УДК 004
DOI: 10.36871/2618­-9976.2026.02.008

Авторы

Ольга Александровна Пырнова,
Ассистент, Казанский государственный энергетический университет, Казань, Россия
Анастасия Михайловна Романова,
Ассистент, Казанский государственный энергетический университет, Казань, Россия

Аннотация

В  статье  представлено  комплексное  исследование  применения  глубоких  нейронных  сетей  для  автоматизированной  оценки качества и поиска ошибок в исходном коде студенческих  работ  по  программированию.  Целью  работы  является  разработка методологии  построения и  внедрения  систем  искусственного интеллекта для объективного, масштабируемого  и  эффективного  оценивания  учебных  достижений  в  области  компьютерных  наук.  На  основе  сравнительного  анализа  архитектур  трансформеров  (BERT, CodeBERT)  и  сверточных  нейронных  сетей  (CNN)  демонстрируется  потенциал  современных  подходов  искусственного  интеллекта  для  создания  гибких  систем  образовательного  оценивания,  способных  не  только  классифицировать  ошибки,  но  и  давать  содержательную обратную связь. В качестве экспериментальной базы использован публичный набор данных Microsoft CodeXGLUE, содержащий более 50 тысяч примеров кода на языках Python и  Java с  аннотациями  ошибок,  стилистических  нарушений  и  оценкой  качества.  Результаты  вычислительных  экспериментов показывают высокие показатели эффективности: модель  на основе CodeBERT достигает точности классификации типовых  ошибок до 94,7%, а свёрточные сети демонстрируют F1­ меру  до  92,3%  в  задаче  обнаружения  синтаксических  аномалий  и  нарушений  стиля.  Время  анализа  одной  студенческой  работы сокращается до 0,4–2,1 секунды, что на порядок быстрее ручной проверки. Особое научное значение имеет анализ  выявленного  «парадокса  точности»:  несмотря  на  высокие  метрики на валидационных данных, практическое внедрение  сталкивается  с  проблемой «чёрного  ящика» (интерпретируемость  решений),  высокой  зависимостью  от  качества  размеченных данных и педагогическими барьерами. В статье предложены  инновационные  подходы  к  преодолению  этих  вызовов, включая методы объяснимого ИИ (XAI) для визуализации  «внимания» модели и стратегии активного обучения с вовлечением  преподавателей­экспертов. Практическая  значимость  исследования  заключается  в  разработке  комплексной  методологии внедрения систем автоматической оценки кода, учитывающей технологические, педагогические и организационные аспекты. Результаты исследования представляют особую  ценность  для  образовательных  учреждений,  внедряющих системы  поддержки  принятия  педагогических  решений,  разработчиков  образовательного  программного  обеспечения,  а  также для методистов и администраторов, формирующих политику цифровизации высшего образования.

Ключевые слова

глубокое обучение
нейронные сети
автоматическая оценка кода
образовательные технологии
машинное обучение

Список литературы

[1] Пырнова О.А., Зарипова Р.С. Технологии искусственного интеллекта в образовании // Преподавание  информационных  технологий  в  Российской  Федерации:  материалы  Семнадцатой  открытой  Всероссийской  конференции. Новосибирск: Новосибирский  национальный исследовательский государственный университет, 2019. С. 335–337.
[2] Рочева О.А., Зарипова Р.С., Бекетов С.И. Информационные  технологии  как  основы  парадигмы  в  образовании  с  целью  развития  общества  // Russian Journal of Education and Psychology. 2023. Т. 14. № 2­2. С. 85–89.
[3] Ромашкин В.А., Шакиров А.А., Зарипова Р.С. Информационные технологии и их внедрение в процесс обучения // Цифровая культура открытых городов: материалы Международной  научно­практической  конференции  студентов,  аспирантов  и  молодых  ученых, Екатеринбург, 27–29 июня 2018 года. Екатеринбург: Екатеринбургская академия современного искусства (Институт), 2018. С. 440–443.
[4] Катасёва Д.В., Катасёв А.С. Фильтрация нежелательных почтовых сообщений на  основе  нейросетевой  и  нейронечеткой  моделей  //  Информация  и  безопасность. 2016. Т. 19. № 4. С. 551–554.
[5] Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Распознавание  рукописных  символов на базе искусственной нейронной сети // Вестник Технологического университета. 2015. Т. 18. № 11. С. 173–176.
[6] Катасёв А.С., Катасёва Д.В., Смирнов Ю.Н., Васильев В.Л. Нейронечеткий классификатор оценки уровня знаний обучающихся // Вестник Технологического университета. 2024. Т. 27. № 9. С. 115–119.
[7] Пырнова О.А., Никоноров Д.П. Влияние  искусственного  интеллекта  на  производительность  труда  //  Экономика  и  управление:  проблемы,  решения. 2025.  Т. 12. № 2(155). С. 118–123.
[8] Дыдалин Г.Д., Смирнов Ю.Н. Масштабирование  нейронных  сетей,  проблемы  и методы  их  решения  //  Технологический  суверенитет  и  цифровая  трансформация: материалы международной научно­технической конференции, Казань, 03 апреля  2025  года.  Казань:  Казанский  государственный  энергетический  университет, 2025. С. 136–141.
[9] Алихаджиев С.Х., Айгумов Т.Г., Николаева С.Г. Использование  аналитики  больших  данных для принятия эффективных бизнес­решений // Экономика и предпринимательство. 2024. № 5(166). С. 1057–1059.
[10] Мизаев М.М., Халидов А.А., Кузнецова И.С. Исследование  методов  практического  применения машинного  обучения  на  предприятиях //  Экономика  и  управление: проблемы, решения. 2024. Т. 15. № 10(151). С. 44–51.