СТУДЕНТТЕРДІҢ ПІКІРЛЕРІН ЗИЯТКЕРЛІК ӨҢДЕУГЕ АРНАЛҒАН НЕЙРОЖЕЛІ АЛГОРИТМДЕРІ

Бұл мақала студенттердің пікірлерін автоматтандырылған түрде талдау үшін нейрондық желі алгоритмдерін қолдану мәселесіне арналған. Көпсалалы білім беру мекемелері мен онлайн оқыту платформаларының қазіргі жағдайында студенттердің үлгерімі білім беру үдерісінің сапасының маңызды көрсеткішіне айналып, оны әрі қарай жетілдіру үшін негіз бола алады. Қолмен өңдеу және сипаттамалық статистика сияқты дәстүрлі тәсілдер студенттердің пікірлерін қаншалықты терең түсініп, тиімді талдауға болатынына әрдайым толық жауап бере алмайды. Нейрондық желі алгоритмдері мәтінді өңдеудің дәстүрлі әдістерімен салыстырғанда қайталанатын нейрондық желілерді (RNN), BERT модельдерін және мәтіндік ақпараттың үлкен көлемін өңдеп, жасырын заңдылықтарды үйренуде тиімді трансформаторлық тәсілдерді қолдана алады. Мақалада шолуларды өңдеу және талдау әдістері, нейрондық желі алгоритмдерін әзірлеу кезеңдері және олардың білім беру үдерісіне ықтимал әсері қарастырылады. Жетілдірілген нейрондық желі әдістерінің әлеуеті, соның ішінде үлкен деректерді үйрету, контексті түсіну және шағын деректер бірліктерімен жұмыс істеу мәселелері талқыланады. Нейрондық желі әдістерін зерттеу кезінде этикалық мәселелер мен нәтижелерді түсіндірудің маңыздылығы да атап өтіледі. Мақаланың келесі бөлімдерінде нейрондық желі алгоритмдерін пайдалану білім беру курстарын басқаруды оңтайландыруға, сондай-ақ студенттер арасында бұл курстардың сұранысын арттыруға ықпал ететіні жөнінде қорытынды жасалады. Сонымен қатар, осы тақырыпты одан әрі зерттеу қажеттілігі туралы мәселе көтеріледі.

1. Samaraskera, D., Ping, Y., Hoon, T. Obtaining Impactful Feedback from Students: A Continuous Quality Improvement Approach to Enhance the Quality of Students’ Feedback. South East Asian Journal of Medical Education, 8, 2–9 (2014). https://doi.org/10.4038/seajme.v8i1.118.

2. Manning, C.D., Raghavan, P., Schütze, H. An Introduction to Information Retrieval. London: MIT Press, 2009, 562 p.

3. Bishop, C.M. Pattern Recognition and Machine Learning. Springer Science Business Media, 2006, 746 р.

4. Salton, G., McGill, M. J. Introduction to Modern Information Retrieval. 2018. URL: https://sigir.org/files/museum/introduction_to_modern_information_retrieval/frontmatter.pdf

5. Breiman, L. Random Forests. Machine Learning, 45(1), 5–32 (2001).

6. Aman’s AI Journal • NLP • Neural Architectures. URL: https://aman.ai/primers/ai/architectures/

7. Vaswani, A., Shard, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, Ł., Polosukhin, I. Attention is All You Need. Advances in Neural Information Processing Systems, 2017. URL: https://arxiv.org/pdf/1706.03762.

8. Mahesh, B. Machine Learning Algorithms – A Review. International Journal of Science and Research (IJSR), 9 (2019). https://doi.org/10.21275/ART20203995.

9. Braun, V., Clarke, V. Thematic analysis. URL: https://www.researchgate.net/publication/269930410_Thematic_analysis.

10. Garvanova, M. The Significance of Reputation in Choosing and Recommendation a University. Test Engineering and Management, 83, 8545–8553 (2023).

11. Wang, Y., Li, Z., Deng, Zh., Song, H., Yang, J. Deep Learning for Natural Language Processing (2023). https://doi.org/10.5772/intechopen.112550.

12. What is LSTM – Long Short Term Memory? – GeeksforGeeks. 2025. URL: https://www.geeksforgeeks.org/deep-learning-introduction-to-long-short-term-memory/

13. BERT. URL: https://huggingface.co/docs/transformers/mo-del_doc/bert

14. Attention is all you need - The Transformer. URL: https://raviteja-ganta.github.io/attention-is-all-youneed-transformers.

15. Agbonifo, O., Olutayo, V., Oluyede, O. Machine learning-based sentiment analysis of product reviews. Journal of Trends and Challenges in Artificial Intelligence, 2, 257–264 (2025).

16. Pinheiro, A., Ferreira, R., Gasevic, D., Freitas, F. Towards Explainable Prediction Feedback Messages Using BERT. International Journal of Artificial Intelligence in Education, 34 (2023). https://doi.org/10.1007/s40593-023-00375-w.

17. Sayeed, Md Sh., Roji, V., Anbananthen, K. BERT: A Review of Applications in Sentiment Analysis. HighTech and Innovation Journal, 4, 453–462 (2023). https://doi.org/10.28991/HIJ-2023-04-02-015.

18. Hegde, S., Madhunandana, H., Mohana. Sentiment Analysis with LSTM Recurrent Neural Network Approach for Movie Reviews using Deep Learning. 2023. https://doi.org/10.1109/ICIMIA60377.2023.10426266.

19. Shad, R., Gracias, A. Natural Language Processing (NLP) for Sentiment Analysis: A Comparative Study of Machine Learning Algorithms. 2024. https://doi.org/10.20944/preprints202410.2338.v1.

20. Nguyen, A., Ngo, H., Hong, Y., Dang, B., Nguyen Bich-Phuong. Ethical principles for artificial intelligence in education. Education and Information Technologies, 28 (2022). https://doi.org/10.1007/s10639-022-11316-w.