Модуль интеллектуального анализа сообщений учащихся для поддержки педагогической деятельности в условиях цифрового обучения

   Статья посвящена вопросам оптимизации рабочей нагрузки преподавателей в условиях цифровизации образования через автоматизацию рутинных процессов, связанных с обработкой и анализом текстовых сообщений учащихся, поступающих по электронной почте.

   Основная цель исследования – разработка и апробация эффективного модуля автоматического анализа текстовых сообщений, использующего методы машинного обучения.

   Предложена архитектура глубокой нейронной сети, адаптированная к лингвистическим и структурным особенностям текстовых сообщений учащихся, включающая двунаправленную сеть для сохранения контекста в обоих направлениях, механизм внимания для концентрации на более важных признаках и плотный выходной слой для получения результатов троичной классификации. Разработан модуль, осуществляющий обработку входящих электронных писем от учащихся, их классификацию и перенаправление в соответствующие разделы форума на платформе управления обучением для дальнейшего группового обсуждения. Данный модуль также обладает функцией автоматического формирования ответов на часто повторяющиеся вопросы учащихся. Проведенный всесторонний анализ эффективности модуля как средства поддержки педагогической деятельности показал значительное снижение временных затрат на обработку писем учащихся, повышение точности распознавания, уменьшение нагрузки на преподавателей и улучшение академической успеваемости учащихся. Результаты исследования могут служить основой дальнейшей модернизации автоматизированных образовательных систем.

1. Сапрыкина Д.И., Волохович А.А. Проблемы перехода на дистанционное обучение в Российской Федерации глазами учителей // Факты образования. 2020. № 4. С. 1–32.

2. Alebeisat F., Altarawneh H., Alhalhouli Z.T., Qatawneh A., Almahasne M. The Impact of Human and Computer Interaction on eLearning Quality // International Journal of Interactive Mobile Technologies (iJIM). 2020. No. 16 (04). P. 58–69. doi: 10.3991/ijim.v16i04.27309

3. Giannakos M.N., Mikalef P., Pappas I.O. Systematic literature review of e-learning capabilities to enhance organizational learning // Information Systems Frontiers. 2021. P. 1–17. doi: 10.1007/s10796-020-10097-2

4. Итинсон К.С., Чиркова В.М. Обзор платформ электронного обучения: инструменты, преимущества, недостатки // Балтийский гуманитарный журнал. 2021. № 3 (36). С. 194–197. DOI: 10.261403/2021-1003-0048.

5. Tsaousis I., Sideridis G.D., AlGhamdi H.M. Evaluating a Computerized Adaptive Testing Version of a Cognitive Ability Test Using a Simulation Study // Journal of Psychoeducational Assessment. 2021. No. 39 (8). P. 954–968. doi: 10.1177/07342829211027753

6. Usman Naseem, Imran Razzak, Shah Khalid Khan, Mukesh Prasad. A Comprehensive Survey on Word Representation Models: From Classical to State-of-the-Art Word Representation Language Models // ACM Trans. Asian Low-Resour. Lang. Inf. Process. 2021. No. 20. P. 35. doi: 10.1145/3434237

7. Chomsky N. Aspects of the theory of syntax. MIT Press, Cambridge, Massachusetts (1965).

8. Ivano Lauriola, Alberto Lavelli, Fabio Aiolli. An introduction to Deep Learning in Natural Language rocessing: Models, techniques, and tools // Neurocomputing. 2022. No. 470. P. 443–456. doi: 10.1016/j.neucom.2021.05.103

9. Selva Birunda, Kanniga Devi. A Review on Word Embedding Techniques for Text Classification // Innovative Data Communication Technologies and Application. Lecture Notes on Data Engineering and Communications Technologies. 2021. No. 59. doi: 10.1007/978-981-15-9651-3.

10. Tunstall L., Von Werra L., Wolf T. Natural language processing with transformers // O’Reilly Media. 2022.

11. Burukina I.S., Burukina I.P. Patterns of deverbal nominalization in Kaqchikel // Questions of linguistics. 2022. No. 6. P. 62–80.

12. Burukina I. External merge in spec,CP: Complementizers projecting an argument // Syntax. 2023. No. 1. P. 85–105. DOI: 10.1111/synt.12246.

13. Jiang X., Wang W., Tian S. Applications of natural language processing and large language models in materials discovery // Comput Mater. 2025. No. 11. P. 79. doi: 10.1038/s41524-025-01554-0

14. Starukhin Ya., Diukarev V. Automation of text data processing using NLP // The American Journal of Engineering and Technology. 2024. No. 6 (07). P. 24–39. doi: 10.37547/tajet/Volume06Issue07-04

15. Jimmy Lin, Xueguang Ma, Sheng-Chieh Lin, Jheng-Hong Yang, Ronak Pradeep, Rodrigo Nogueira. Python Toolkit for Reproducible Information Retrieval Research with Sparse and Dense Representations // In Proceedings of the 44^th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ‘21). Association for Computing Machinery, New York, NY, USA, 2021. P. 2356–2362. doi: 10.1145/3404835.3463238

16. Бурукина И.П. Свидетельство о государственной регистрации программы для ЭВМ № 2025615118 Российская Федерация. URL: https://new.fips.ru/registers-doc-view/fips_servlet (дата обращения: 27. 03. 2025).

17. Власова Н.Ю., Молокова Е.Л. Использование метрик в измерениях эффективности высшего образования: целесообразность и ограничения // Вектор науки Тольяттинского государственного университета. Серия: Экономика и управление. 2022. № 3. С. 15–24. DOI: 10.18323/2221-5689-2022-3-15-24.

18. Ширяев И.М., Фурса Е.В., Мокроусова Д.И., Маскаев А.И. Метрики для измерения эффективности образовательных и научных организаций: проблемы и перспективы применения // Journal of economic regulation. 2018. № 4. С. 178–191. DOI: 10.17835/2078-5429.2018.9.4.178-191.

19. Polcyn J. Human development level as a modifier of education efficiency // Management. 2018. No. 22. P. 171–186. DOI: 10.2478/manment-2018-0030.

20. Кисляков А.Н., Голубева А.Н. Перспективы и проблемы цифровой трансформации системы общего образования в Российской Федерации // Вестник НГУЭУ. 2024. № 1. С. 45–59. DOI: 10.34020/2073-6495-2024-1-045-059.