Аңдатпа. Қазіргі трансформерлік модельдер автоматты мәтін генерациясының мүмкіндіктерін едәуір кеңейтіп, жоғарғы оқу орындарында академиялық адалдықты қамтамасыз етуде жаңа сынақтарды туындатты. Дәстүрлі антиплагиат жүйелері студенттің өзіндік жұмысы мен жасанды интеллектпен жасалған материалды ажырата алмайды, сондықтан сенімді автоматты анықтаушылар әзірлеу өзекті болып табылады. Осыған байланысты мақалада студенттік жұмыстардағы ИИ-генерацияланған мәтінді анықтаудың үш негізгі әдісінің салыстырмалы талдауы жүргізілді. Зерттеу нысаны – GPT-2 трансформеріне негізделген алдын ала оқытылған классификатор, CNN-LSTM гибридтік архитектура және классикалық LSTM-моделі. Зерттеу міндеттері: эксперименттік протоколды біріздендіру, деректерді сапалы алдын ала өңдеу және әр тәсілдің есептеу қуаты мен дәлдік талаптарына сәйкес тиімділігін жан-жақты бағалау. Зерттеу әдістемесі алдын ала өңделген студенттік жұмыстар корпусын бірегей токенизация және оптимизация параметрлерімен оқу және тексеру жиынтықтарына бөлу, модельдерді бірнеше эпохада бірдей гиперпараметрлермен дайындау, нәтижелерді дәлдік, қамту және F1-көрсеткіштері бойынша салыстырудан тұрады. Нәтижелер көрсеткендей, трансформерлік детектор ең терең контекстік бейнеленуді қамтамасыз етіп, ең жоғары дәлдік көрсетіп, CNN-LSTM гибриді жылдамдық пен сапаны тиімді теңестірсе, LSTM-моделі GPU-қолдаусыз ортада ресурсты үнемдейтін базалық шешім ретінде оңтайлы екенін дәлелдеді. Қорытындысында авторлар инфрақұрылым талаптарына сәйкес әдісті таңдау маңызды екенін атап, жоғары өнімді GPU серверлері үшін трансформерлік архитектураларды, орта деңгейлі аппараттық платформада гибридтік шешімдерді, ал тек CPU-негізіндегі ортада LSTM-модульдерді қолдануды ұсынады. Практикалық ұсыныс ретінде гибридтік детекторды білім беру платформаларына сараптамалық рецензиямен бірге енгізіп, оқыту дерекқорын үнемі жаңартып отыруды ұсынады.

Түйін сөздер: Терең оқыту, Жасанды интеллектпен жасалған мәтін, Академиялық адалдық, GPT-2, CNN-LSTM гибридтік моделі, LSTM, Мәтінді жіктеу, Трансформерлік модельдер, Гибридтік модельдер.