Система автоматической проверки лингвистической приемлемости и оформления студенческих научно-исследовательских работ

?

Система автоматической проверки лингвистической приемлемости и оформления студенческих научно-исследовательских работ

С. 5–6.

Романова Т. В., Аношин В. И., Палиенко М. А., Канукова Л. А., Орлов К. О., Голуб В. В., Хомин М. В.

Разрабатываемая система автоматической проверки лингвистической приемлемости [1, 2] студенческих отчетов предназначена для улучшения процесса проверки научно-исследовательских работ (НИР) и повышает наглядность обратной связи для студентов. Система проверки текстов предназначена для высвобождения временных ресурсов преподавателей, затрачиваемых на оценку и анализ работ [3]. Кроме того, такая система служит в качестве инструмента первичной проверки текстов на лингвистическую приемлемость, автоматически анализирует тексты студенческих НИР на соответствие нормам современного русского языка, проверяет оформление библиографических ссылок и соответствие документов стандартам оформления документов в НИУ ВШЭ. Система проверки текстов разработана в виде веб-приложения, в ядре которого используется, нейронная модель T-lite, обученная на специализированном наборе данных. Разрабатываемая система содержит модули для обработки текста, классификации предложений и формирования отчетов с рекомендациями по исправлению обнаруженных ошибок в НИР студентов.

Язык: русский

Текст на другом сайте

Ключевые слова: анализ данных и машинное обучение

В книге

XXIX Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского. Москва, 22–28 апреля 2025 года

М.: МИЭМ НИУ ВШЭ, 2025.

Analysis of Network State by RIPE Atlas Distributed Measurement System

Izyumov P., Ивченко А. В., , in: 2024 26th International Conference on Digital Signal Processing and its Applications (DSPA).: IEEE, 2024. P. 1–5.

Добавлено: 28 июня 2026 г.

Построение методик оценки качества восприятия (QOE) потокового видео

Ивченко А. В., Дворкович А. В., Телекоммуникации 2020 Т. 12 С. 2–11

Технология Dynamic Adaptive Streaming over HTTP (DASH) обеспечивает работу большинства мультимедийных сервисов, ее особенности (повторные буферизации, переключения качества и др.) приводят к необходимости создания специализированных методик оценки пользовательского, субъективного качества восприятия Quality of Experience (QoE) на основе объективных параметров. В данной статье исследуется влияние различных метрик на QoE и приводятся модели оценки с коэффициентом корреляции ...

Добавлено: 27 июня 2026 г.

Оценка поворотных точек индикаторов деловой активности Банка России с применением методов машинного обучения

Зверева В. А., Крупкина А. С., Андреев А. В. и др., Деньги и кредит 2026 Т. 85 № 2 С. 3–36

В статье разработана методика определения пороговых значений индикаторов деловой активности для идентификации фаз делового цикла с использованием классификационных моделей машинного обучения. Исследование опирается на ежемесячные данные мониторинга предприятий Банка России за период с января 2009 г. по сентябрь 2025 г. Наибольший вклад в предсказания моделей вносят такие показатели мониторинга, как фактические оценки спроса на продукцию, ...

Добавлено: 14 апреля 2026 г.

Использование машинного обучения и классических статистических методов для построения скоринговой модели в автостраховании

Миронкина Ю. Н., Тимофеев Д. И., В кн.: Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: сборник статей. Выпуск 10. Материалы XIV Научно-практической конференции. Саратов, 20–22 ноября 2025 г.Вып. 10.: Саратов: Саратовский университет, 2025. С. 51–58.

В автостраховании актуальна проблема финансовых убытков, вызванных неверной классификацией клиентов с точки зрения возможной убыточности договора страхования с ними. Работа направлена на разработку скоринговой системы на основе методов машинного обучения и статистики, использующей данные портфеля крупной страховой компании (более 30000 наблюдений). Цель – выявление переменных, предсказывающих надёжность клиента, и сравнение различных методов: градиентного бустинга, случайного леса, логистической регрессии, нейросетей. Применялись ...

Добавлено: 31 марта 2026 г.

Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: сборник статей. Выпуск 10. Материалы XIV Научно-практической конференции. Саратов, 20–22 ноября 2025 г.

Саратов: Саратовский университет, 2025.

В сборнике представлены материалы XIV Научно-практической конференции «Математическое и компьютерное моделирование в экономике, страховании и управлении рисками». Тематика статей затрагивает круг вопросов, связанных с экономикоматематическим и компьютерным моделированием и управлением рисками в финансовой деятельности, страховании, банковском деле, инвестировании, государственном управлении экономикой, бизнес-информатике и других разделах экономикоматематических знаний. Для сотрудников банков, финансовых и страховых компаний, экономических отделов организаций, служб управления ...

Добавлено: 31 марта 2026 г.