НЕЙРОСЕТЕВЫЕ МЕТОДЫ АНАЛИЗА ТЕКСТОВЫХ ОТЗЫВОВ ОБУЧАЮЩИХСЯ: АРХИТЕКТУРА, ОБУЧЕНИЕ И ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ

В статье представлен сравнительный анализ нейросетевых архитектур LSTM, BiLSTM и RuBERT, применяемых для автоматической классификации студенческих отзывов. Особое внимание уделено задачам предобработки данных, ручной разметки с учётом эмоциональной окраски и тематических аспектов, а также оценке надёжности корпуса с использованием коэффициента согласия Cohen’s kappa (0,82). Экспериментальные результаты показали, что RuBERT обеспечивает наивысшие значения Accuracy (0,87) и F1-score (0,85), что статистически подтверждено результатами t-теста. В то же время BiLSTM продемонстрировала более высокую эффективность по сравнению с LSTM благодаря учёту контекста в обеих направлениях. Проведённый анализ ошибок показал, что рекуррентные модели чаще всего путают нейтральные и отрицательные отзывы, а трансформерная архитектура лучше справляется с обработкой двусмысленных формулировок и скрытых эмоциональных оттенков. Практическая значимость исследования заключается в возможности интеграции разработанного подхода в системы LMS и цифровые образовательные платформы для автоматизации анализа обратной связи студентов. В качестве перспективных направлений обозначены расширение корпуса за счёт казахоязычных текстов и использование современных моделей семейства Transformer (RoBERTa, DeBERTa, ChatGLM).

1. Васнецова Е.Л. Применение методов анализа тональности в образовательной среде / Е.Л. Васнецова, Д.А. Семенов // Образовательные технологии и общество. – 2021. – № 24(1). – С.105-116.

2. Efficient estimation of word representations in vector space / Т. Mikolov et al // arXiv preprint arXiv:1301.3781, 2013.

3. Cortes C. Support-vector networks / C. Cortes, V. Vapnik // Machine Learning. – 1995. – № 20(3). – Р. 273-297.

4. Schuster M.K. Bidirectional recurrent neural networks / M. Schuster, K.K. Paliwal // IEEE Transactions on Signal Processing. – 1997. – № 45(11). – Р. 2673-2681.

5. Hochreiter S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – № 9(8). – Р. 1735-1780.

6. RoBERTa – BiLSTM: A Context – Aware Hybri Model for Sentiment Analysis / Rahman M.M. et al // arXiv preprint arXiv:2406.00367. – 2024. https://doi.org/10.48550/arXiv.2406.00367.

7. BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin et al // Proceedings of NAACL-HLT. – 2019. – Р. 4171-4186.

8. RoBERTa: A robustly optimized BERT pretraining approach / Y. Liu et al // arXiv preprint arXiv:1907. – 2019. – Р. 11692.

9. Lin F. Sentiment analysis in online education: An analytical approach and application / F. Lin // Proceedings of the International Conference on Machine Learning and Automation. – 2024.

10. An improved neural network model for sentiment analysis in online education / В. Xu et al // Journal of Intelligent & Fuzzy Systems. – 2020. – № 38(3). – Р. 3651-3662.

11. Elevating educational insights: Sentiment analysis of faculty feedback using advanced machine learning models / S.B. Deshpande et al // Advances in Continuous and Discrete Models. – 2025.

12. Zhang W. Comparative evaluation of Transformer-based models for multilingual sentiment analysis / W. Zhang, L. Xu, J. Wang // Journal of Artificial Intelligence Research. – 2024. – № 71. – Р. 55-72.

13. Xu R. Advances in DeBERTa for educational text mining / R. Xu, H. Chen, Z. Huang // Computers & Education. – 2025. – № 198. – Р. 104719.

14. Li X. Sentiment analysis in educational contexts: Comparing LSTM and BiLSTM approaches / X. Li, Y. Zhang, H. Zhao // Education and Information Technologies. – 2023. – № 28(2). – Р. 213-229.