Написать диплом по теме «Использование технологий машинного обучения в образовательных практиках»
Диплом по теме «Использование технологий машинного обучения в образовательных практиках» включает анализ существующих систем, проектирование ИС с элементами ML, разработку прототипа и расчёт экономической эффективности. В статье — структура по ГОСТ 34.602-2020, примеры кода на Python, чек-лист перед защитой и разбор типичных ошибок студентов ВШЭ.
Нужен разбор вашей темы Использование технологий машинного обучения в образовательных практиках? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
Образовательные учреждения всё чаще сталкиваются с перегрузкой преподавателей рутинными задачами: проверка тестов, анализ успеваемости, адаптация контента под уровень студентов. Решение — внедрение систем на базе машинного обучения.
По данным исследования CyberLeninka (2024), использование ML-алгоритмов в образовательных платформах снижает время на проверку заданий на 60–75%. В ВШЭ, например, пилотный проект с автоматической оценкой эссе показал точность распознавания структуры и логики текста на уровне 89%.
Заметьте: актуальность не в «модности» ML, а в конкретной проблеме — нехватке времени у преподавателей. Это и нужно отразить в введении.
Цель и задачи
Цель исследования: разработка и обоснование информационной системы с элементами машинного обучения для автоматизации оценки учебных заданий в образовательной среде ВШЭ.
Задачи:
- Проанализировать текущую практику оценки заданий на факультете Прикладная информатика ВШЭ.
- Изучить существующие ML-решения для анализа текстов (BERT, RoBERTa, spaCy).
- Разработать архитектуру системы с модулем NLP-обработки.
- Создать прототип модели классификации эссе по критериям: логичность, структура, оригинальность. <5>Оценить экономический эффект от снижения трудозатрат преподавателей.
- Оформить результаты в соответствии с ГОСТ 7.0.100-2018.
Задачи соответствуют структуре методички ВШЭ: анализ → проектирование → разработка → экономика.
Объект и предмет исследования
- Объект: образовательный процесс на факультете Прикладная информатика НИУ ВШЭ.
- Предмет: процесс автоматизированной оценки текстовых заданий с использованием моделей машинного обучения.
Рекомендуемая структура дипломной работы
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Теоретическая глава | 25–30 страниц |
| Аналитическая часть | 30–40 страниц |
| Практическая часть | 30–40 страниц |
| Экономическая эффективность | 20–25 страниц |
| Заключение | 3–5 страниц |
Пример введения для ВШЭ
В условиях роста потоков студентов и усложнения учебных программ преподаватели ВШЭ сталкиваются с увеличением нагрузки, особенно при проверке текстовых заданий. Средний преподаватель тратит до 12 часов в неделю на ручную проверку эссе, при этом качество оценки может варьироваться в зависимости от усталости и субъективных факторов.
Технологии машинного обучения, в частности модели NLP, позволяют автоматизировать анализ структуры, логики и оригинальности текста. В 2023 году МГУ внедрил систему на базе BERT для проверки курсовых — ошибка распознавания составила менее 11% (источник: eLibrary, 2024).
Целью данной работы является разработка прототипа информационной системы с модулем машинного обучения для автоматической оценки учебных заданий на факультете Прикладная информатика ВШЭ. Задачи включают анализ текущих процессов, выбор архитектуры, обучение модели и расчёт экономического эффекта.
Как написать заключение по Прикладная информатика
В ходе работы был проанализирован процесс проверки заданий на факультете Прикладная информатика ВШЭ. Выявлено, что ручная оценка эссе занимает в среднем 15 минут на работу, что составляет 30 часов в месяц для одного преподавателя.
Разработан прототип системы на базе модели BERT, адаптированной под русскоязычные учебные тексты. Модель показала точность 87% при классификации по трём критериям: структура, логичность, оригинальность. Интеграция системы в LMS Moodle позволила снизить время проверки до 2 минут на задание.
Экономический эффект составил 180 тыс. рублей в год на одного преподавателя за счёт перераспределения времени. Рекомендуется внедрение системы на пилотной основе на кафедре информационных технологий ВШЭ с последующим масштабированием.
Требования к списку литературы ВШЭ
Список литературы должен соответствовать ГОСТ Р 7.0.100-2018. Объём — не менее 20 источников, из них не менее 10% за 2024–2025 гг. Группировка:
- Законодательные акты
- Научная литература
- Периодика
- Иностранные источники
- Электронные ресурсы (с указанием даты обращения)
Примеры источников:
- ГОСТ Р 34.602-2020. Информационная технология. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. — М.: Стандартинформ, 2020. — 24 с.
- Devlin, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // NAACL, 2019. — URL: https://arxiv.org/abs/1810.04805 (дата обращения: 2026-06-11)
- Кузнецов И.А. Применение NLP в образовательных системах // Вестник ВШЭ. — 2025. — № 2. — С. 45–58.
⚠️ Типичные ошибки при написании Использование технологий машинного обучения в образовательных практиках
- Ошибка: Общие фразы в актуальности → Решение: приведите конкретные данные по ВШЭ или другому вузу, укажите часовую нагрузку, процент ошибок.
- Ошибка: Использование непроверенного кода → Как проверить: запустите модель на тестовых данных, приложите логи и метрики (accuracy, F1-score).
- Ошибка: Несоответствие задач цели → Чек-лист: каждая задача должна напрямую вести к достижению цели. Если задача не влияет на результат — удалите её.
- Ошибка: Отсутствие экономического расчёта → Решение: сравните трудозатраты «до» и «после», рассчитайте срок окупаемости.
Частые вопросы по теме «Использование технологий машинного обучения в образовательных практиках»
- В: Сколько страниц должна быть практическая часть? О: В ВШЭ — 30–40 стр. с диаграммами, кодом, скриншотами интерфейса и результатами тестирования.
- В: Нужен ли реальный код в приложении? О: Да, обязательно. Должны быть фрагменты ключевых модулей: предобработка текста, обучение модели, инференс.
- В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками ВШЭ. Уникальность — от 75%.
- В: Можно ли использовать open-source модели? О: Да, но с обязательной адаптацией и указанием источника (например, transformers от Hugging Face).
Вопросы, которые часто задают студенты
Можно ли использовать готовые решения в ВКР?
Да, но с адаптацией. Например, модель BERT — open-source, но вы должны дообучить её на учебных текстах, изменить архитектуру, протестировать. Чистое копирование — риск провала на защите.
Сколько страниц должна быть практическая часть?
В ВШЭ — 30–40 страниц. Включайте: схему архитектуры, ER-диаграмму, код, блок-схемы алгоритмов, скриншоты интерфейса, результаты тестирования. Без этого работа будет считаться неполной.
Можно ли использовать open-source решения?
Да, это даже приветствуется. Например, фреймворк scikit-learn или библиотека transformers. Главное — показать, как вы адаптировали решение под задачу, и оформить ссылку по ГОСТ.
✅ Чек-лист перед защитой Использование технологий машинного обучения в образовательных практиках
- □ Все задачи из введения выполнены и отражены в заключении
- □ Структура соответствует требованиям методички ВШЭ
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Работа содержит реальные данные, а не шаблоны
- □ Код прототипа приложен и протестирован
- □ Экономический расчёт выполнен по методике сравнения вариантов
Застряли на этапе разработки ML-модели? Наши эксперты по Прикладная информатика помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
⭐ MAКСНужна помощь с вашей работой?
Проверьте свою тему ВКР
- □ Есть ли реальная организация для анализа?
- □ Есть ли измеримый эффект внедрения?
- □ Можно ли построить диаграммы процессов?
- □ Есть ли реальные данные для экономических расчетов?