БІЛІМ АЛУШЫЛАРДЫҢ МӘТІНДІК ПІКІРЛЕРІН ТАЛДАУДЫҢ НЕЙРОНДЫҚ ЖЕЛІ ӘДІСТЕРІ: СӘУЛЕТ, ОҚЫТУ ЖӘНЕ НӘТИЖЕЛЕРДІ ТҮСІНДІРУ

Мақалада студенттердің пікірлерін автоматты түрде жіктеу үшін қолданылатын LSTM, BiLSTM және RuBERT нейрожелілік архитектураларының салыстырмалы талдауы ұсынылған. Зерттеуде деректерді алдын ала өңдеуге, эмоционалдық реңк пен тақырыптық аспектілерді ескеріп қолмен белгілеуге, сондай-ақ корпустың сенімділігін Cohen’s kappa коэффициенті (0,82) арқылы бағалауға ерекше көңіл бөлінді. Эксперименттік нәтижелер RuBERT моделінің ең жоғары дәлдікке (Accuracy = 0,87) және F1-score = 0,85 көрсеткіштеріне қол жеткізгенін көрсетті, бұл t-тест нәтижелерімен статистикалық тұрғыдан расталды. Сонымен қатар, BiLSTM контексті екі бағытта ескерудің арқасында LSTM-мен салыстырғанда жақсы нәтижелер көрсетті. Қателерді талдау рекуррентті модельдердің бейтарап және теріс пікірлерді жиі шатастыратынын, ал трансформерлік архитектураның екіұшты тұжырымдар мен жасырын эмоциялық реңктерді дәлірек өңдейтінін көрсетті. Зерттеудің практикалық маңыздылығы студенттердің пікірлерін талдауды автоматтандыру үшін әзірленген тәсілді LMS пен цифрлық білім беру платформаларына интеграциялау мүмкіндігінде. Болашақ зерттеулер қазақ тіліндегі мәтіндер корпустарын кеңейтуді және RoBERTa, DeBERTa, ChatGLM сияқты заманауи трансформерлік модельдерді қолдануды қамтиды.

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.