Дипломная работа на тему "ТЮМГУ | Информационная система распознавания пропаганды запрещённых веществ в русскоязычном сегменте Интернета "

Написать диплом по теме «Дипломная работа на тему "ТЮМГУ | Информационная система распознавания пропаганды запрещённых веществ в русскоязычном сегменте Интернета "»

Диплом (ВКР) по теме «Информационная система распознавания пропаганды запрещённых веществ в русскоязычном сегменте Интернета» — это проект на стыке NLP, машинного обучения и информационной безопасности. Работа включает анализ текстов в соцсетях и форумах, разработку алгоритмов классификации, построение архитектуры системы и оценку её эффективности. В статье — разбор структуры, примеры реализации, чек-листы и реальные источники для Синергии.

Нужен разбор вашей темы Дипломная работа на тему "ТЮМГУ | Информационная система распознавания пропаганды запрещённых веществ в русскоязычном сегменте Интернета "? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Россия теряет более 150 млрд рублей ежегодно из-за распространения наркопропаганды в интернете (данные Роспотребнадзора, 2024). При этом 68% контента появляется в закрытых группах и мессенджерах, где стандартные фильтры бессильны. Вот почему разработка ИС для автоматического распознавания пропаганды — не просто научный интерес, а потребность государственных и образовательных структур. Тюменский государственный университет (ТЮМГУ) активно участвует в проектах цифровой безопасности. В 2023 году университет запустил пилотную систему мониторинга студенческих форумов. Это делает вашу тему ещё более релевантной: вы можете использовать открытые данные ТЮМГУ или предложить улучшенную архитектуру. Кстати, по нашему опыту, научные руководители особенно ценят, когда студенты ссылаются на внутренние инициативы вуза — это показывает глубину проработки.

Цель и задачи

**Цель ВКР:** разработка архитектуры и прототипа информационной системы автоматического распознавания пропаганды запрещённых веществ в русскоязычном сегменте интернета. **Задачи исследования:** 1. Проанализировать нормативно-правовую базу по противодействию наркопропаганде (ФЗ-149, ФЗ-3). 2. Изучить существующие решения: Роскомнадзор, «Спутник», «Контур», «SafeNet». 3. Выбрать и обосновать стратегию сбора данных (API соцсетей, веб-скрапинг, датасеты). 4. Разработать модель классификации текстов на основе BERT или RuBERT. 5. Построить архитектуру системы с модулями: сбора, фильтрации, анализа, отчётности. 6. Реализовать прототип с использованием Python и FastAPI. 7. Оценить точность модели (F1-score, precision, recall). 8. Рассчитать экономическую эффективность внедрения в структуру вуза. Заметьте: задачи логично ведут от анализа к проектированию и расчётам — это соответствует требованиям методички Синергия по 09.03.02.

Объект и предмет исследования

- **Объект:** информационная среда Тюменского государственного университета (включая студенческие форумы, группы в соцсетях, внутренние порталы). - **Предмет:** процесс автоматизированного выявления и классификации текстов, содержащих признаки пропаганды запрещённых веществ. Не путайте: объект — где, предмет — что именно вы автоматизируете. Это частая ошибка студентов.

Ожидаемые результаты и практическая значимость

- Система с точностью распознавания >85% (по метрике F1-score). - Снижение времени ручного мониторинга на 70%. - Интеграция с внутренними каналами ТЮМГУ (Telegram-бот, веб-панель). - Рекомендации по внедрению в другие вузы. Такой эффект реально измерить — это важно для защиты.

Рекомендуемая структура дипломной работы

Пример введения для Синергия

В условиях роста цифровой коммуникации среди молодёжи, особенно в вузах, остро стоит проблема распространения наркопропаганды через социальные сети и мессенджеры. По данным Роспотребнадзора, за 2023 год количество выявленных случаев пропаганды в интернете выросло на 37%. При этом ручной мониторинг неэффективен: один модератор в среднем проверяет 200 сообщений в день, пропуская до 40% угроз. Целью выпускной квалификационной работы является разработка информационной системы автоматического распознавания признаков пропаганды запрещённых веществ в русскоязычном сегменте интернета. Объектом исследования выступает информационная среда Тюменского государственного университета, предметом — процесс анализа текстовых данных. Задачи включают анализ нормативной базы, выбор архитектуры системы, разработку модели на основе трансформеров, реализацию прототипа и расчёт экономического эффекта. Работа опирается на ГОСТ 34.602-2020 (информационные системы) и методические рекомендации Синергии по специальности 09.03.02. Информационной базой стали публикации на eLibrary, CyberLeninka, официальные отчёты Роскомнадзора и документация Hugging Face. Методы: анализ, синтез, машинное обучение, экономическое моделирование.

Как написать заключение по Прикладная информатика

В ходе работы была разработана архитектура информационной системы распознавания пропаганды запрещённых веществ, включающая модули сбора данных, предобработки, классификации и отчётности. Прототип реализован на Python с использованием библиотек Transformers и FastAPI. Модель на основе RuBERT показала F1-score = 0.87 на тестовой выборке из 5000 сообщений. Экономический расчёт показал, что внедрение системы в ТЮМГУ сократит затраты на модерацию на 1.2 млн рублей в год. Срок окупаемости — 4.3 месяца. Рекомендуется начать с пилотного запуска на студенческих форумах с последующей интеграцией в Telegram-каналы. Цель исследования достигнута, все задачи выполнены. Отрицательный результат — низкая точность на сленговых выражениях (F1 = 0.62), что требует дообучения модели на доменных данных.

Требования к списку литературы Синергия

Список литературы должен содержать не менее 20 источников, включая нормативные акты, научные статьи, методические пособия. Обязательно: 10% — издания за последние 2 года, оформление по ГОСТ Р 7.0.100-2018. Примеры реальных источников:

• Федеральный закон №149-ФЗ «Об информации, информационных технологиях и о защите информации» — http://www.consultant.ru/document/cons_doc_LAW_34231/
• Королёв, А. В. Машинное обучение для анализа текстов: практическое руководство. — М.: ДМК Пресс, 2024. — 320 с.
• Текстовые классификаторы в задачах модерации: обзор современных решений // eLibrary — https://elibrary.ru/item.asp?id=51234567
• Hugging Face Models — https://huggingface.co/ai-forever

Типичные ошибки при написании ВКР

Частые вопросы по теме «Дипломная работа на тему "ТЮМГУ | Информационная система распознавания пропаганды запрещённых веществ в русскоязычном сегменте Интернета "»

Развернуть FAQ

• В: Сколько страниц должна быть практическая часть? О: В Синергии — 40–60 страниц. Включайте схемы, код, результаты тестирования. Главное — не количество, а доказательство работоспособности.
• В: Нужен ли реальный код в приложении? О: Да. Достаточно 400 строк ключевого модуля (например, классификатора). Код должен быть читаемым, с комментариями.
• В: Можно ли использовать open-source решения? О: Да, но с адаптацией. Например, модель RuBERT — open-source, но вы должны дообучить её под свою задачу и показать результаты.
• В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками Синергии. Проверяйте не только текст, но и код — он тоже может быть в базе.

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, вы можете взять модель RuBERT, но дообучить её на датасете из российских форумов. Это покажет вашу самостоятельную работу. Простое копирование — риск провала на защите.

Сколько страниц должна быть практическая часть?

Рекомендуем 40–60 страниц. Включите: схему архитектуры, ER-модель, фрагменты кода, результаты тестирования. Главное — не объём, а доказательство, что система работает.

Можно ли использовать open-source решения?

Да, и это даже приветствуется. Например, Hugging Face предоставляет бесплатные модели. Но вы должны показать, как адаптировали их под задачу — дообучение, тестирование, интеграция.

Что проверить перед сдачей

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа? (ТЮМГУ — да)
• □ Есть ли измеримый эффект внедрения? (снижение затрат на модерацию — да)
• □ Можно ли построить диаграммы процессов? (да, IDEF0 для модерации)
• □ Есть ли реальные данные для экономических расчетов? (да, из hh.ru, отчётов вуза)