Исследователи Акaш Кумар Панда, Олаолува Адигун и Барт Коско представили метод, использующий агента на основе большой языковой модели для автоматического извлечения причинно-следственных нечётких когнитивных карт из сырого текста. Работа опубликована на arXiv.org 31 декабря 2025 года. Ключевой результат — созданные ИИ карты сходятся к тем же равновесным состояниям, что и карты, построенные человеком.
Агент работает в три этапа: сначала выделяет из текста ключевые существительные и словосочетания, затем формирует из них узлы карты, а после определяет причинно-следственные связи между этими узлами. Процесс является двунаправленным: динамическая система карты направляет агента на поиск нового текста, который, в свою очередь, может модифицировать саму карту. Это создаёт петлю обратной связи, которую авторы называют «агентным поводком».
Метод протестировали на эссе о перспективах ИИ, написанном Генри Киссинджером и его коллегами. Несмотря на разное количество узлов и связей, динамические системы, сгенерированные ИИ, приходили к тем же циклам и аттракторам, что и карты, созданные экспертами вручную. Также была создана смешанная карта из результатов агентов на базе Gemini и ChatGPT, которая не только унаследовала равновесия, но и сформировала новые.
Разработка важна для автоматизации анализа сложных систем, описанных в текстах, — от политических доктрин до научных статей. Она позволяет формализовать и моделировать причинно-следственные связи, извлечённые из естественного языка, что может быть использовано в аналитике, прогнозировании и поддержке принятия решений.
