Комп’ютерна система для перевірки та виправлення помилок в тексті з використанням штучного інтелекту

Abstract

UK: Об’єкт дослідження – процес автоматизованої перевірки та корекції текстових даних українською мовою. Предмет дослідження – методи та засоби підвищення ефективності виявлення граматичних, стилістичних та пунктуаційних помилок з використанням великих мовних моделей. Мета роботи – підвищення ефективності та швидкості автоматизованої перевірки текстів шляхом розробки комп’ютерної системи на основі LLM із використанням методу гранулярного виявлення помилок та структурованого виводу даних. Методи дослідження – аналіз літературних джерел та існуючих аналогів, об'єктно-орієнтоване проєктування, системний аналіз, метод порівняльного експерименту, промпт-інженіринг (Few-Shot, Chain-of-Thought). Результати – розроблено багаторівневу архітектуру обробки помилок та клієнт-серверну вебсистему (Next.js, Python Flask) з інтеграцією моделей GPT-4o та GPT-3.5 Turbo. Реалізовано підхід гранулярного виявлення помилок (Granular Error Detection). Дослідження показало, що розроблена система перевершує аналоги за показниками повноти пошуку (Recall 81.2% у складних сценаріях) та забезпечує високу швидкодію (до 5.08 с для великих текстів). Галузь використання – автоматизація процесів редагування текстів, освітня сфера, ділове листування, створення контенту. EN: The object of research is the process of automated verification and correction of text data in Ukrainian. The subject of research is methods and tools for improving the efficiency of detecting grammatical, stylistic, and punctuation errors using large language models. The purpose of the work is to improve the efficiency and speed of automated text verification by developing a computer system based on LLM using the granular error detection method and structured data output. Research methods: analysis of literature sources and existing analogs, object-oriented design, system analysis, comparative experiment method, prompt engineering (Few-Shot, Chain-of-Thought). Results: a multi-level error handling architecture and a client-server web system (Next.js, Python Flask) with GPT-4o and GPT-3.5 Turbo integration were developed. A Granular Error Detection approach was implemented. Research showed that the developed system outperforms analogs in recall (81.2% in complex scenarios) and ensures high performance (up to 5.08 s for large texts). Field of application: automation of text editing processes, education sector, business correspondence, content creation.