ПРОФЕССИОНАЛИЗАЦИЯ УПРАВЛЕНЧЕСКОГО ОБРАЗОВАНИЯ

Нейронные технологии сравнительного перевода при обучении студентов нефтегазового вуза на базе русского и английского языков

Авторы

  • Диана Георгиевна Карпова Уфимский государственный нефтяной технический университет
  • Алексей Дмитриевич Колотилов Уфимский государственный нефтяной технический университет

Как цитировать

ГОСТ Карпова Д. Г., Колотилов А. Д. Нейронные технологии сравнительного перевода при обучении студентов нефтегазового вуза на базе русского и английского языков // Управление образованием: теория и практика. 2023. Т. 13. № 10-2. С. 34-41. DOI: 10.25726/o8378-0123-8637-a
APA Карпова, Д. Г. & Колотилов, А. Д. (2023). Нейронные технологии сравнительного перевода при обучении студентов нефтегазового вуза на базе русского и английского языков. Управление образованием: теория и практика, 13(10-2), 34-41. https://doi.org/10.25726/o8378-0123-8637-a

Аннотация

В условиях глобализации и интенсификации научно-технического сотрудничества между странами актуализируется вопрос о необходимости качественного образования специалистов в сфере нефтегазовой промышленности. По данным Петербургского государственного горного университета, около 68% исследований в этой сфере публикуются на английском языке. В данной статье исследуется возможность применения нейронных технологий сравнительного перевода для улучшения уровня языковой подготовки студентов нефтегазовых вузов на базе русского и английского языков. Разработанная система на основе многослойных перцептронов и долгосрочной короткосрочной памяти (Long Short-Term Memory, LSTM) показала эффективность в определении семантических отношений между терминами в текстах нефтегазовой тематики, достигая точности до 94.7% на тестовой выборке из 800 документов. Эти данные предоставляют значительный потенциал для создания новых методик обучения, повышая уровень междисциплинарной компетентности будущих специалистов. Технологии нейронного сравнительного перевода — это тип моделей машинного обучения, которые помогают решать задачи межъязыкового перевода. Эти модели предварительно обучены и используют параллельные данные для предварительного обучения, что дает им возможность прогнозировать замаскированные слова на исходной и целевой стороне со ссылкой на контекст любой стороны параллельных данных.

Ключевые слова

нейронные сети сравнительный перевод нефтегазовая промышленность образование многослойный перцептрон LSTM семантический анализ междисциплинарная компетентность

Библиографические ссылки

Гарнов А.П., Гарнова В.Ю., Тишкина Н.П. Тенденции развития нефтегазового комплекса // Вестник Российского экономического университета им. ГВ Плеханова. 2019. № 6 (108). С. 108-115.

Гераськов С. Доступный чат-бот. Как привлечь и удержать клиентов с помощью WhatsApp / М.: Издательский дом. 2020. 120 с.

Ерендеева А.Е. и др. Трансформация предприятий нефтегазового сектора России в условиях цифровой экономики: экономические и финансовые аспекты: выпускная бакалаврская работа по направлению подготовки: 38.03. 01. Экономика. 2018. С. 27-36. DOI 10.25987/VSTU.2019.26.70.003. EDN SGKWTA.

Коровникова Н.А. Искусственный интеллект в современном образовательном пространстве: проблемы и перспективы // Социальные новации и социальные науки. 2021. № 2 (4). С. 98-113.

Кудина М.В., Логунова Л.Б., Петрунин Ю.Ю. Национальное образование в эпоху глобальной цифровой революции // Вестник Московского университета. Серия 21. Управление (государство и общество). 2019. № 4. С. 3-22.

Кузнецов И.А. Иноязычная подготовка аспирантов в системе непрерывного образования технического вуза // Среднее профессиональное образование. 2015 г. №4. С. 48-50. EDN TUJJVB.

Ломакин Н.И., Плаксунова Т.А., Логинова Е.В., Лукьянов Г.И. и др. Нейронная сеть для оценки компетентности студентов. // Информационные технологии в образовании "Ито-Саратов-2017": Материалы IX Всероссийской научно-практической конференции, Саратов, 02–03 ноября 2017 года. Саратов: ООО Издательский центр "Наука". 2017. С. 575-589. EDN YONLGR.

Лучшева Л.В. Социальные проблемы использования искусственного интеллекта в высшем образовании: задачи и перспективы // Научный Татарстан. 2020. № 4. С. 84-89.

Мовчан Д.А. Разработка чат-ботов и разговорных интерфейсов / М. Райтман. ДМК-Пресс, 2019. 340 с.

Морозкина Е.А., Шакирова Н.Р. Использование информационных технологий для оптимизации процесса перевода // Вестник Башкирского университета. 2012. № 1. С. 544-546.

Мухамадиева К.Б. Искусственный интеллект в развитии молодёжи // Образование и проблемы развития общества. 2021. № 2 (15). С. 27-33.

Очирова Г.З. Нейронные сети в обучении. С. 360-367.

Провотар А.И., Провотар А.И., Клочко К.А. Особенности и проблемы виртуального общения с помощью чат-ботов // Прикладная и компьютерная лингвистика. 2018. №3. С. 2-7.

Разманова С.В., Андрухова О.В. Анализ применения цифровых технологий в отечественном сегменте upstream (на примере нефтегазовой отрасли) // Развитие цифровой экономики в условиях деглобализации и рецессии. 2019. С. 113-134.

Светова С.Ю., Виноградова Т.Б., Степанова М.М., Нечаева Н.В. Преподавание технологий перевода в вузах: учебное пособие для организации специального модуля для успешной подготовки переводчиков. Практические примеры // Ассоциация преподавателей перевода. Компания «Т-Сервис». Казань: Бук. 2019. 32 с. ISBN 978-5-00118-276-4. EDN ZBMPBR.

Фирсова Е.А. Перспективы использования чат-ботов в высшем образовании // Информатизация науки и образования. 2018. № 3 (35). С. 157-166.

Загрузки

Опубликован

2023-10-30

Выпуск

Раздел

ПРОФЕССИОНАЛИЗАЦИЯ УПРАВЛЕНЧЕСКОГО ОБРАЗОВАНИЯ

Метрики

184 просмотров
227 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные