ТЕХНОЛОГИИ АВТОМАТИЗАЦИИ ОЦЕНИВАНИЯ ТВОРЧЕСКИХ РАБОТ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ

Введение 4
Глава 1 Теоретические основы технологий автоматизации оценивания творческих работ с использованием нейросетей 7
1.1 Анализ готовых решений 7
1.2 Сравнительный анализ подходов к сегментации, распознаванию и оценке текстовой информации 11
1.3 Модель работы 13
1.4 Выбор технологии реализации 15
1.5 Анализ возможных вариантов взаимодействия пользователей с приложением 18
2 глава. Реализация теоретические основы технологий автоматизации оценивания творческих работ с использованием нейросетей 21
2.1 Сегментация текста 22
2.1.1 Выбор архитектуры нейронной сети для реализации сегментации текста 22
2.1.2 Описание алгоритма тренировки нейросети для сегментации текста… 23
2.2 Распознавание рукописного текста 28
2.2.1 Выбор архитектуры нейронной сети для распознавания рукописного текста 28
2.2.2 Описание алгоритма тренировки нейросети для распознавания слов… 29
2.3 Классификация текста 33
2.3.1 Выбор архитектуры для классификации текста 33
2.3.2 Описание алгоритма классификации текста 34
2.4 Объединение нейросетей 36
2.5 Описание алгоритма телеграмм бота 39
2.6 Загрузка приложения на сервер 40
2.7 Результат созданного алгоритма 44
Глава 3 Анализ результатов и возможностей по совершенствованию продукта 49
3.1 Анализ полученных результатов 52
3.2 Тенденции дальнейшего развития технологии 55
3.3 Возможные направления совершенствования программного продукта 56
Заключение 60
Список использованных источников и литературы 63

Весь текст будет доступен после покупки

Современная образовательная система сталкивается с рядом проблем, связанных с оценкой творческих работ учащихся, таких как сочинения и изложения. Эти работы требуют не только проверки грамотности и структуры текста, но и анализа содержания, логики изложения, оригинальности мысли и других субъективных критериев. Традиционные методы оценивания, основанные на экспертной оценке, обладают рядом существенных недостатков, включая субъективность, трудоемкость и ограниченную масштабируемость. В условиях роста числа учащихся и увеличения объёмов данных, обрабатываемых в образовательной сфере, возникает острая необходимость внедрения автоматизированных решений, способных повысить объективность, скорость и эффективность процесса оценивания.
Одним из наиболее перспективных направлений в этой области является использование технологий искусственного интеллекта, в частности нейронных сетей. Современные нейросетевые модели демонстрируют высокую эффективность в задачах распознавания рукописного текста, анализа семантики и оценки качества текстов. Их применение позволяет не только автоматизировать процесс проверки, но и минимизировать влияние человеческого фактора, что особенно важно для обеспечения объективности оценивания. Однако, несмотря на значительный прогресс в области машинного обучения, разработка специализированных систем для анализа творческих работ школьников остаётся актуальной и малоизученной задачей, требующей глубокого исследования и адаптации существующих технологий.

Весь текст будет доступен после покупки

Глава 1 Теоретические основы технологий автоматизации оценивания творческих работ с использованием нейросетей
1.1 Анализ готовых решений
Прежде чем приступить к разработке собственного решения, важно изучить уже существующие приложения, которые частично реализуют функционал, необходимый для достижения поставленных целей. Анализ таких инструментов позволит выявить их сильные и слабые стороны, определить пробелы в существующих решениях и сформулировать требования к новому продукту. В данном обзоре рассмотрены пять популярных приложений: Gradescope, ABBYY FineReader, MyScript Nebo, Google Cloud Vision API и Grammarly. Этот анализ станет основой для дальнейшей разработки приложения, которое объединит сегментацию, распознавание и оценку текста в единый процесс, адаптированный для использования в образовательной среде.
Gradescope — это платформа для автоматизации оценивания учебных работ, которая широко используется в образовательных учреждениях. Она позволяет преподавателям загружать работы студентов, группировать их по схожим ответам и оценивать с использованием заранее заданных шаблонов (рубрик). Платформа поддерживает интеграцию с системами управления обучением (LMS) и предоставляет инструменты для анализа результатов. Gradescope также использует распознавание символов для обработки печатного текста, что упрощает работу с цифровыми копиями заданий.
Одним из основных преимуществ платформы является удобный интерфейс для преподавателей, который позволяет быстро оценивать работы. Благодаря автоматической группировке ответов, процесс проверки становится более эффективным и экономит время. Кроме того, Gradescope поддерживает интеграцию с LMS и структурированные задания, такие как тесты, что делает ее универсальным инструментом для образовательных учреждений.

Весь текст будет доступен после покупки

1. aifind [Электронный ресурс] / Gradescope - Режим доступа: https://aifind.ru/ai/gradescope-com
2. abbyy-finereader [Электронный ресурс] / ABBYY FineReader PDF - Режим доступа: https://abbyy-finereader.ru.uptodown.com/windows
3. MyScript [Электронный ресурс] / Искусственный интеллект, нейронные сети и распознавание рукописного текста - Режим доступа: https://www.myscript.com/ru/ai
4. Habr.com [Электронный ресурс] / Google Cloud Vision API?. Будущее Computer Vision as a service настало? - Режим доступа: https://habr.com/ru/articles/312714/
5. Habr.com [Электронный ресурс] / Обзор сервиса Grammarly для улучшения письменной речи на английском языке - Режим доступа: https://habr.com/ru/articles/373143/
6. opencv [Электронный ресурс] / Морфологические преобразования - Режим доступа: https://docs.opencv.org/4.x/d9/d61/tutorial_py_morphological_ops.html
7. TensorFlow Blog [Электронный ресурс] / Использование TensorFlow для обработки изображений и текста. – Режим доступа: https://blog.tensorflow.org/2021/01/image-and-text-processing-with-tensorflow.html (дата обращения: 07.06.2024).
8. ScineDirect [Электронный ресурс] / Распознавание рукописных цифр: сравнительный анализ современных технологий - Режим доступа: https://www.sciencedirect.com/science/article/abs/pii/S0031320303000852
9. Habr.com [Электронный ресурс] / Тестим автокорректоры для исправления опечаток в поисковых запросах (спойлер: идеального не нашли) – Режим доступа: https://habr.com/ru/companies/sbermegamarket/articles/673614/
10. Habr.com [Электронный ресурс] / Нейронные сети для начинающих. Часть 1 – Режим доступа: https://habr.com/ru/articles/312450/
11. netguru.com [Электронный ресурс] / Python vs. C # : A Comprehensive Guide for 2024 – Режим доступа: https://www.netguru.com/blog/python-vs-c-sharp#:~:text=Python%20offers%20quicker%20development%20time,languages%20like%20C%23%20and%20Java

Весь текст будет доступен после покупки