МЕТОДЫ АВТОМАТИЧЕСКОЙ ОЦЕНКИ ТЕКСТОВ ЭССЕ: ТЕОРИЯ И КОНЦЕПТУАЛЬНЫЕ ПОДХОДЫ

В статье рассматривается разработка системы автоматической оценки текстов эссе с использованием современных методов машинного обучения и обработки естественного языка, направленной на автоматизацию и улучшение процессов оценки письменных работ студентов. Особое внимание уделяется применению различных алгоритмов классификации и глубоких нейронных сетей, таких как случайный лес, логистическая регрессия и рекуррентные нейронные сети, включая LSTM (долгосрочная краткосрочная память). В статье подробно описан процесс предобработки данных, включающий лемматизацию и токенизацию таджикского языка, что подчеркивает важность адаптации методов обработки текста к особенностям данного языка. Также рассматривается использование алгоритма TF-IDF для представления текстов в числовой форме, что является важным этапом подготовки данных для обучения моделей. В качестве платформы для обучения используется TensorFlow и Keras. Учитывая сложности работы с таджикским языком, авторы представляют результаты экспериментов, показывающие высокую точность модели с MAE 3.47, что подтверждает эффективность предложенного подхода. Ожидается, что разработанная система повысит объективность, точность и скорость оценки письменных работ студентов в учреждениях высшего образования.

автоматическая оценка, машинное обучение, обработка естественного языка, глубокие нейронные сети, токенизация.

1. Иномов Б. Б., Тропманн-Фрик M. Классификация научных текстов по специальностям методами машинного обучения // Вестник НГУ. Серия: Информационные технологии. — 2022. Т. 20, № 2. С. 27–36. DOI 10.25205/1818- 7900-2022-20-2-27-36.

2. Максудов Х. Т., Иномов Б. Б. / Оценка эффективности методов k-ближайших соседей и логистической регрессии при определении специальности научных текстов // Политехнический Вестник серия: Интеллект. Инновации. Инвестиции. – 2019. — 4(48). – Душанбе: ТТУ, 2019. С. 34–38.

3. Максудов Х. Т., Иномов Б. Б., Муллоджанов Н. М. / Сравнительный анализ методов «дерево решений» и «случайный лес» – при определении специальности научных текстов // Вестник таджикского национального университета серия: естественных наук. — 2019. — № 3. – Душанбе: ТНУ, С. 23–28.

4. Tensorflow – Википедия URL: https://en.wikipedia.org/wiki/TensorFlow, дата обращения 2023-04-03.

5. TF-IDF — Википедия URL: https://ru.wikipedia.org/wiki/TF-IDF, дата обращения 2023-04-03.

2026-03-26