ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И NLP ДЛЯ АВТОМАТИЗАЦИИ АНАЛИЗА АКАДЕМИЧЕСКИХ ТЕКСТОВ И ВЫЯВЛЕНИЯ ПЛАГИАТА В ОБРАЗОВАТЕЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

Аннотация

В условиях массового распространения генеративных моделей искусственного интеллекта (LLM) традиционные лексические методы детекции плагиата теряют эффективность. Цель статьи – комплексный системный анализ передовых подходов машинного обучения (ML) и обработки естественного языка (NLP) для выявления заимствований и машинного контента. Методы. В работе проанализированы архитектуры глубокого обучения для семантико-синтаксического анализа академических текстов. Основное внимание уделено моделям на базе трансформеров (T-SRE для экстракции концептов, SBERT для оценки семантического сходства) и гибридным нейронным сетям (модули CNN-GRU с метаэвристическим алгоритмом оптимизации SHO). Результаты. На основе обобщения экспериментальных данных показано, что применение гибридных моделей позволяет достичь точности до 99,17% при различении естественных и искусственно сгенерированных текстов, а также 90,5% при выявлении сложного структурного парафраза. Обсуждение. Разработанные концепции интеграции многоуровневых ансамблевых алгоритмов в образовательные платформы (LMS) являются фундаментальным условием поддержания стандартов научной этики. При этом подчеркивается, что из-за риска ложноположительных срабатываний на узкоспециализированных терминах машинный анализ остается вспомогательным инструментом, требующим экспертной модерации.