Активное распространение генеративных моделей в системе высшего образования изменило подход к подготовке учебных материалов. Для преподавателя становится важной не только итоговая оценка качества текста, но и возможность быстро определить участки, которые требуют дополнительной проверки на предмет машинной генерации [2, 3].
Существующие онлайн-сервисы решают эту задачу лишь частично: пользователь нередко получает итоговый процент без достаточной детализации, а сама проверка требует передачи текста во внешнюю среду. Для русскоязычных учебных документов дополнительно важны поддержка популярных файловых форматов, работа с длинными текстами и понятная интерпретация результата [1, 4].
Разработанное приложение ориентировано именно на такой сценарий. Оно запускается локально, принимает файлы форматов TXT, DOCX и PDF, разбивает документ на фрагменты, вычисляет риск ИИ-генерации по каждому участку и формирует итоговую оценку по документу в целом. За счет этого преподаватель получает не абстрактный итоговый показатель, а основу для предметного анализа конкретных фрагментов текста.
Архитектура решения включает пользовательский настольный интерфейс, модуль обработки документов, сервис агрегации результатов и подключаемый модельный слой. Отдельно предусмотрен контур развития собственной русскоязычной модели, что делает приложение не только прикладным инструментом, но и базой для дальнейшего совершенствования алгоритма распознавания [5].
Рисунок 1. Архитектура программного приложения и контура обучения модели
Рисунок 2. Интерфейс приложения после анализа загруженного текста
Интерфейс приложения предоставляет пользователю общий риск ИИ-генерации, подсветку подозрительных мест и краткий аналитический профиль документа. Такой формат ускоряет переход от общего заключения к детальному просмотру проблемных фрагментов и делает первичную экспертизу более прозрачной и воспроизводимой.
Таблица 1.
Сравнение ручной первичной проверки и разработанного приложения
|
Критерий |
Ручная проверка |
Разработанное приложение |
|
Длинные тексты |
Последовательное чтение и поиск вручную |
Разбиение на фрагменты и автоматическая оценка |
|
Подозрительные места |
Оценка зависит от опыта проверяющего |
Подсветка фрагментов с риском ИИ |
|
Работа с файлами |
Копирование текста из разных документов |
Загрузка .txt, .docx и .pdf |
Продолжение таблицы 1.
|
Результат |
Текстовое заключение без детализации |
Интегральный риск и детальный разбор |
Сравнение, представленное в таблице 1, показывает, что разработанное приложение сокращает время предварительной проверки, структурирует результат и снижает зависимость эксперта от субъективного впечатления при первом чтении текста. Практическая ценность решения состоит в возможности использовать его как вспомогательный инструмент в учебном процессе без отказа от итоговой экспертной оценки преподавателя.
Список литературы
- 1. Антиплагиат. Проверка текстов на ИИ: детектор признаков ИИ-генерации [Электронный ресурс]. – URL: https://antiplagiat.ru/proverka-tekstov-na-ii/ (дата обращения: 15.05.2026).
- 2. ИИ в образовании: как преодолеть соблазн готовых решений [Электронный ресурс] // Национальный исследовательский университет «Высшая школа экономики». – URL: https://www.hse.ru/news/edu/1038459152.html (дата обращения: 15.05.2026).
- 3. Как вычислить ИИ в работах студентов [Электронный ресурс] // Институт образования НИУ ВШЭ. – URL: https://ioe.hse.ru/news/1135144119.html (дата обращения: 15.05.2026).
- 4. Python. Documentation [Электронный ресурс]. - URL: docs.python.org/3/ (дата обращения: 15.05.2026).
- 5. Qt for Python. Documentation [Электронный ресурс]. - URL: doc.qt.io/qtforpython-6/ (дата обращения: 15.05.2026).
