Analysis of computer vision model optimization methods for edge devices with neural network accelerators

  1. Home
  2. Archive
  3. № 2 (71)
Author(s) Collection number Pages Download abstract Download full text
Petiak Yu. F. № 2 (71) 140-154 Image Image

У статті досліджено можливості використання семантичних нейронних мереж для оцінки якості віртуального навчального середовища (ВНС). Розглядаються теоретичні засади семантичного аналізу, архітектура нейронних мереж, специфіка параметризації освітніх даних. Проаналізовано приклади застосування нейромереж для виявлення змістових та емоційних характеристик освітнього контенту. Обґрунтовано перспективи інтеграції штучного інтелекту в автоматизовану оцінку освітнього середовища.

У роботі аргументовано можливості та перспективи використання семантичних нейронних мереж (СНМ) для аналізу якості віртуального навчального середовища (ВНС), що стає все більш актуальним у контексті цифровізації освіти. Семантичні нейромережі, зокрема моделі типу BERT, RoBERTa та GPT, забезпечують глибоке розуміння змісту навчального контенту, дозволяють інтерпретувати логіко-смислові зв’язки в текстах, виявляти приховані патерни сприйняття та емоційного забарвлення освітніх матеріалів. У статті визначено ключові параметри, що характеризують якість ВНС: лексична насиченість, когерентність, емоційна полярність та релевантність змісту.

Особлива увага приділена прикладному аналізу студентських відгуків, форумів і тестових матеріалів, що автоматично опрацьовуються СНМ для оцінки якості викладання, структури навчального курсу та інтерактивності взаємодії. Автором запропоновано базову методику семантичного аналізу для освітніх платформ, описано архітектуру моделі та логіку її навчання на спеціалізованих корпусах текстів.

Розглянуто переваги та обмеження впровадження таких моделей у вищу освіту, а також потенціал інтеграції в системи LMS та сервіси підтримки зворотного зв’язку. Практична цінність дослідження полягає у формуванні інструментарію для швидкої, об’єктивної та масштабованої оцінки якості ВНС з метою вдосконалення навчального процесу.

Ключові слова: семантична нейронна мережа; аналіз якості; віртуальне навчальне середовище; освітня аналітика; глибинне навчання; обробка природної мови; когнітивні технології; дистанційне навчання.

doi: 10.32403/1998-6912-2025-2-71-128-139


  • 1. Investigating Semantic Augmentation in Virtual Learning Environments / Ganter J., 2021. https://pmc.ncbi.nlm.nih.gov/articles/PMC8404924/.
  • 2. Using attentionbased neural networks for predicting students’ servicelearning outcomes / Fu E. Y. та ін., 2023. https://link.springer.com/article/10.1007/s10639-023-11592-0.
  • 3. Semantic Technologies in eLearning / Melesko J., 2018. https://dl.acm.org/doi/abs/10.1145/ 3227609.3227669.
  • 4. Okewu, E. Artificial neural networks for educational data mining in higher education / E. Oke­wu. — Interactive Learning Environments, 2021. — Vol. 29, Iss. 5. — P. 779800. — DOI: 10.1080/10494820.2021.1922847. https://www.tandfonline.com/doi/full/10.1080/08839514.2021.1922847.
  • 5. Melesko, J. Semantic technologies in eLearning: Learning analytics and artificial neural networks in personalised learning systems / J. Melesko. — Proceedings of the 9th International Conference on Computer Science & Education (ICCSE 2018), ACM Digital Library, 2018. — DOI:10.1145/3227609.3227669. https://dl.acm.org/doi/10.1145/3227609.3227669.
  • 6. Khanam, Z. Sentiment analysis of user reviews in an online learning environment: analyzing the methods and future prospects / Z. Khanam. — European Journal of Education and Pedagogy, Vol. 4, Issue 2, April 2023. — DOI:10.24018/ejedu.2023.4.2.531.
  • 7. Девлін Д., Чанг М.-В., Лі К., Тута́нова К. BERT: Pretraining of Deep Bidirectional Trans­for­mers for Language Understanding / J. Devlin, M.-W. Chang, K. Lee, K. Toutanova. – NAACLHLT ’19 (1). 2019. С. 4171–4186. https://aclanthology.org/N19-1423/.
  • 8. Лі М., Ванґ X., Ванґ Y., Чен Y., Чен Y. StudyGNN: A Novel Pipeline for Student Per­for­mance Prediction Based on MultiTopology Graph Neural Networks / M. Li, X. Wang, Y. Wang, Y. Chen, Y. Chen. – Sustainability . 2022. Т. 14, № 13. 7965. https://www.mdpi.com/2071-1050/14/13/7965.
  • 9. Хемані B., та ін. A review of graph neural networks: concepts, architectures and appli­ca­tions / B. Khemani et al. – Journal of Big Data. 2024. Т. 11.
  • 10. Gunasekara S., Saarela M. Explainability in Educational Data Mining and Learning Analytics: An Umbrella Review / S. Gunasekara, M. Saarela. – Proceedings of the 17th International Conference on Educational Data Mining (EDM 2024). – 2024. – P. 400408.
  • 11. Zhang Y., et al. Educational Data Mining Techniques for Student Performance Prediction / Y. Zhang, … – IEEE Access. 2021. – Vol. 9. – P. 3582335836. – DOI:10.1109/ACCESS. 2021.3067782. https://pmc.ncbi.nlm.nih.gov/articles/PMC8688359/.
  • 12. Hooshyar D., Kikas E., Yang Y., Šír G., Hämäläinen R., Kärkkäinen T., Azevedo R. Towards Responsible and Trustworthy Educational Data Mining: Comparing Symbolic, SubSymbolic, and NeuralSymbolic AI Methods / D. Hooshyar, E. Kikas,  Y. Yang, G. Šír, R. Hämäläinen, T. Kärkkäinen, R. Azevedo. – arXiv preprint. 2025. – arXiv:2504.00615. https://arxiv.org/abs/2504.00615.
  • 13. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. https://aclanthology.org/N19-1423/.