Разработка алгоритма и модуля для автоматического оценивания студенческих работ на основе семантического анализа текста

Цель исследования. Основными целями разработки модуля для автоматического оценивания работ студентов на основе российской системы оценочных шкал являются:
– повышение эффективности оценивания: автоматическая система может обрабатывать большее количество работ за меньшее время, чем преподаватель, что позволяет сократить время, затрачиваемое на проверку;
– объективность оценивания: автоматическая система не подвержена предвзятости и другим человеческим факторам, что обеспечивает более объективную оценку работ;
– стандартизация оценивания: автоматическая система обеспечивает единый подход к оцениванию работ, что повышает его прозрачность и сопоставимость;
– снижение нагрузки на преподавателей: освобождение преподавателей от рутинной работы по проверке работ позволяет им больше времени посвятить индивидуальной работе со студентами.
Материалы и методы. Для разработки модуля для автоматического оценивания работ студентов могут быть использованы различные методы, такие как:
Методы машинного обучения: эти методы позволяют модулю обучаться на наборе примеров, где работы студентов уже оценены преподавателями, и автоматически выставлять оценки новым работам.
Методы обработки естественного языка (NLP): Эти методы позволяют модулю понимать смысл текста и оценивать его по заданным критериям.
Методы экспертных систем: Эти методы позволяют модулю использовать знания экспертов в области оценивания студенческих работ.
Для данного проекта мы выбрали комбинацию алгоритмов индексов Левенштейна и Жаро, основанных на методе оценки знаний учащихся в российской системе.
Результаты. В ходе выполнения данного исследования были получены следующие основные результаты. Модуль автоматической оценки студенческих работ успешно разработан и реализован на основе российской системы оценочных шкал. Проведенные тестовые оценки работ показали высокую точность предсказаний модуля и надежность его работы. Сравнение модуля с ручной оценкой подтвердило его способность давать сравнимые результаты. Модуль оказался полезным для преподавателей, предоставляя им возможность быстрой и объективной оценки работ студентов. Интеграция модуля с существующими системами управления обучением облегчает его внедрение в образовательную среду. Все полученные результаты свидетельствуют о высокой эффективности и перспективности разработанного модуля.
Заключение. В результате выполнения данной работы был разработан и реализован модуль автоматической оценки студенческих работ на основе российской системы оценочных шкал. Основные результаты работы заключаются в том, что модуль успешно прошел тестирование и продемонстрировал высокую точность и надежность в оценке работ. Модуль также показал свою полезность для преподавателей, предоставляя им возможность быстрой и объективной оценки работ студентов. Благодаря интеграции с существующими системами управления обучением, модуль может быть легко внедрен в образовательную среду. В целом, результаты работы подтверждают эффективность и перспективность использования автоматической оценки студенческих работ на основе российской системы оценочных шкал.

1. Лаптева Е.С. Использование искусственного интеллекта в образовательных онлайн-платформах. 2022.

2. Medvedeva N.A., Malkov N.G. et al. Professional and Public Accreditation as An Assessment of Agricultural Educational Program Quality in Russia // Journal of University Education. 2021.

3. Максимова Е.А., Никитина Г.А., Щилова С.А. Реализация лингводидактического потенциала методов искусственного интеллекта // Известия Саратовского университета. Новая серия. Серия: Акмеология образования. Психология развития. 2023. Т. 12. № 2(46). С. 114–122.

4. Одинцова С.В. Разработка и реализация нейросетевого алгоритма для оценивания результатов обучения по дисциплине математика // Символ науки. 2023.

5. Бабомурадов О. Механизм предварительной обработки при анализе текстовых данных // Miasto Przyszłości. 2023.

6. Карпенко О.М., Фокина В.Н, Широкова М.Е. Дидактика образовательного процесса // Эдукология. 2020.

7. El Mostafa H., Benabbou F. A deep learning based technique for plagiarism detection: a comparative study // Artificial Intelligence. 2020.

8. Saeed A.A.M., Taqa A.Y. A proposed approach for plagiarism detection in Article documents // Sinkron: jurnal dan penelitian teknik informatika. 2022. № 1. C. 64–73.

9. Беликова К.М. Нужен ли России фиксированный процент оригинальности и сама оригинальность научных работ: размышления юриста // Юридические исследования. 2023.

10. Ивановна Б.С. Совершенствование процесса оценки произведений искусства экспертно-закупочной комиссией государственного музея. 2021.

11. Бахтеев О.Ю., Гафаров Ф.М., Гриншкун В.В. Цифровая платформа образования// Российский фонд фундаментальных исследований. 2022.

12. Попова О.В. Интеллектуальная система управления процессами поддержания параметров технических систем. 2022.

13. Бурнашев Р.Ф., Мурзамуратова У.Б. Применение технологий компьютерной лингвистики в социальных сетях и интернет-маркетинге // Universum. 2023.

14. Иоголевич Н.И., Лободенко Е.И Академическая недобросовестность студентов технического вуза: масштабы проблемы и пути решения // Педагогика. Вопросы теории и практики. 2020.

15. Сатаев М.Ю. Студент факультета подготовки следователей Московская Академия Следственного комитета Российской Федерации // Технологии XXI века в юриспруденции. 2023.

16. Guo H., Li Y., Liu Y., Li W., Li X. Evaluation of string comparators for record linkage in Chinese environment // International Journal of Wavelets, Multiresolution and Information Processing. 2022.

17. Aghaee, M., Khoshgozaran A. Automatic essay scoring using a combination of lexical, syntactic and semantic features // International Journal of Artificial Intelligence and Education. 2018. № 28(2). С. 185-202.

18. Жильцова Н.В. Разграничение полисемии и омонимии дискурсивного слова вот с помощью методов машинного обучения на материале бимодального корпуса устной. 2022.