сравнивались с графическими зависимостями, построенными при экспериментальном исследовании при разных температурах кислотной коррозии сталей. Результаты. Попытки сгенерировать графическую зависимость скорости кислотной коррозии стали от температуры с помощью чат-ботов показали неадекватное отображение данных нейросетями, несоответствие экспериментальным значениям величин. Однако вид созданных чат-ботом графиков достаточно близок к характеру графической зависимости скорости кислотной коррозии стали от температуры. Чат-боты могут отказаться построить графические зависимости без исходных данных, но предлагают пошаговую методику построения графиков в разных программных средствах. Выводы. Сгенерированные чат-ботами графики скорости коррозии стали не являются отображением реальных данных, они лишь приблизительно описывают коррозионное поведение стали при кислотной коррозии в зависимости от температуры. Для построения графических зависимостей чат-боты могут запросить исходные данные и даже описывают методику эксперимента для их получения. Нейросети предлагают методики построения графиков, в том числе с подробным кодом на языке программирования Python.</jats:p> <jats:p>Introduction. The growing interest in neural network chatbots continues to grow, with new applications constantly emerging, including image, music, and video generation, data recovery, and the creation of large datasets. Chatbots are most frequently used for information retrieval and text composition. The use of neural networks for data generation in research and educational activities raises ethical concerns and issues related to plagiarism. Another significant problem is neural network “hallucinations,” which produce fabricated, false, or erroneous information. The researchaims to analyze the use of chatbots for generating data similar to pre-existing datasets. In order to achieve this, an attempt was made to generate graphical dependencies of steel corrosion rate on temperature using chatbots, without providing any initial experimental data. Materials and methods. The study employed the following chatbots: ChatGPT, Alisa, DeepSeek, Mistral, and Genie. Each chatbot was prompted to generate a graphical representation of the corrosion rate dependence of St3 steel in a 0.1 N sulfuric acid solution as a function of temperature. The graphs obtained from the chatbots were compared with experimental graphical dependencies constructed from laboratory studies of steel acid corrosion at various temperatures. Research outcomes. Attempts to generate the temperature dependence of steel acid corrosion rate using chatbots revealed that the neural networks produced inadequate data representations that did not correspond to experimental values. However, the shape of the chatbot-generated graphs was relatively close to the characteristic pattern of the actual corrosion rate dependence on temperature. Some chatbots refused to construct graphical dependencies without source data, but instead offered step-by-step methodologies for plotting graphs using various software tools. Conclusions. The corrosion rate graphs generated by chatbots do not represent real data; they provide only a rough approximation of the corrosion behavior of steel in acidic environments as a function of temperature. When prompted to construct graphical dependencies, chatbots may request source data and even describe experimental procedures for obtaining such data. Neural networks can also provide guidelines for plotting graphs, including detailed code in the Python programming language.</jats:p>