НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ОТЗЫВОВ СТУДЕНТОВ

Данная статья посвящена проблеме использования нейросетевых алгоритмов для автоматизированного анализа отзывов студентов. В современных условиях многопрофильных учебных заведений и платформ онлайн-обучения успеваемость студентов становится важным показателем качества образовательного процесса и служит основой для дальнейших корректировок. Классические подходы, такие как ручная обработка и описательная статистика, не всегда способны ответить на вопрос, насколько глубоко можно понять и проанализировать мнения студентов. К нейросетевым алгоритмам, в сравнении с традиционными методами обработки текста, относятся рекуррентные нейронные сети (RNN), BERT и трансформаторы, которые имеют больший объем текстовой информации и могут использовать более эффективные логические подходы к изучению скрытых закономерностей. В статье рассматриваются подходы к обработке и анализу отзывов, этапы разработки нейросетевых алгоритмов и их возможное влияние на образование. Обсуждается потенциал более продвинутых нейросетевых методов, включая метод обучения на большом объеме данных, контекстное понимание, а также меньшее количество единиц данных. Исследование нейросетевого подхода также свидетельствует о том, что важно уделять внимание этике и объяснению. В статье в последующих частях сделан вывод о том, что использование нейросетевых алгоритмов способствует оптимизации управления образовательными курсами и повышению уровня их востребованности среди студентов, а также ставится вопрос о дальнейших исследованиях данной темы.

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.