diff --git a/labworks/LW4/report.md b/labworks/LW4/report.md
index 7ab51a1..8598266 100644
--- a/labworks/LW4/report.md
+++ b/labworks/LW4/report.md
@@ -368,13 +368,13 @@ Area under ROC is 0.9304564479999999
 ### Пункт №11. Выводы по результатам применения рекуррентной нейронной сети.
 
 **Выводы по лабораторной работе:**
+
 ```
-Проведённый эксперимент показал, что обученная LSTM-модель эффективно
-справляется с задачей определения тональности текстов. На тестовой
-выборке модель продемонстрировала высокое значение accuracy, а метрики
-precision, recall и f1-score подтвердили хорошее качество классификации
-для обоих классов. ROC-кривая располагается существенно выше диагонали
-случайного классификатора, а AUC ROC близко к 1, что свидетельствует
-о высокой степени разделимости классов. Таким образом, модель обладает
-хорошей обобщающей способностью и подходит для анализа тональности отзывов.
+В ходе выполнения лабораторной работы была построена и обучена рекуррентная нейронная сеть на основе слоя LSTM для решения задачи определения тональности текстов из датасета IMDb. После предварительной обработки данных (приведение длины отзывов к фиксированному размеру и преобразование слов в числовые индексы) модель успешно обучилась классифицировать отзывы на положительные и отрицательные.
+
+По итогам эксперимента качество модели на тестовой выборке составило accuracy ≈ 0.86, что означает, что сеть правильно классифицировала около 86% отзывов. Анализ отчёта о качестве классификации (precision, recall, f1-score) показал, что модель обеспечивает близкие значения метрик для обоих классов.
+
+ROC-кривая модели проходит значительно выше диагонали случайного классификатора, а значение AUC ROC ≈ 0.93 указывает на высокую способность модели различать положительные и отрицательные отзывы.
+
+Таким образом, использование рекуррентной нейронной сети, основанной на LSTM, оказалось эффективным для анализа тональности текста. Модель успешно улавливает зависимости в последовательностях слов и демонстрирует высокое качество классификации. Данная архитектура подходит для практических задач анализа текста, таких как фильтрация отзывов, определение эмоциональной окраски сообщений или анализ пользовательских комментариев.
 ```
\ No newline at end of file