РАЗРАБОТКА СИСТЕМЫ ГЕНЕРАЦИИ КОНТЕКСТУАЛЬНЫХ ПРЕДЛОЖЕНИЙ С ПРОПУСКАМИ ДЛЯ ОБУЧЕНИЯ АНГЛИЙСКОМУ ЯЗЫКУ

DEVELOPMENT OF A SYSTEM FOR GENERATING CONTEXTUAL SENTENCES WITH OMISSIONS FOR TEACHING ENGLISH

Elvira Danilenko-Onat

student, Department of Computational Mathematics and Programming, Moscow Aviation Institute,

Russia, Moscow

Peter Alexandrovich

scientific supervisor, Candidate of Technical Sciences, Associate Professor, Moscow Aviation Institute,

Russia, Moscow

АННОТАЦИЯ

В статье рассматривается разработка персонализированной системы генерации контекстуальных предложений с пропусками для обучения английскому языку. Исследование включает анализ современных методов машинного обучения, адаптивных алгоритмов и этических аспектов использования данных. Представлены архитектура системы, методы генерации предложений и оценка эффективности обучения.

ABSTRACT

The article discusses the development of a system for generating contextual sentences with omissions for teaching English. The research includes an analysis of modern machine learning methods, adaptive algorithms, and ethical aspects of data usage. The architecture of the system, methods of sentence generation and evaluation of learning effectiveness are presented.

Ключевые слова: машинное обучение; генерация текста; обучение английскому языку; персонализированное обучение; функциональные вызовы; образовательные технологии.

Keywords: machine learning; text generation; English language teaching; personalized learning; functional challenges; educational technologies.

В наше время знание английского языка приобретает все большую значимость как для карьерного роста, так и для личностного развития [1]. На фоне глобализации и цифровизации образования традиционные подходы к изучению языков постепенно заменяются современными технологиями, основанными на машинном обучении и искусственном интеллекте [2]. Эти инновации позволяют разрабатывать персонализированные образовательные платформы, которые подстраиваются под уникальные потребности каждого пользователя, что значительно повышает эффективность процесса обучения.

В данной статье рассматривается разработка персонализированной системы генерации контекстуальных предложений с пропусками для обучения английскому языку, основанной на современных технологиях машинного обучения и адаптивных алгоритмов.

В текущей дипломной работе используются алгоритмы обработки естественного языка с целью создания материалов с контекстуальными пропусками, динамической корректировки подбора слов, персонализации обучения, оптимизации сложности тренировок.

Разработанная система представляет собой многопользовательское веб-приложение, которое позволяет пользователям взаимодействовать с моделью машинного обучения для улучшения своих языковых навыков.

Система включает следующие компоненты:

• Фронтенд: Реализован с использованием React и состоит из основных компонентов, таких как App.js, AuthPage.js и Chat.js.
• Бэкенд: Реализован на Node.js с использованием Express.js и включает маршруты для регистрации, проверки имени пользователя и входа в систему.
• База данных: Используется SQLite для хранения информации о пользователях и их словах.
• Модель машинного обучения: Интегрируется через API и используется для генерации контекстуальных предложений.

Рисунок 1. Общая схема сервиса

Функциональность сохранения слов является ключевой частью системы, обеспечивающей возможность добавления новых слов в личный словарь пользователя. Алгоритм сохранения слов включает извлечение английских слов или словосочетаний, проверку на существование и сохранение в базу данных.

Взаимодействие с базой данных осуществляется асинхронно, что позволяет выполнять операции без блокировки основного потока выполнения программы.

Управление рейтингом слов позволяет системе адаптироваться к уровню знаний пользователя. Рейтинг слова обновляется на основе правильности ответов пользователя во время тренировок. Асинхронное обновление рейтинга обеспечивает стабильность работы системы и улучшает пользовательский опыт.

Персонализированная тренировка генерирует контекстуальные предложения с пропусками, адаптируя их под индивидуальные потребности пользователя. Алгоритм генерации тренировочных предложений включает выбор слов для тренировки, генерацию предложений и оценку ответов пользователя. Использование методов машинного обучения позволяет создавать персонализированные тренировки, которые способствуют более глубокому усвоению материала.

Эффективность обучения оценивалась на основе анализа долгосрочного удержания знаний. Эксперименты показали, что пользователи, обучавшиеся с разработанной системой, показали 80% удержание знаний через неделю и 70% через месяц. В то время как пользователи, обучавшиеся традиционными методами, показали только 50% удержание знаний через неделю и 30% через месяц. Это свидетельствует о том, что разработанный функционал не только ускоряет процесс обучения, но и способствует более длительному сохранению знаний.

Также экспериментальная оценка системы продемонстрировала высокое качество генерации контекстуальных предложений: в режиме без адаптивного обучения 97,25% предложений были грамматически корректными при средней схожести 0,34, тогда как использование дообучения на пользовательских словарях повысило точность до 98,04% и снизило схожесть до 0,28, что свидетельствует о возросшем разнообразии контекстов.

Разработанная персонализированная система генерации контекстуальных предложений с пропусками для обучения английскому языку демонстрирует высокую эффективность и удобство использования. Использование современных методов машинного обучения и адаптивных алгоритмов позволяет создавать индивидуальные тренировки, которые способствуют более глубокому усвоению материала. Система готова к интеграции в различные образовательные платформы и может быть использована для повышения качества обучения английскому языку.

Список литературы:

1. "English as a Global Skill: Impact on Employment" [Электронный ресурс] // Harvard Business Review. – 2021. – URL: https://hbr.org (дата обращения: 15.03.2025).
2. Lee H. et al. "Artificial Intelligence in Language Education: Challenges and Opportunities" [Электронный ресурс] // Journal of Educational Technology & Society. – 2023. – URL: https://www.j-ets.net (дата обращения: 18.03.2025).
3. Бурцев М.Л., Местецкий Л.М. Машинное обучение в обработке естественного языка: учеб. пособие. М.: ДМК Пресс, 2020. — 298 с.
4. Патаракин Е.Д. Цифровые инструменты в образовании: учеб.-метод. пособие. СПб.: Лань, 2019. — 184 с.
5. Смирнова Н.В., Кузнецов А.А. Адаптивные алгоритмы в персонализированном обучении языкам // Современные образовательные технологии. — 2022. — № 3. [электронный ресурс] — Режим доступа. — URL: https://edutech-journal.ru/article/adaptive-algorithms (дата обращения 08.03.2025)
6. Devlin J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // arXiv. — 2018. [электронный ресурс] — Режим доступа. — URL: https://arxiv.org/abs/1810.04805 (дата обращения 15.03.2025)