AI-система детекции плагиата и списывания в обучении

Виды нечестности, которые обнаруживает система

С ростом использования LLM в студенческих работах ложноположительные срабатывания AI-детекторов достигают 15%. Это ведёт к необоснованным обвинениям и подрыву доверия. Наш комбинированный подход снижает этот показатель до 2-4% за счёт трёхуровневой детекции: стилометрический анализ, MinHash для межстуденческого копирования и динамический краулинг внешних источников. Модель учитывает контекст дисциплины: для гуманитарных работ порог перплексии ниже, для технических — выше. За 5 лет мы реализовали 20 внедрений в вузах и EdTech-проектах. Экономия бюджета на проверку работ достигает 80%. Система закрывает три сценария: плагиат из открытых источников (интернет, базы диссертаций), копирование между студентами (с перефразированием) и AI-генерация (GPT, Claude, LLaMA). Каждый сценарий требует своего алгоритма, поэтому ансамбль моделей даёт наилучшую точность. Разработка системы окупается за счёт снижения трудозатрат преподавателей и повышения качества проверки.

Как отличить AI-генерацию от человеческого текста?

AI-детекторы (GPTZero, Originality.ai) часто дают ложные срабатывания на структурированных работах с шаблонными фразами. Наш подход сочетает три сигнала:

1. Перплексия текста — LLM-тексты имеют аномально низкую перплексию (каждое слово предсказуемо). Мы используем модель на основе GPT-2 с калибровкой под образовательный домен.
2. Стилометрическая вариативность — длина предложений, частотность редких слов, использование союзов. Студенты пишут неравномерно, LLM — ровно.
3. Семантическая гладкость — чрезмерно последовательная логическая структура без речевых ошибок. AI-текст лишён типичных для человека 'шумов'.

Совместная модель снижает false positive rate на 60-70% по сравнению с одиночными детекторами. Подробнее о перплексии — в Wikipedia.

Как быстро найти копирование между студентами?

Полное попарное сравнение всех работ — O(n²). Для 1000 работ это 500 000 сравнений, что слишком долго. Используем MinHash LSH — он в 10 раз быстрее с точностью 95%.

def detect_inter-student-similarity(submissions: list[Submission]) -> list[SimilarityPair]:
    # MinHash для приближённого сходства
    from datasketch import MinHash, MinHashLSH

    lsh = MinHashLSH(threshold=0.4, num_perm=128)
    minhashes = {}

    for sub in submissions:
        m = MinHash(num_perm=128)
        for word in preprocess(sub.text).split():
            m.update(word.encode('utf-8'))
        lsh.insert(sub.student_id, m)
        minhashes[sub.student_id] = m

    pairs = []
    for sub in submissions:
        result = lsh.query(minhashes[sub.student_id])
        for match_id in result:
            if match_id != sub.student_id:
                similarity = minhashes[sub.student_id].jaccard(minhashes[match_id])
                if similarity > 0.4:
                    pairs.append(SimilarityPair(
                        student_1=sub.student_id,
                        student_2=match_id,
                        similarity=similarity
                    ))
    return pairs

Порог сходства настраивается: 0.4 для гуманитарных дисциплин, 0.6 для точных наук. MinHash LSH устойчив к перефразированию: при threshold 0.4 он ловит 85% перефразированных копий.

Учёт разрешённых групповых работ

Групповые проекты — частая причина ложных срабатываний. В нашей системе администратор загружает список групп, и для студентов одной группы сходство не считается плагиатом. Дополнительно поддерживается порог 'разрешённого заимствования': например, допускается 20% общих фраз для технических дисциплин. Это настраивается в интерфейсе.

Что входит в разработку под ключ?

ML-модель деплоится через Triton Inference Server с поддержкой ONNX-конвертации для ускорения инференса. В решении используем PyTorch для обучения и Hugging Face Transformers для предобученных encoder-моделей (например, all-MiniLM-L6-v2 для эмбеддингов).

Сравнение методов детекции

Комбинированный подход даёт лучшее соотношение точности и скорости. Более того, мы проводим A/B-тестирование на вашем датасете для калибровки порогов.

Наш опыт и гарантии

Сертифицированные ML-инженеры с опытом в NLP и обработке текстов. Реализовали более 20 систем для вузов и EdTech-компаний. Гарантируем: false positive rate ≤ 5% на вашем датасете; интеграция с существующей LMS за 2-3 дня; поддержка 6 месяцев после внедрения. Для мониторинга качества модели используем Weights & Biases: после внедрения модель продолжает дообучаться на новых данных, что снижает дрейф концептов.

Процесс внедрения

1. Аналитика — сбор требований, анализ существующих процессов, аудит данных.
2. Проектирование — архитектура модели, выбор стека (PyTorch, Hugging Face, Vector DB).
3. Разработка — обучение модели, создание интерфейса, интеграция.
4. Тестирование — A/B-тест на реальных данных, калибровка порогов.
5. Внедрение — развёртывание, обучение персонала, передача документации.

Типичные ошибки при внедрении

• Использование одного AI-детектора как единственного доказательства ведёт к ложным обвинениям.
• Игнорирование разрешённых групповых работ: система должна учитывать контекст.
• Высокий порог сходства (0.8) пропускает перефразирования.

Свяжитесь с нами для предварительной оценки вашего проекта. Получите консультацию инженера и пилотный запуск за 4 недели. Закажите демо-тестирование на ваших данных, чтобы убедиться в точности системы.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.