УДК 004.891.3:37.01
DOI: 10.36871/26189976.2026.04-4.006

Авторы

Адель Ильсурович Хамидуллин,
Казанский государственный энергетический университет, Казань, Россия
Роман Алексеевич Афанасьев,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

В статье представлено комплексное исследование архитектур глубокого обучения для автоматизированного обнаружения учебных текстов, сгенерированных большими языковыми моделями. Целью работы является сравнительных анализ эффективности различных архитектурных классификаторов (рекуррентных нейронных сетей сверточных сетей, трансформеров и гибридных архитектур) в задаче бинарной классификации «Человек – Искусственный интеллект». На основе экспериментальной базы, включающей публичные наборы данных, демонстрируется потенциал современных подходов ИИ для обеспечения академической честности в образовании. Результаты вычислительных экспериментов показывают, что модель на основе fine-tuned RoBERTa достигает максимальной точности (96,2 %), однако требует значительных вычислительных ресурсов и времени обработки (≈2,3 с на образец). Гибридная архитектура CNN‑BiLSTM демонстрирует оптимальный баланс между качеством (F1‑мера 94,1 %) и скоростью (≈0,6 с на образец), что делает её предпочтительной для массового внедрения в образовательных платформах. Особое научное значение имеет анализ выявленного «эффекта деградации точности»: при смешении языковых моделей на этапе обучения точность падает на 5–12 %, что указывает на необходимость регулярного обновления обучающих корпусов. Проведённое исследование также показывает, что выбор архитектуры должен определяться не только максимизацией метрик, но и условиями реальной эксплуатации: доступными вычислительными мощностями, требуемой скоростью инференса и степенью разнообразия языковых моделей, с которыми может столкнуться система. Разработанные практические рекомендации по интеграции систем детекции в учебный процесс включают внедрение порогового режима оповещения преподавателей и использование методов объяснимого ИИ (XAI) для повышения доверия к автоматизированной проверке. Практическая значимость исследования заключается в разработке методологии выбора оптимальной архитектуры в зависимости от доступных вычислительных ресурсов и требований к точности, а также в создании открытого экспериментального стенда для воспроизведения результатов на базе общедоступных датасетов.

Ключевые слова

глубокое обучение
обнаружение ИИ-текстов
академическая честность
трансформеры
рекуррентные ней

Список литературы

[1] Дыдалин Г. Д., Смирнов Ю. Н. Масштабирование нейронных сетей, проблемы и методы их решения // Технологический суверенитет и цифровая трансформация: Материалы международной научно-технической конференции, Казань, 03 апреля 2025 года. – Казань: Казанский государственный энергетический университет, 2025. – С. 136-141.

[2] 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.

[3] Макарова И. Г., Денильханова Р. Х., Янова О. Ю. Эффективные стратегии обучения компьютерным информационным технологиям и их влияние на цифровую экономику // Экономика и управление: проблемы, решения. – 2025. – Т. 3, № 6(159). – С. 205-210.

[4] 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.

[5] Пырнова О. А., Ахметшин Д. А., Никоноров Д. П. Геймификация образовательного процесса с использованием мобильного приложения // Научно-технический вестник Поволжья. – 2023. – № 12. – С. 514-517.

[6] 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.

[7] Пырнова О. А., Катасёв А. С. Построение и оценка эффективности модели дерева решений для прогнозирования успеваемости обучающихся // Инженерный вестник Дона. – 2024. – № 4(112). – С. 578-584.

[8] Ромашкин В. А., Шакиров А. А., Зарипова Р. С. Информационные технологии и их внедрение в процесс обучения // Цифровая культура открытых городов: материалы Международной научно-практической конференции студентов, аспирантов и молодых ученых, Екатеринбург, 27–29 июня 2018 года. – Екатеринбург: Екатеринбургская академия современного искусства (Институт), 2018. – С. 440-443.

[9] 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, № 2-2. – С. 85-89.

[10] Умархаджиева С. Р., Вазкаева С. С. А., Николаева С. Г. Влияние искусственного интеллекта на образовательные учреждения // Экономика и управление: проблемы, решения. – 2025. – Т. 12, № 5(158). – С. 249-254.