Ağıllı texniki xidmət üçün səriştə əsaslı təhsil metodologiyası, maşınların vəziyyətinin monitorinqi üsullarını, Internet of Things (IoT) əsaslı uzaqdan monitorinqi və generativ süni intellektlə dəstəklənən nasazlıq diaqnostikasını real mühəndislik tapşırıqları çərçivəsində birləşdirən və tələbələrin bu texnologiyalardan yalnız istifadə edib-etmədiyini deyil, həm də texniki sübutları şərh etmək, müxtəlif məlumat mənbələrini inteqrasiya etmək və süni intellekt çıxışını tənqidi şəkildə yoxlamaq bacarığını qiymətləndirən təhsil çərçivəsidir. Tədqiqat Universidad Autónoma de San Luis Potosí-dəki Industrial Maintenance kursuna yazılmış 31 Mechanical Engineering tələbəsi ilə aparılmış bir qruplu təsviri-kəşfiyyat xarakterli vəziyyət tədqiqatıdır. Təlimə vibrasiya təhlili, infraqırmızı termoqrafiya, akustik monitorinq, IoT əsaslı uzaqdan monitorinq və ChatGPT dəstəkli nasazlıq diaqnostikası daxil edilmişdir. Altı müəllimin analitik rubriklə apardığı qiymətləndirmədə Ağıllı Texniki Xidmət üzrə Qlobal Səriştə İndeksi (GCIIM) %72,86 olmuş; süni intellektin tənqidi qiymətləndirilməsi ən yüksək, nasazlıq diaqnostikası isə ən aşağı orta səriştə balını vermişdir. Bununla belə, ilkin test və nəzarət qrupu olmadığından bu nəticələr metodologiyanın tələbələrdə nə qədər inkişaf yaratdığını və ya müşahidə olunan profilin birbaşa təhsil müdaxiləsindən qaynaqlandığını göstərmir.

Tədqiqatın fərqləndirici xüsusiyyəti generativ süni intellekti müstəqil cavab maşını kimi deyil, eksperimental sübutla sınaqdan keçirilməli diaqnostik dəstək kimi yerləşdirməsidir. Tələbələr ChatGPT-nin yaratdığı ilkin nasazlıq diaqnozunu vibrasiya, termoqrafiya, akustik və IoT məlumatları ilə müqayisə etmiş, mümkün səhvləri müəyyənləşdirmiş və tövsiyələrin texniki etibarlılığını özləri qiymətləndirmişlər.

Tələbə performansı doqquz səriştə sahəsində ölçülmüşdür. Süni intellektin tənqidi qiymətləndirilməsi 3,45 ± 0,99 ilə ən yüksək orta göstəriciyə çatdığı halda, nasazlıq diaqnostikası 2,97 ± 1,17 ilə ən aşağı nəticəni vermişdir. Texniki kommunikasiya və texnoloji uyğunlaşma qabiliyyəti də inkişaf etdirilməli sahələr arasında olmuşdur.

Tələbələrin sorğu vasitəsilə bildirdiyi ümumi qavrayış %75,04 ilə müsbət görünsə də, performansa əsaslanan GCIIM ilə tələbə qavrayışı arasında mənalı əlaqə tapılmamışdır (\(\rho=-0.040\), \(p=0.833\)). Bu nəticə tələbənin texnologiya barədə müsbət qavrayışının və ya özünü hazır hiss etməsinin həmin tələbənin real mühəndislik tapşırığında nümayiş etdirdiyi səriştəyə bərabər olmadığını göstərir.

Ağıllı texniki xidmət niyə yeni növ mühəndislik səriştələri tələb edir?

Industry 4.0 ilə texniki xidmət mühəndisliyi yalnız nasazlıq baş verdikdə hissəni dəyişdirən və ya dövri servis cədvəlini tətbiq edən fəaliyyətdən uzaqlaşır. Sensorlar, IoT infrastrukturları, davamlı vəziyyət monitorinqi və məlumat analitikası sayəsində avadanlığın fiziki vəziyyəti işləmə zamanı izlənə və texniki xidmət qərarları müşahidə olunan məlumatlara əsaslandırıla bilər.

Bu transformasiya mühəndisdən yalnız vibrasiya və ya temperaturu ölçməyi deyil, müxtəlif fiziki siqnalları birlikdə şərh etməyi, uzaqdan gələn məlumatın etibarlılığını qiymətləndirməyi, potensial nasazlıq mexanizmlərini ayırd etməyi və texniki qərarını izah edə bilməyi tələb edir.

Generativ süni intellektin bu mühitə daxil olması əlavə səriştə qatını yaradır. AI sistemi texniki baxımdan inandırıcı görünən, lakin fiziki sübutla uyğun gəlməyən izah yarada bilər. Buna görə mühəndislik təhsilində kritik sual yalnız “tələbə ChatGPT-dən istifadə edə bilirmi?” deyil. Əsas sual “tələbə ChatGPT-nin tövsiyəsini ölçülmüş mühəndislik sübutu ilə doğrulaya bilirmi?” formasına çevrilir.

Ağıllı Texniki Xidmət Təhsilində Səriştə Əsaslı Yanaşma Nədir?

Bu tədqiqatdakı səriştə əsaslı yanaşma tələbənin yalnız mövzu biliyinə malik olduğunu fərz etmək əvəzinə vibrasiya, termoqrafiya, akustik monitorinq, IoT məlumatları, nasazlıq diaqnostikası, məlumatların inteqrasiyası, süni intellektin qiymətləndirilməsi, texniki kommunikasiya və texnoloji uyğunlaşma qabiliyyəti kimi doqquz sahədə müşahidə edilə bilən mühəndislik performansı göstərməsini və həmin performansın ümumi analitik rubriklə qiymətləndirilməsini əsas götürür.

Tədqiqatın ədəbiyyat boşluğu

Mənbə tədqiqat Engineering Education 4.0, smart maintenance, IoT və generativ süni intellekt üzrə genişlənən ədəbiyyatın olmasına baxmayaraq, bu sahələrin əsasən ayrı-ayrılıqda araşdırıldığını bildirir. Xüsusilə vəziyyət monitorinqini, IoT-ni, generativ süni intellekti və səriştə əsaslı performans qiymətləndirilməsini eyni təhsil ardıcıllığında birləşdirən empirik metodologiyalara dair sübutlar məhduddur.

Tədqiqat bu boşluğu tələbələrin həm nümayiş etdirdiyi performansı, həm də təhsil təcrübəsinə dair öz-bildirişlərini eyni tədqiqat daxilində qiymətləndirən inteqrasiya olunmuş çərçivə ilə araşdırır.

Tədqiqat dizaynı niyə səbəb-nəticə əlaqəsi qurmur?

Tədqiqat yalnız təhsil prosesinin sonundakı vəziyyəti qiymətləndirmişdir. Eyni tələbələrin ilkin GCIIM balları məlum deyil və oxşar tələbələrdən ibarət ayrıca nəzarət qrupu yoxdur.

Buna görə aşağıdakı nəticələr çıxarıla bilməz:

• “GCIIM təhsildən əvvəl X idi, təhsildən sonra %72,86 oldu.”
• “Metodologiya səriştəni müəyyən faiz artırdı.”
• “ChatGPT-dən istifadə tələbələrin tənqidi düşünməsini birbaşa inkişaf etdirdi.”

Mənbənin dəstəklədiyi daha məhdud ifadə belədir: Bu təhsil fəaliyyətlərində iştirak edən 31 tələbənin müdaxilədən sonrakı nümayiş etdirilmiş ağıllı texniki xidmət səriştə profili orta hesabla %72,86 səviyyəsindədir və müxtəlif səriştə sahələri arasında aydın profil fərqləri vardır.

İştirakçılar və dərsin quruluşu

Beş tətbiqi təhsil modulu

Tətbiqi modulların ümumi müddəti təxminən 16 təmas saatıdır. İki müəllim tərəfindən aparılan fəaliyyətlərdə bütün komandalar eyni cihazlardan, vəziyyət tədqiqatlarından və məlumat dəstlərindən istifadə etmişdir.

Vibrasiya təhlili necə tətbiq edildi?

Tələbələr Manufacturing Laboratory daxilində torna, frez, qazma, dəzgah daşlama və üfüqi lent mişarı kimi maşınlarda TIME7230 portativ vibrasiya analizatorundan istifadə etmişlər.

Təhlildə xüsusilə 1×, 2× və 3× xarakterik tezlik komponentləri və harmoniklər araşdırılmışdır. Tələbələr bu siqnalları balanssızlıq, ox uyğunsuzluğu, mexaniki boşluq, qeyri-kafi yağlama, podşipnik qüsurları və transmissiya problemləri kimi mümkün nasazlıq mexanizmləri ilə əlaqələndirmişlər.

Tələbənin çıxışı yalnız ölçmə cədvəli deyil, diaqnostik qiymətləndirmə və texniki xidmət tövsiyəsi daxil olan texniki hesabatdır.

İnfraqırmızı termoqrafiya necə istifadə edildi?

Termoqrafik yoxlamalarda FLK-TiS20+ termal kamera istifadə edilmişdir. Kamera 9 Hz görüntüləmə xüsusiyyətinə malikdir. Mühərriklər, podşipniklər, elektrik panelləri, vallar və transmissiya sistemləri araşdırılmışdır.

Tələbələr həddindən artıq qızma, sürtünmə, qeyri-kafi yağlama, elektrik yüklənməsi və soyutma problemləri ilə əlaqəli temperatur paylanmalarını araşdırmış; termoqramları, nöqtə temperatur qiymətlərini, diaqnostik şərhi və texniki xidmət tövsiyəsini standart hesabatda təqdim etmişlər.

Akustik monitorinq necə aparıldı?

Akustik modulda CA 1310 Class 2 integrating sound level meter istifadə edilmişdir. Emalatxana maşınlarında əvvəlcədən müəyyən edilmiş nöqtələrdə səs təzyiqi səviyyələri ölçülmüş; başlanğıc iş şəraitinin müəyyənləşdirilməsi və mexaniki aşınma, ox uyğunsuzluğu, yağlama çatışmazlığı, boşluq və ya istismar problemləri ilə əlaqəli ola bilən anomaliyaların müəyyən edilməsi hədəflənmişdir.

IoT əsaslı uzaqdan monitorinq sistemi

IoT tətbiqi təzyiq, sərf, gərginlik, cərəyan və güc sensorları ilə təchiz edilmiş piko-hidravlik sistem üzərində aparılmışdır. Monitorinq stansiyası Arduino UNO R3 əsaslıdır və Arduino IoT Cloud platformasına qoşulmuşdur.

Tələbələr sistemi fərdi kompüter, planşet və ya ağıllı telefondan uzaqdan izləyə bilmişlər. Microsoft Teams vasitəsilə eyni vaxtda canlı avadanlıq görüntüsü təmin edilmişdir.

İzlənən dəyişənlər arasında \(Q_1\) və \(Q_2\) sərfləri, \(P_3\) təzyiqi, generator gərginliyi, elektrik cərəyanı və hesablanmış güc çıxışı vardır.

Sensor məlumatları 30 saniyəlik intervallarla ötürülmüşdür. Tələbələr hidravlik və elektrik dəyişənlərinin zaman üzrə meyllərini izləmiş, iş şəraitini şərh etmiş və məlumatları texniki xidmət qərarları ilə əlaqələndirmişlər.

ChatGPT Bu Tədqiqatda Necə İstifadə Edildi?

ChatGPT tələbələrin əvəzinə son nasazlıq qərarı verən sistem kimi deyil, vibrasiya, termoqrafiya, akustik və IoT sübutlarından ilkin nasazlıq diaqnozu yaratmaq üçün istifadə olunan qərar-dəstək vasitəsi kimi tətbiq edilmiş; tələbələr GPT-4o çıxışını eksperimental sübutla müqayisə etmək, səhvləri və ya məhdudiyyətləri müəyyənləşdirmək və yalnız texniki olaraq doğrulaya bildikləri tövsiyələri qəbul etmək məcburiyyətində olmuşlar.

AI fəaliyyətinin standartlaşdırılması

Bütün tələbələr 6 iyun 2025 tarixində ChatGPT veb interfeysindəki GPT-4o modeli ilə işləmişdir. Tədqiqatçılar bütün iştirakçılara eyni standart promptu vermişdir. Prompt Supplementary Material S1-də ayrıca yayımlanmışdır.

Veb interfeysində temperature, top-p və seed kimi generation parametrləri istifadəçi tərəfindən tənzimlənə bilmədiyinə görə tədqiqat onları standartlaşdırmamış və ya qeydə almamışdır.

Hər tələbə alətlə yalnız bir qarşılıqlı əlaqə aparmışdır. Buna görə bu tədqiqat:

• iterativ prompting,
• prompt refinement,
• chain-of-thought tipli çoxaddımlı istifadəçi qarşılıqlı əlaqəsi,
• müxtəlif generativ AI modellərinin müqayisəsi

üzrə eksperiment deyil.

AI dəstəkli diaqnostika axını

1. Texniki xidmət üzrə vəziyyət tədqiqatı: Avadanlıq məlumatları, nasazlıq əlamətləri və əməliyyat məlumatları araşdırılır.
2. Promptun hazırlanması: Tələbə texniki vəziyyət məlumatlarını generativ AI aləti üçün uyğun sorğuya çevirir.
3. AI dəstəkli diaqnostik təhlil: Modelin yaratdığı potensial səbəblər və tövsiyələr araşdırılır.
4. AI çıxışının tənqidi qiymətləndirilməsi: Tövsiyələr ölçmə və eksperimental sübutla doğrulanır; səhvlər və ya məhdudiyyətlər müəyyən edilir.
5. Texniki hesabat: Tələbə öz mühəndislik nəticəsini və texniki xidmət tövsiyəsini əsaslandırır.

Bu axının kritik pedaqoji nöqtəsi dördüncü addımdır. Tələbədən AI çıxışını yalnız yenidən yazmaq deyil, ona qarşı mühəndislik sübutundan istifadə etmək tələb olunur.

Tədqiqat həmçinin tələbələrin ChatGPT-yə şəxsi, akademik və ya şəxsiyyəti müəyyən edən məlumat daxil etmədiyini bildirir. Qarşılıqlı əlaqə yalnız standart texniki xidmət halları və təhsil fəaliyyətlərində yaradılmış texniki məlumatlarla məhdudlaşdırılmışdır.

Səriştənin qiymətləndirilməsi necə aparıldı?

Hər tələbə tətbiqlərdən sonra fərdi texniki hesabat hazırlamışdır. Adlar və şəxsiyyəti müəyyən edən məlumatlar çıxarılmış; hesabatlar RRF2_1–RRF2_31 formasında anonim iştirakçı kodlarına çevrilmişdir.

Sənaye texniki xidməti sahəsində ixtisaslaşmış altı müəllim eyni analitik rubrikdən istifadə edərək hesabatları bir-birindən müstəqil qiymətləndirmişdir.

Hər səriştə beş ikili göstəriciyə əsaslanmışdır. “Meyar qarşılandı” 1, “qarşılanmadı” 0 bal kimi qiymətləndirilmişdir. Beləliklə hər səriştə 0–5, doqquz səriştənin cəmi isə 0–45 aralığındadır.

GCIIM Nədir və Nəyi Ölçür?

Global Competency Index for Smart Maintenance (GCIIM), doqquz ağıllı texniki xidmət səriştəsinin bərabər çəkili rubrik ballarını vahid 0–45 ümumi bala və ona uyğun faiz göstəricisinə birləşdirən təsviri indeksdir; tədqiqat daxilində tələbələrin nümayiş etdirdiyi performans profilini xülasə edir, lakin müstəqil şəkildə doğrulanmış beynəlxalq səriştə standartı deyil.

GCIIM hesablanma məntiqi

Mənbədə təsvir olunan ballama quruluşu riyazi olaraq belə ifadə edilə bilər:

\[ GCIIM_{\mathrm{puan}}=\sum_{j=1}^{9}C_j \]

Burada \(C_j\), doqquz səriştənin hər biri üçün 0–5 aralığında qiymətləndirici-orta balıdır.

Ümumi maksimum dəyər:

\[ 9\times5=45 \]

olduğuna görə faiz qarşılığı:

\[ GCIIM_{\%}= \frac{GCIIM_{\mathrm{puan}}}{45}\times100 \]

formasındadır.

Bütün səriştələrə bərabər çəki verilmişdir. Müəlliflər bunun bütün sahələrin peşəkar baxımdan eyni dərəcədə vacib olduğunun sübutu olmadığını; kəşfiyyat xarakterli tədqiqatda fərqli çəkiləri dəstəkləyəcək empirik və ya nəzəri əsas olmadığından şəffaf və müqayisə edilə bilən həll seçildiyini bildirirlər.

GCIIM sinifləri

Bu kateqoriyalar əvvəllər doğrulanmış ağıllı texniki xidmət səriştə çərçivəsindən, milli ixtisas standartından və ya universitetin rəsmi qiymətləndirmə sistemindən götürülməmişdir. Onlar yalnız mövcud kəşfiyyat xarakterli tədqiqatda nəticələri təsvir etmək üçün müəlliflər tərəfindən yaradılmışdır.

Tələbə qavrayışı necə qiymətləndirildi?

Təhsilin sonunda tələbələr 22 maddədən ibarət və 1 “qətiyyən razı deyiləm” ilə 5 “tamamilə razıyam” arasında ballanan sorğunu cavablandırmışdır.

Sorğu müəlliflər tərəfindən təhsildə hədəflənən səriştələr və əlaqəli ədəbiyyat əsasında hazırlanmış, məzmun uyğunluğu və aydınlıq baxımından eyni altı mütəxəssis tərəfindən nəzərdən keçirilmişdir. Bütün iştirakçıların ana dili ispan dili olduğuna görə sorğu ispan dilində tətbiq edilmiş və tərcüməyə ehtiyac olmamışdır.

Ümumi qavrayış balının faizə çevrilməsi:

\[ Algı_{\%}= \frac{\overline{x}_{22}}{5}\times100 \]

məntiqi ilə aparılmışdır. Burada \(\overline{x}_{22}\), 22 maddənin orta Likert balıdır. Mənbə heç bir sorğu cavabının çatışmadığını bildirir.

Sorğunun etibarlılığı

Müəlliflər McDonald's omega əmsalını əsas daxili uyğunluq göstəricisi kimi qiymətləndirmişlər. 0,70 dəyəri ümumi qəbul edilə bilənlik bələdçisi kimi istifadə edilmiş, statistik əhəmiyyət həddi kimi qəbul edilməmişdir.

Rəqəmsal səriştələr və süni intellekt ölçülərinin Cronbach alpha dəyərləri 0,70-dən aşağı olsa da, omega dəyərləri 0,70-dən yuxarıdır. Bununla belə, nümunə yalnız 31 tələbədən ibarət olduğuna və sorğu hərtərəfli formal psixometrik doğrulamadan keçmədiyinə görə bütün etibarlılıq əmsalları kəşfiyyat xarakterində şərh edilməlidir.

Tələbənin Özünü Səriştəli Hiss Etməsi Real Performansla Eyni Şeydirmi?

Xeyr; bu nümunədə performansa əsaslanan GCIIM ilə tələbələrin 22 maddəlik sorğudakı ümumi qavrayış balı arasında mənalı əlaqə tapılmamışdır (\(\rho=-0.040\), \(p=0.833\), \(n=31\)); buna görə müsbət texnologiya qavrayışı, motivasiya və ya peşəkar əhəmiyyət barədə məlumatlılıq real mühəndislik tapşırığında nümayiş etdirilmiş səriştənin birbaşa göstəricisi kimi istifadə edilə bilməz.

Niyə iki ölçmə bir-birindən ayrılmalıdır?

Analitik rubrik tələbənin hazırladığı texniki hesabat və mühəndislik performansına əsaslanır. Tələbə qavrayışı sorğusu isə tələbənin texnologiyalar, öz hazırlığı və gələcək peşəkar tələblər barədə öz-bildirişini ölçür.

Hər iki ölçmə faizə çevrilsə də:

• eyni şkaladan istifadə etmir,
• eyni psixoloji və ya təhsil konstruktunu ölçmür,
• bir-birinin əvəzinə istifadə edilə bilməz.

Xüsusilə “gələcək peşəkar çətinliklər” ölçüsündəki yüksək balların hamısı müsbət öz-yetərlilik demək deyil; bəzi maddələr tələbənin gələcəkdə daha çox hazırlaşmalı olduğunu qəbul etməsini ifadə edir.

Tədqiqatın Metodu və Nəticələri

Beş mərhələli ümumi tədqiqat prosesi

1. Hazırlıq fəaliyyətləri,
2. ağıllı texniki xidmət tətbiqlərinin həyata keçirilməsi,
3. texniki hesabatlar və analitik rubrik vasitəsilə səriştənin qiymətləndirilməsi,
4. tələbə qavrayışı sorğusunun tətbiqi,
5. təsviri statistik təhlil.

İstifadə olunan əsas ölçmə və monitorinq vasitələri

Doqquz səriştənin kəmiyyət nəticələri

Nasazlıq diaqnostikası niyə daha çətin görünür?

Vibrasiya və ya termoqrafiyanın şərhi müəyyən ölçmə növündə nümunəni tanımağa fokuslana bilər. Buna qarşılıq real nasazlıq diaqnostikası müxtəlif məlumat mənbələrini birləşdirməyi, səbəb-nəticə əlaqəsi qurmağı, alternativ izahları qiymətləndirməyi və texniki xidmət qərarını texniki cəhətdən müdafiə etməyi tələb edir.

Mənbənin müzakirə hissəsində nasazlıq diaqnostikasının daha yüksək idrak mürəkkəbliyi ehtiva etməsinin aşağı orta bala töhfə verə biləcəyi bildirilir. Bu şərh tədqiqatda birbaşa eksperimental olaraq ayrılmış mexanizm deyil; nəticələrin pedaqoji izahıdır.

GCIIM nəticələri

Orta və yüksək kateqoriyalar birlikdə tələbələrin təxminən %77-sini təşkil edir. Lakin bu nisbət doğrulanmış xarici ixtisas standartına çatan tələbələrin nisbəti deyil; müəlliflərin kəşfiyyat xarakterli təsnifatına əsasən təsviri paylanmadır.

Qiymətləndiricilərarası etibarlılıq

Bu əmsallar ümumi rubrik balları üçün qiymətləndiricilər arasında çox yüksək uyğunluğa işarə edir. Bununla belə, qiymətləndirmədən əvvəl formal kalibrləmə/təlim sessiyası və ya korlama aparılmamışdır. Bundan əlavə, ICC doqquz səriştənin hər bir göstərici səviyyəsində deyil, 0–45 ümumi bal üzrə hesablanmışdır.

Tələbələrin dörd qavrayış ölçüsündə nəticələri

Ən yüksək dəyər gələcək peşəkar çətinliklər ölçüsündədir. Bu nəticə tələbələrin smart maintenance, Industry 4.0 və süni intellektin gələcək mühəndislik praktikasındakı əhəmiyyətini güclü şəkildə qəbul etdiyini göstərir.

Ən aşağı ölçü texniki səriştə qavrayışıdır. Bu, tələbələrin texniki sahədə hələ də inkişaf ehtiyacı hiss etdiyini düşündürür.

Nümayiş etdirilmiş səriştə ilə qavrayış arasındakı əlaqə

\(p=0.833\), standart 0,05 əhəmiyyət yanaşmasına görə mənalı əlaqənin olmadığını göstərir. Korrelyasiya əmsalının da sıfıra çox yaxın olması bu nümunədə qeyri-xətti sıralı əlaqənin praktik baxımdan da çox zəif olduğunu göstərir.

Bu nəticə “qavrayışla səriştə heç vaxt əlaqəli deyil” formasında ümumiləşdirilə bilməz. Yalnız bu 31 tələbəlik nümunə və istifadə olunan iki ölçmə vasitəsi üçün mənalı əlaqə müşahidə edilmədiyini bildirir.

Tədqiqatın dəstəklədiyi nəticələr

• Vəziyyət monitorinqini, IoT-ni, generativ AI-ni və performans əsaslı qiymətləndirməni vahid təhsil ardıcıllığında birləşdirmək həyata keçirilə bilən görünür.
• İştirakçı tələbələrin müdaxilədən sonrakı orta GCIIM dəyəri %72,86-dır.
• Süni intellekt çıxışının tənqidi qiymətləndirilməsi doqquz səriştə arasında ən yüksək orta göstəriciyə malikdir.
• Nasazlıq diaqnostikası, texniki kommunikasiya və texnoloji uyğunlaşma qabiliyyəti nisbətən zəif sahələrdir.
• Altı qiymətləndiricinin ümumi rubrik ballarında çox yüksək ICC etibarlılığı əldə edilmişdir.
• Tələbələr smart maintenance, Industry 4.0 və AI-nin peşəkar əhəmiyyətini ümumən müsbət qiymətləndirmişlər.
• Nümayiş etdirilmiş performans ilə öz-bildiriş qavrayışı bu nümunədə mənalı şəkildə əlaqəli deyil.
• AI-nin tələbə qərarını əvəz etmək əvəzinə eksperimental sübutla doğrulanmalı dəstək vasitəsi kimi istifadə edilməsi tədqiqatın mərkəzi pedaqoji dizayn prinsipidir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Metodologiyanın tələbələrin səriştələrini %72,86 artırdığı deyilə bilməz.
• ChatGPT-dən istifadənin təkbaşına tənqidi düşünməni artırdığı səbəb-nəticə baxımından göstərilməmişdir.
• Nəticələr bütün mühəndislik tələbələrinə və ya bütün universitetlərə birbaşa ümumiləşdirilə bilməz.
• GCIIM aşağı/orta/yüksək kateqoriyaları beynəlxalq səviyyədə doğrulanmış peşəkar səriştə hədləri deyil.
• %75,04 ümumi qavrayış balı nümayiş etdirilmiş mühəndislik səriştəsi demək deyil.
• Yüksək ICC dəyərləri rubrikin bütün göstəricilərinin formal psixometrik keçərliliyini sübut etmir.
• Tək GPT-4o qarşılıqlı əlaqəsi müxtəlif modellərin, prompt strategiyalarının və ya uzunmüddətli AI istifadəsinin təsiri barədə nəticə vermir.
• Tədqiqatda real sənaye iş yerində məzun performansı ölçülməmişdir.

Məhdudiyyətlər

Kiçik və tək qurumlu nümunə: Tədqiqat bir universitetdəki 31 tələbədən ibarət vahid intact cohort üzərində aparılmışdır.

İlkin testin olmaması: Tələbələrin təhsildən əvvəlki ilkin səriştə səviyyəsi ölçülməmişdir.

Nəzarət qrupunun olmaması: Eyni dövrdə metodologiyanı almayan müqayisə edilə bilən tələbə qrupu yoxdur.

Səbəb-nəticə məhdudiyyəti: Bu dizayn təhsil metodologiyasının müşahidə olunan nəticələrə səbəb olduğunu sübut edə bilməz.

Qiymətləndirici proseduru: ICC yüksək olsa da, formal evaluator training, calibration və ya blinding aparılmamışdır.

ICC həlli: Etibarlılıq təhlili rubrikin ayrı-ayrı beş meyarı və ya doqquz səriştəsi səviyyəsində deyil, ümumi 0–45 bal üzrə aparılmışdır.

Sorğunun psixometrik vəziyyəti: Sorğu mütəxəssis baxışından keçsə də, hərtərəfli formal psixometrik validasiya aparılmamışdır və \(n=31\) etibarlılıq qiymətləndirmələri üçün kiçikdir.

AI şərti: Tək model, tək standart prompt və tək istifadəçi qarşılıqlı əlaqəsi istifadə edilmişdir. Iterativ prompting, prompt refinement və ya başqa LLM-lərlə müqayisə aparılmamışdır.

Gələcək tədqiqat istiqamətləri

Mənbə daha böyük nümunələrdə, fərqli mühəndislik proqramlarında və bir neçə ali təhsil müəssisəsində doğrulama təklif edir.

Longitudinal tədqiqatlar və müqayisə qrupları səriştələrin zamanla həqiqətən necə dəyişdiyini yoxlamaq üçün lazımdır.

Müxtəlif süni intellekt qarşılıqlı əlaqə strategiyalarının diaqnostik mühakiməyə təsiri ayrıca araşdırılmalıdır. Birdəfəlik standart prompt əvəzinə çoxmərhələli qarşılıqlı əlaqələrin, fərqli modellərin və ya fərqli doğrulama prosedurlarının nəticələri hələ məlum deyil.

Real sənaye mühitlərində performans müşahidələri, learning portfolio, birbaşa performans müşahidəsi və real texniki xidmət ssenarilərində qiymətləndirmələr də mövcud rubrik və sorğunu tamamlaya biləcək üsullar kimi təklif edilir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: A Competency-Based Educational Methodology for Smart Maintenance: Integrating Condition Monitoring, IoT, and Generative Artificial Intelligence

Müəlliflər: Pedro Cruz-Alcantar; Rafael A. Figueroa-Diaz; Antonio J. Balvantín-García; Sergio Raúl Rojas-Ramírez; Oscar Alejandro García-Pérez; Isaac Compeán-Martinez; María Cruz del Rocío Terrones-Gurrola.

Məsul müəllif: María Cruz del Rocío Terrones-Gurrola.

Qurumlar: Unidad Académica Multidisciplinaria Región Altiplano, Universidad Autónoma de San Luis Potosí; Department of Electrical and Electronic Engineering, Sonora Institute of Technology; Department of Mechanical Engineering, University of Guanajuato; Office of Graduate Studies, Universidad Aeronáutica en Querétaro.

Jurnal: Education Sciences.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Education Sciences 2026, 16(8), 1287.

DOI: 10.3390/educsci16081287

Mənbə növü: Rəyçilər tərəfindən qiymətləndirilmiş tədqiqat məqaləsi; təsviri-kəşfiyyat xarakterli təhsil vəziyyət tədqiqatı.

Akademik redaktorlar: Jordi Mogas Recalde və Vanessa Esteve-González.

Qəbul tarixi: 3 iyul 2026.

Reviziya: 4 avqust 2026.

Qəbul: 8 avqust 2026.

Nəşr: 12 avqust 2026.

Lisenziya: Creative Commons Attribution (CC BY).

Nümunə: 31 Mechanical Engineering tələbəsi; 21–24 yaş; 24 kişi və 7 qadın.

Təhsil konteksti: 16 həftəlik Industrial Maintenance dərsi; beş tətbiqi smart-maintenance modulu.

AI platforması: ChatGPT, GPT-4o; 6 iyun 2025; bütün tələbələr üçün standart prompt və tək qarşılıqlı əlaqə.

Performans qiymətləndirilməsi: Doqquz səriştə, hər səriştə üçün beş ikili meyar, maksimum 45 ümumi bal; altı müstəqil müəllim qiymətləndirici.

Tələbə qavrayışı: Dörd ölçüdə 22 maddəlik, beş ballı Likert sorğusu.

Statistika: Tezlik, faiz, orta, standart sapma; qiymətləndiricilərarası ICC; McDonald's omega; Cronbach's alpha; GCIIM ilə ümumi qavrayış üçün Spearman rank correlation.

Proqram təminatı: IBM SPSS Statistics version 21.

Əlavə materiallar: S1 standart AI promptu; Table S1 nümunə AI dəstəkli diaqnostika və doğrulama prosesi; Table S2 tam analitik rubrik; Table S3 qavrayış sorğusu; Table S4 maddə səviyyəsində qavrayış statistikaları.

Maliyyələşdirmə: Tədqiqatın xarici maliyyələşdirmə almadığı bildirilmişdir.

Etika: Yetkin universitet tələbələrinin rutin dərs fəaliyyətlərindən yaranan anonimləşdirilmiş qeydlərin istifadə edildiyi minimal-risk təhsil tədqiqatı kimi formal Institutional Review Board qiymətləndirilməsindən azad edilmişdir. İnstitusional azadolma məktubunun iyul 2026-da verildiyi bildirilmişdir. Tələbələrə tədqiqat məqsədli istifadə açıqlanmış, iştirak könüllü olmuş və anonim dərs işlərinin tədqiqatda istifadəsinə şifahi razılıq alınmışdır. Yazılı məlumatlandırılmış razılıqdan azad edilmişdir.

Məlumatların əlçatanlığı:Nəticələri dəstəkləyən məlumatların əsaslandırılmış sorğu əsasında məsul müəllifdən əldə edilə biləcəyi bildirilmişdir.

Maraqlar toqquşması:Müəlliflər maraqlar toqquşması bildirməmişlər.

Müəllif töhfələri: Konseptuallaşdırma Pedro Cruz-Alcantar və María Cruz del Rocío Terrones-Gurrola; metod Pedro Cruz-Alcantar, Rafael A. Figueroa-Diaz və Antonio J. Balvantín-García; doğrulama Sergio Raúl Rojas-Ramírez və Oscar Alejandro García-Pérez; ilkin layihə Pedro Cruz-Alcantar; nəzərdən keçirmə və redaktə Pedro Cruz-Alcantar, Isaac Compeán-Martinez və María Cruz del Rocío Terrones-Gurrola tərəfindən aparılmışdır. Bütün müəlliflərin nəticələrin müzakirəsinə və məqalənin hazırlanmasına töhfə verdiyi bildirilmişdir.

Əsas metodoloji məhdudiyyət: Bu tədqiqat bir qruplu, bir qurumlu, 31 tələbəlik və yalnız müdaxilədən sonrakı qiymətləndirməni əhatə edən təsviri-kəşfiyyat xarakterli vəziyyət tədqiqatıdır. İlkin test, nəzarət qrupu və longitudinal izləmə olmadığı üçün təhsil metodologiyasının səbəb-nəticə təsiri və ya səriştə dəyişiminin ölçüsü müəyyən edilə bilməz. AI fəaliyyəti tək GPT-4o qarşılıqlı əlaqəsi ilə məhdudlaşdırılmışdır və sorğu hələ hərtərəfli formal psixometrik doğrulamadan keçməmişdir.