В данной статье представлены результаты исследования по использованию метода машинного обучения при обработке текстовых документов для оценки качества письменной работы студентов. Проверка письменных работ студентов, таких как эссе на экзаменах или отчеты по лабораторным работам, могут быть довольно трудоемким процессом, хотя проверка, такая как курсовые проекты/работы, стала обычной времязатратной практикой. Одной из распространенных проблем, возникающих при оценке текстовых документов, может быть низкое качество исходных данных, не соответствующее правилам форматирования документа. В ходе эксперимента были получены данные, состоящие из нескольких работ для тестирования. Показателями оценки качества, используемые в этом исследовании, являются соответствие пояснительной записки структурным элементам документа. Наилучшая модель, подходящая для оценки, была проверена на основе нескольких алгоритмов и методов машинного обучения, таких как k-ближайших соседей (kNN), регрессия опорных векторов (SVR) и случайный лес. Результат сравнения показывает, что, имея преимущества в процессе обучения, kNN обеспечил наивысшую точность прогнозирования. Результаты обучения всех алгоритмов наглядно представлены в таблицах и графических иллюстрациях.

анализ данных; обработка текстовых данных; kNN; SVR; Random Forest; оценка качества; образовательный контент.