| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorzinātne un organizāciju tehnoloģijas |
| Nosaukums |
Reāllaikā Ierīcē iebūvēts MI priekš vārdu krājuma apguves multivides patēriņa laikā: algoritmu un potenciālo ieviešanas iespēju salīdzinājums. |
| Nosaukums angļu valodā |
Real-Time On-Device AI for Vocabulary Learning During Media Consumption: Comparison of Algorithms and Potential Implementations. |
| Struktūrvienība |
02C60 Rīgas Biznesa skola |
| Darba vadītājs |
Anatolijs Zencovs |
| Recenzents |
Valdis Saulespurēns |
| Anotācija |
Valodu apguves rīkiem arvien biežāk nepieciešams novērtēt teksta sarežģītību reāllaikā, izmantojot tikai ierīces resursus, lai aizsargātu lietotāja privātumu un nodrošinātu darbību bezsaistē. Pilnvērtīga šāda valodu apguves sistēma apvienotu vairākas komponentes: automātisku runas atpazīšanu, vārdu krājuma sarežģītības novērtēšanu un semantisko meklēšanu. Šis darbs koncentrējas uz vissvarīgāko komponenti personalizētai sarežģītības pielāgošanai, kas ir teikumu sarežģītības līmeņa klasifikācija.
Trīs DeBERTa-v3 saimes modeli (22M, 86M un 304M parametri) tika precīzi pielāgoti ar CEFR līmeņu anotētu angļu valodas teikumu datu kopas, kura satur 10004 ierakstus, palīdzību un salīdzināti ar leksikā balstītu “cefrpy” modeli un esošu ar LoRA metodi pielāgotu modeli. Novērtēšanā izmantoti četri rādītāji: klasiskā precizitāte, makro un svērtā F1 mēri, kā arī precizitāte viena līmeņa robežās. Pēdējā rādītāja izvēli pamato novērojums, ka divi valodas eksperti par precīzu CEFR līmeni vienojās tikai 37,3% gadījumu, bet viņu vērtējumi nekad neatšķīrās vairāk par vienu līmeni.
22M parametru modelis sasniedza 58,3% klasisko precizitāti un 98,2% precizitāti viena līmeņa robežās, kas ir 3% zemāk nekā labākā 86M modeļa klasiskā precizitāte. 304M modelim tika konstatētas pārpielāgošanas pazīmes, kas norāda uz nepietiekami lielu datu kopu. Rezultāti liecina, ka šāda klasifikācija ir iespējama uz mobilajām ierīcēm, izmantojot kompaktu modeli, un ka precizitāte viena līmeņa robežās ir atbilstošāks rādītājs nekā precīzā precizitāte. |
| Atslēgas vārdi |
On-device AI; DeBERTa-v3; TinyML; CEFR; vocabulary difficulty; model compression; NLP; sentence classification; fine-tuning |
| Atslēgas vārdi angļu valodā |
On-device AI; DeBERTa-v3; TinyML; CEFR; vocabulary difficulty; model compression; NLP; sentence classification; fine-tuning |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
20.04.2026 22:02:34 |
