В данной статье приведен обзор публикаций в области анализа удовлетворенности обучающихся образовательным процессом на основе методов обработки естественного языка. Собрано 197 отзывов студентов на 129 элективных дисциплин Тюменского государственного университета. Проведен сравнительный анализ методов извлечения ключевых слов: статистических TF-IDF, RAKE и YAKE; контекстуального KeyBERT; основанного на графах TextRank. На собранных отзывах, сгруппированных по элективным дисциплинам, наибольшую F1-меру BERTScore с результатом 79 % показал метод RAKE. Путем сбора данных из открытых источников сформирован датасет с 2210 русскоязычными отзывами на курсы различных образовательных платформ. Описано обучение моделей машинного обучения для анализа тональности: метода опорных векторов, логистической регрессии и основанных на архитектуре Transformers, полученных с ресурса Hugging Face, сравнение на вручную размеченной части собранных отзывов. После дообучения модели rubert-base-cased macro-усредненная F1-мера показала 71,6 %. Классификация осуществляется по трем классам (негативный, нейтральный, положительный) не для всего текста отзыва, а в отдельности для каждого предложения из этого текста. Представлена реализация базы данных и информационной системы сбора и обработки отзывов студентов на изученные элективные дисциплины. Модель для анализа тональности отзыва вынесена в отдельный микросервис, связь с которым осуществляется через интерфейс свободно распространяемого Python-фреймворка FastAPI. Запущенная информационная система призвана помочь студентам выбирать элективы, опираясь на большее количество качественных данных, а преподавателям и администрации вуза – делать выводы для дальнейшей трансформации образовательного пространства, учитывая мнение обучающихся.

В работе исследуется процесс захвата волновой энергии островом, вокруг которого дно имеет коническую форму. Кинематика изначально прямолинейного волнового фронта около такого острова была исследована методом пошагового ортогонального продвижения. Получена оценка доли волновой энергии, которая из-за рефракции захватывается донным склоном, окружающим остров. Проведено также численное моделирование этой же задачи в рамках модели мелкой воды, которое подтвердило результаты, полученные кинематическим методом, в том числе и количественную оценку части волновой энергии, отраженной островом и захваченной его наклонным шельфом. Показано, что острова, окруженные донным склоном, хорошо экранируют акваторию, расположенную за таким островом.

Метод электротомографии с каждым годом все более широко применяется для решения самых разных задач. Например, в археологических раскопках, в задачах контроля хвостохранилищ, инженерных изысканиях, для изучения разломных структур, мониторинговых исследований в сейсмоактивных районах. Для формирования подходов к решению проблемы прогнозирования сейсмических событий необходимо выполнять достаточно длительные наблюдения, что приводит к необходимости рассматривать большие массивы исходных данных, интерпретировать значительный объем полевых материалов. В связи с этим актуально применение и развитие современных компьютерных средств обработки и интерпретации результатов регулярных наблюдений. Целью данной работы является модернизация и развитие программного комплекса решения прямых и обратных задач Direct-Inverse-Solver (DiInSo) для обработки, интерпретации и анализа данных мониторинга методом электротомографии.

В настоящий момент для создания интеллектуальных помощников используются различные технологии, основанные как на исследованиях в области нейронных сетей, средств анализа текстов на естественном языке, так и на использовании средств семантического моделирования. Каждый из этих подходов позволяет качественно решать отдельно взятые задачи. В рамках данной работы разрабатывается интеллектуальный помощник, объединяющий в себе все указанные подходы. Цель работы – создание интеллектуального помощника, выполняющего функции виртуального консультанта по процессам работы организации. Разработка основана на использовании семантической модели организации и бизнес-процессов. Для распознавания пользовательских намерений мы используем гомоморфные и генерализованные пользовательские намерения. Система позволяет осуществлять декомпозицию пользовательских задач и формировать последовательность их выполнения на основе семантических моделей пользователя и предметной области.

Целью исследования является разбор современных подходов к реализации систем помощи водителю, а также реализация архитектуры системы помощи водителю, направленная на распознавание дорожного знака на максимальном удалении от него при сложных погодных условиях, для заблаговременной выдачи обратной связи водителю. В работе рассмотрены основные используемые сигналы при реализации и эксплуатации системы помощи водителю: данные с CAN-шины автомобиля, информация с GPS-приемника, фрагменты видео с цифровой камеры. В представленной модульной архитектуре используются перечисленные источники данных для оценивания дорожной обстановки, а также нейросетевые методы для распознавания дорожных знаков. Представлена модульная архитектура системы помощи водителю, позволяющая оповещать водителя о дорожных знаках. Система оснащена контролем границы полосы для оповещения водителя о знаках, относящихся к прилегающей проезжей части при поворотах. Экспериментально доказано, что представленная в работе модульная архитектура системы помощи водителю не уступает по скорости и точности работы альтернативным системам, выступая в виде комплексного автономного решения.