В данной статье рассматриваются теоретические и практические аспекты проектирования веб-платформы на основе искусственного интеллекта для автоматизированной оценки заданий самостоятельной работы студентов в высших учебных заведениях. Основной целью исследования является разработка концептуальной модели системы оценивания, которая интегрирует методы обработки естественного языка (NLP), алгоритмы машинного обучения и облачную инфраструктуру для обеспечения объективности, масштабируемости и адаптивности процесса оценивания. В работе проанализирована эволюция автоматических систем оценивания, их роль в образовательном процессе, а также современные подходы и технологии. Особое внимание уделено архитектуре предлагаемой платформы, включающей frontend, backend и AI-модуль, требованиям к наборам данных и принципам функционирования алгоритмов оценивания. Рассматриваются методы семантического анализа на основе моделей BERT/GPT, алгоритмы выявления сходства текстов, проверки на плагиат и инструменты аналитики в реальном времени. Проведен сравнительный анализ с такими платформами, как Google Classroom, Coursera и Moodle, который показал преимущества предлагаемого решения. Ключевой особенностью системы является адаптация к казахстанскому образовательному контексту и поддержка казахского языка. Полученные результаты свидетельствуют о том, что внедрение данной платформы позволит снизить нагрузку преподавателей, повысить объективность оценивания и обеспечить оперативную обратную связь для студентов. Предложенное решение рассматривается как важный шаг в направлении цифровизации образования.

ЕЛЕУБЕРГЕН Ж.А

Магистрант, Актюбинский региональный университет имени К. Жубанова, г. Актобе, Казахстан.

E-mail: janbolat.work.2025@gmail.com, https://orcid.org/0009-0006-9737-5440

БАЙБАКТИНА А.Т

Кандидат педагогических наук, доцент, Актюбинский региональный университет имени К. Жубанова, г. Актобе, Казахстан

E-mail: aksaule67@mail.ru, https://orcid.org/0000-0001-7872-1252

1. Shermis M. D., Burstein J. (Eds.) Automated Essay Scoring: A Cross-Disciplinary Perspective. Mahwah, NJ: Lawrence Erlbaum Associates, 2003. 238 p. DOI: https://doi.org/10.4324/9781410606860
2. Ramesh D., Sanampudi S. K. An automated essay scoring systems: a systematic literature review. Artificial Intelligence Review. 2022. Vol. 55, Issue 3. P. 2495–2527. DOI: 10.1007/s10462-021-10068-2 DOI: https://doi.org/10.1007/s10462-021-10068-2
3. Alam A. Should Robots Replace Teachers? Mobilisation of AI and Learning Analytics in Education. Proceedings of ICAC3N 2021, IEEE. Greater Noida, India. 2021. P. 1–12. DOI: 10.1109/ICAC3N53548.2021.9725439 DOI: https://doi.org/10.1109/ICAC3N53548.2021.9725439
4. Zawacki-Richter O., Marín V. I., Bond M., Gouverneur F. Systematic review of research on artificial intelligence applications in higher education — where are the educators?. International Journal of Educational Technology in Higher Education. 2019. Vol. 16, Art. 39. P. 1–27. DOI: 10.1186/s41239-019-0171-0 DOI: https://doi.org/10.1186/s41239-019-0171-0
5. Page E. B. The Imminence of Grading Essays by Computer. Phi Delta Kappan. 1966. Vol. 47, №5. P. 238–243.
6. Devlin J., Chang M. W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019. Minneapolis: ACL. 2019. P. 4171–4186. DOI: 10.18653/v1/N19-1423 DOI: https://doi.org/10.18653/v1/N19-1423
7. Dong F., Zhang Y. Automatic Features for Essay Scoring — An Empirical Study. Proceedings of EMNLP 2016. Austin, Texas: ACL. 2016. P. 1072–1077. DOI: 10.18653/v1/D16-1115 DOI: https://doi.org/10.18653/v1/D16-1115
8. Taghipour K., Ng H. T. A Neural Approach to Automated Essay Scoring. Proceedings of EMNLP 2016. Austin, Texas: ACL. 2016. P. 1882–1891. DOI: 10.18653/v1/D16-1193 DOI: https://doi.org/10.18653/v1/D16-1193
9. Yeshpanov R., Khassanov Y., Varol H. A. KazNERD: Kazakh Named Entity Recognition Dataset. Proceedings of LREC 2022. Marseille: ELRA. 2022. P. 417–426. DOI: https://doi.org/10.63317/5398gpuejb6t
10. Luckin R., Holmes W., Griffiths M., Forcier L. B. Intelligence Unleashed: An Argument for AI in Education. London: Pearson Education, 2016. 56 p.
11. Baker R. S., Inventado P. S. Educational Data Mining and Learning Analytics. New York: Springer (In: Learning Analytics / Ed. by J. A. Larusson, B. White), 2014. P. 61–75. DOI: 10.1007/978-1-4614-3305-7_4 DOI: https://doi.org/10.1007/978-1-4614-3305-7_4
12. Sommerville I. Software Engineering. 10th ed. Harlow: Pearson Education, 2015. 816 p.
13. Page E. B. Computer Grading of Student Essays: A Project in a Complex Cognitive Task. Journal of Experimental Education. 1994. Vol. 62, №2. P. 127–142.
14. Riordan B., Horbach A., Cahill A., Zesch T., Lee C.-M. Investigating Neural Architectures for Short Answer Scoring. Proceedings of BEA@EMNLP 2017. Copenhagen: ACL. 2017. P. 159–168. DOI: 10.18653/v1/W17-5018 DOI: https://doi.org/10.18653/v1/W17-5017
15. Dong F., Zhang Y., Yang J. Attention-Based Recurrent Convolutional Neural Network for Automatic Essay Scoring. Proceedings of CoNLL 2017. Vancouver: ACL. 2017. P. 153–162. DOI: 10.18653/v1/K17-1017 DOI: https://doi.org/10.18653/v1/K17-1017

NLP, автоматическое оценивание, адаптивная система, веб-платформа, искусственный интеллект, машинное обучение, облачные технологии, самостоятельная работа