Вітаємо Вас у репозитарії Західноукраїнського Національного Університету

Репозитарій надає вільний доступ до дисертацій, монографій, наукових видань та праць викладачів ЗУНУ, навчально-методичних матеріалів та кваліфікаційних робіт студентів.

Photo by @inspiredimages

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 14

Видання бібліотеки ім. Л.Каніщенка Західноукраїнського Національного Університету
Газети
Газети факультетів / кафедр ЗУНУ
Дисертації та автореферати
Дисертації та автореферати
Кваліфікаційні роботи студентів Західноукраїнського Національного Університету
Магістерські, дипломні, курсові роботи
Конференції
Матеріали конференцій, збірники наукових праць

Recent Submissions

Рухливі та адаптаційні ігри як засіб підтримки психічного та фізичного здоров’я дітей дошкільного та молодшого шкільного віку.
(Вид-во Хортицької національної академії; Ломжа, Вид-во: MANS w Łomży, 2026-05-15) Руденський Ростислав Євгенович
Маркетингові дослідження та аналітика
(Тернопіль : ЗУНУ, 2025) Хрупович Світлана
Навчальний посібник «Маркетингові дослідження та аналітика» охоплює теоретичні засади та практичні аспекти проведення маркетингових досліджень у сучасних умовах. У ньому розглянуто роль маркетингової інформаційної системи, методи збору та аналізу даних, розробку аналітичних звітів і рекомендацій для бізнесу. Значну увагу приділено якісним і кількісним методам досліджень, формуванню вибірки, створенню анкет, а також застосуванню нейромаркетингових інструментів. Окремі розділи присвячені аналізу ринку, сегментації, конкурентоспроможності підприємств, дослідженню поведінки споживачів і брендів. Практичні завдання до кожної теми сприяють розвитку аналітичного мислення та формуванню професійних компетентностей студентів.Для, викладачів, студентів вищих навчальних закладів, а також всіх, хто цікавиться формуванням креативних навиків у молодого покоління.
Програмний модуль інтелектуального агента для самостійної ходьби персонажа в середовищі Unity
(Тернопіль, ЗУНУ, 2026) Яремчук, Владислав Миколайович
Метою роботи є розроблення програмного модуля інтелектуального агента для навчання ходьби у середовищі Unity, який використовує методи підкріплювального навчання для формування стабільного та адаптивного пересування. Методи дослідження: методи навчання з підкріпленням для формування оптимальної поведінки агента; методи оптимізації політики на основі алгоритму Proximal Policy Optimization (PPO); методи математичного моделювання процесу прийняття рішень у задачі автономного пересування агента. Результатом роботи є програмний модуль, що інтегрує фізичні компоненти Unity та алгоритми машинного навчання, забезпечуючи агенту здатність самостійно підтримувати баланс, виконувати стабільні кроки та адаптуватися до змінних умов динамічного середовища. Розроблений модуль може бути використаний як платформа для дослідження алгоритмів автономного пересування в робототехніці. The purpose of the work is to develop a software module of an intelligent agent for learning walking behavior in the Unity environment, using reinforcement learning methods to achieve stable and adaptive locomotion. Research methods: reinforcement learning methods for forming the agent’s optimal behavior; policy optimization methods based on the Proximal Policy Optimization (PPO) algorithm; methods of mathematical modeling of the decision-making process in the task of autonomous agent locomotion. The result of the work is a software module that integrates Unity physical components and machine learning algorithms, providing the agent with the ability to independently maintain balance, perform stable walking steps, and adapt to changing conditions of a dynamic environment. The developed module can be used as a platform for researching autonomous locomotion algorithms in robotics.
Інтелектуальна інформаційна система семантичного пошуку з використанням технології Retrieval-Augmented Generation (RAG)
(Тернопіль, ЗУНУ, 2026) Шевчук, Віталій Олександрович
Дослідження зосереджене на семантичному пошуку інформації в корпоративній базі знань технічної документації, де знайдені фрагменти стають основою для розгорнутих відповідей природною мовою. У роботі представлено інтелектуальну інформаційну систему семантичного пошуку на основі технології Retrieval-Augmented Generation. Система індексує 8 654 фрагменти технічної документації та відповідає на запитання природною мовою з посиланнями на першоджерела, а не у формі вільної генерації. Під час індексування кожен документ розбивається на фрагменти по 512 токенів із перекриттям 64 токени за рекурсивною ієрархією роздільників. Щільні векторні представлення формує модель multilingual-e5-base (768 вимірів), а розріджену гілку забезпечує BM25. По 20 найкращих кандидатів від кожної гілки об'єднуються методом Reciprocal Rank Fusion з k = 60. Крос-енкодер bge-rerankerbase перевпорядковує топ-20 до топ-5, які передаються до моделі gpt-4o-mini або Llama-3.1-8B для формування підсумкової відповіді. Якість оцінюють метриками Recall@k, MRR і NDCG на рівні пошуку та метриками faithfulness і answer relevancy з бібліотеки ragas для всього конвеєра. На 8 654 фрагментах документації та 80 оцінювальних запитах система досягає Recall@5 = 87,6 %, MRR = 80,3 %, NDCG@10 = 84,1 % і faithfulness 92,7 %. Медіанний час відгуку становить 1,84 с у хмарному режимі (OpenAI API) і 1,32 с під час локального запуску на Ollama з моделлю Llama-3.1-8B-Instruct та GPU. Систему доцільно застосовувати в ІТ-компаніях, сервісних організаціях та освітніх установах, що створюють корпоративні довідкові служби, асистентів технічної підтримки чи навчальні помічники для окремих курсів, – усюди, де запити стосуються змісту, а не лише збігу ключових слів. The research focuses on semantic information retrieval inside a corporate knowledge base of technical documentation, where the matched fragments become the basis for comprehensive natural-language responses. The thesis presents an intelligent information system for semantic search built on Retrieval-Augmented Generation. It indexes 8,654 fragments of technical documentation and answers questions in natural language with citations to the source fragments rather than free-form generation. Indexing splits each document into 512-token fragments with 64-token overlap using a recursive separator hierarchy. Dense embeddings come from multilingual-e5-base (768 dimensions); the sparse path runs BM25. Top-20 candidates from each path go through Reciprocal Rank Fusion with k=60. A cross-encoder bge-reranker-base reorders the top-20 down to top-5, which feed into gpt-4o-mini or Llama-3.1-8B for the final answer. Quality is measured by Recall@k, MRR and NDCG on the retrieval side, and by faithfulness and answer relevancy from the ragas library on the full pipeline. On 8,654 documentation fragments and 80 evaluation queries the system reaches Recall@5 = 87.6 %, MRR = 80.3 %, NDCG@10 = 84.1 % and faithfulness 92.7 %. Median response time is 1.84 s in cloud mode (OpenAI API) and 1.32 s when running locally on Ollama with Llama-3.1-8B-Instruct and a GPU. The system fits IT companies, service organizations and educational institutions building corporate help-desks, technical-support copilots or per-course study aids – anywhere queries care about meaning, not just keyword overlap.
Гібридна модель фактчекінгу на основі NLP
(Тернопіль, ЗУНУ, 2026) Собчук, Юлія Євгеніївна
Метою кваліфікаційної роботи є розробка гібридної моделі фактчекінгу новинного контенту на основі технологій NLP для автоматизованого виявлення фейкових новин і перевірки достовірності інформації. Методи дослідження: методи обробки природної мови та векторного представлення тексту (FastText), методи глибокого навчання (Bi-LSTM) для первинної класифікації, і механізми динамічної маршрутизації на базі великих мовних моделей. Результатом роботи є програмне забезпечення для фактчекінгу, що включає Telegram-бот, модуль первинної класифікації (FastText + Bi-LSTM) та модуль фактологічної перевірки на основі Agentic RAG із використанням ChromaDB, Gemini та Google Search API. Реалізовано механізм динамічної маршрутизації запитів для оптимізації використання обчислювальних ресурсів. Розроблена система може використовуватися в інформаційно-аналітичних центрах, системах журналістського фактчекінгу, інформаційної безпеки та як інструмент перевірки достовірності новин для кінцевих користувачів. The aim of the thesis is to develop a hybrid fact-checking system for news content based on Bi-LSTM and Agentic RAG technologies for the automated detection of fake news and verification of information credibility. Research methods: natural language processing and text vector representation methods (FastText), deep learning methods (Bi-LSTM) for primary classification, and dynamic routing mechanisms based on large language models. The result of the work is a software fact-checking system that includes a Telegram bot, a primary classification module (FastText + Bi-LSTM), and a factual verification module based on Agentic RAG using ChromaDB, Gemini, and Google Search API. A dynamic query routing mechanism was implemented to optimize computational resource usage. The developed system can be used in information and analytical centers, journalistic fact-checking platforms, information security systems, and as a tool for verifying the credibility of news content for end users.