СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ ЗНАНИЙ В ОБЛАСТИ ИНТЕЛЛЕКТУАЛЬНЫХ КОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ

В статье проводится теоретический сравнительный анализ эффективности различных архитектур искусственных нейронных сетей (ИНС) для применения в интеллектуальных системах тестирования знаний. Рассматривается проблема ограниченности традиционных систем оценки, основанных на бинарной логике, и обосновывается целесообразность использования гибридного подхода, сочетающего нейросетевой анализ с аппаратом нечеткой логики для повышения объективности и гибкости оценки. На основе анализа релевантных научных публикаций сопоставляется производительность классических (MLP, CNN), рекуррентных (RNN, LSTM, BLSTM) и трансформерных архитектур в задачах, аналогичных оценке знаний. В результате анализа систематизированы преимущества и недостатки каждой модели, что позволяет теоретически обосновать выбор наиболее перспективной архитектуры для создания точных и интерпретируемых систем автоматизированного контроля знаний.