Bu tədqiqat, rüzgâr türbini istehsali gibi yapışdırma teknolojisinin daha yaygın ve deneyimli biçimde kullanıldığı sektörlerdeki bilginin, büyük dəniz konstruksiyalarının üretildiği tərsanəlere nasıl aktarılabileceğini tartımmaktadır. Tədqiqatçılar, fərqli eğitim ve deneyim düzeylerine sahip tərsanə çalışanlarına eyni sabit içeriği sunmak yerine, istifadəçinin ön bilgisine ve verdiği kararlara göre değişebilen vaka əsaslı bir ağıllı tədris sistemi geliştirmeyi önermektedir.

Önerilen sistemin merkezinde, real veya gerçekçi bir iş durumunu öyküleştiren eğitim vakaları mövcuddur. Kullanıcıya bir yapışdırma problemi, fotoğraf, işlem bilgisi veya hasar örneği sunulmakta; istifadəçidan olası nedeni ya da izlenecek növbəti adımı seçmesi istenmektedir. Sistem, istifadəçinin verdiği cevaba göre izah, ek bilgi, düzeltme ve alınabilecek əks tədbirleri uyğunlaşa bilən biçimde gösterecektir.

Tədqiqat, klasik ağıllı tədris sistemi yapısını böyük dil modelləriyle birleştirmeyi planlamaktadır. Ənənəvi sistemde alan bilgisi, öyrənən modeli, öğretim süreci ve istifadəçi arayüzü gibi aydın bileşenler bulunurken; böyük dil modelinin texniki belgeler, araştırma makaleleri, kılavuzlar ve uzman görüşleri gibi dağınık kaynakları analiz ederek yapışma alanına ait bir bilgi ontolojisi oluşturması düşünülmektedir. Açıklanabilir süni intellektnın ise sistemin verdiği açıklamaların hangi bilgi yapısına dayandığını izlenebilir hâle getirmesi hedeflenmektedir.

Makaledeki örnek vaka, bindirmeli kayma deneyinde görülen adezif qırılmayı ele almaktadır. Kullanıcıdan səth təmizliyi, yapışdırıcının kullanım süresi, material uyğunluğu ve sınaq hızı gibi seçenekler arasından olası hata nedenlerini belirlemesi istenmektedir. Düzgün ve yanlış cevaplara fərqli açıklamalar verilmesi, gerektiğinde səth təmizliyi, aşındırma, plazma emalı veya astar tətbiqi gibi əks tədbirlerin önerilmesi planlanmaktadır.

Tədqiqat bir sistem tasarım önerisi ve devam eden proje açıklamasıdır. Eğitim aracının programlanması, tərsanəye özgü bilik bazasının tamamlanması ve fərqli istifadəçi gruplarıyla dəyərlendirilmesi henüz sonuçlandırılmamıştır. Buna görə tədqiqat, süni intellekt destekli eğitimin öğrenme başarısını artırdığını gösterçıxış ucluğukte; böyle bir sistemin nasıl yapılandırılabileceğine ilişkin kavramsal bir yol haritası sunmaktadır.

Araştırmanın ele aldığı əsas problem

Yapıştırma teknolojisi çok sayıda sektörde kullanılmasına rağmen, eyni bilgi fərqli istehsal alanlarına doğrudan aktarılamamaktadır. Rüzgâr türbini parçalarının istehsalinde edinilen yapışdırma deneyimi ilə büyük gemi ve dəniz konstruksiyalarının istehsal ortamı arasında malzeme, geometri, tədqiqat alanı, işlem sırası, kalite güvencesi ve istehsal kültürü bakımından mühüm farklılıklar mövcuddur.

Tersanelerde büyük metal yapıların birleştirilmesinde ənənəvi kimi kaynak yöntemleri baskındır. Yapıştırma teknolojisine geçildiğinde çalışanların yalnız yeni bir malzemenin kullanımını öğrenmesi yeterli değildir. Aşağıdakı konuların birlikte anlaşılması gərəkdir:

• Yüzeylerin nasıl hazırlanacağı,
• Hangi yapışdırıcının hangi altlıkla uyumlu olduğu,
• Karıştırma, uygulama ve bərkimə sürelerinin nasıl yönetileceği,
• Temperatur, nem ve kirlenme gibi çevresel koşulların etkisi,
• İşlem adımlarının hangi sırayla uygulanacağı,
• Bağlantı hatalarının ve qırılma türlerinin nasıl tanınacağı,
• Kalite kontrol ve düzeltici işlem kararlarının nasıl verileceği.

Bu bilgi yalnız “ne olduğu” şeklindeki tanımsal bilgilerden oluşmamaktadır. “Ne zaman, hangi sırayla ve nasıl yapılacağı” biçimindeki süreç bilgisi de eğitim kapsamına girmektedir. Tədqiqatçılar bu nedenle yapışma bilgisini iki ana türde ele almaktadır:

• Deklaratif bilgi: Malzemeler, kimyəvi maddeler, səthler, özellikler ve kurallar hakkındaki bilgiler.
• Prosedürel bilgi: Bir işlemin hangi sırada, hangi koşullarda ve hangi kararlarla yürütüleceğine ilişkin bilgiler.

Bilginin aktarılması yerine yapılandırılması

Tədqiqatnın pedagojik yaklaşımı, bilginin öğretmenden öğrenciye değişmeden aktarılan bir nesne olmadığı düşüncesine dayanmaktadır. Kullanıcı yeni bilgiyi önceki deneyimleri, mevcut zihinsel modeli ve içinde bulunduğu problem bağlamı üzerinden kendisi yapılandırmaktadır.

Buna görə tədqiqatçılar, yalnız metin veya ders videosu sunan doğrusal bir e-öğrenme ortamının yeterli olmayacağını savunmaktadır. Kullanıcı, real iş durumuna benzeyen bir problemle karşılaşmalı; seçenekleri dəyərlendirmeli, bir karar vermeli ve kararının sonucunu görmelidir.

Vaka tabanlı eğitim bu ihtiyaca karşılık vermektedir. Her vaka:

• Bir anlatı veya tədqiqat bağlamı,
• Bir ya da daha fazla durum izahı,
• Metin, fotoğraf, video veya ses gibi məzmunler,
• Soru, seçim veya görev gibi qarşılıqlı təsir öğeleri,
• Olası növbəti adımlar,
• Düzgün ve yanlış kararların sonuçları,
• Izah ve düzeltici geribildirim

içerebilir. Kullanıcının izleyeceği yol da başlı başına öğrenilecek süreç bilgisinin bir parçası hâline gelmektedir.

Hedef grup neden tek tip değildir?

Tersanelerde yapışdırma teknolojisiyle ilgili eğitim alabilecek istifadəçiların mesleki görevleri ve ön bilgileri eyni değildir. Tədqiqatda dört temel istifadəçi profili tanımlanmaktadır:

Bir başlanğıc düzeyindeki çalışan ilə deneyimli bir mühendis eyni izah derinliğine, eyni sayıda seçeneğe veya eyni naviqasiya özgürlüğüne ihtiyaç duymaz. Buna görə sistemin məzmun, görev ve geribildirimleri istifadəçi modeline göre değiştirmesi planlanmaktadır.

İç farklılaştırma dijital sistemde nasıl uygulanabilir?

Bir sınıf ortamında öğretmen, öğrencilerin bilgi düzeyine göre fərqli açıklamalar, görevler veya destek biçimleri kullanabilir. Tədqiqat bu yaklaşımı “iç farklılaştırma” kimi ele almakta ve dijital ortama aktarmayı hedeflemektedir.

Uyarlama üç temel unsur üzerinde gerçekleştirilebilir:

Başlangıçta ve tədqiqat sırasında uyğunlaşdırma

Makale iki zamanlama biçimi tanımlamaktadır:

Önceden yapılan uyğunlaşdırma

Kullanıcı sisteme başlamadan önce başlanğıc, ileri veya uzman düzeyinde sınıflandırılır. Vakanın içeriği ve görevleri bu sınıflandırmaya göre hazırlanır.

Tədqiqat sırasında yapılan uyğunlaşdırma

Sistem, istifadəçinin verdiği cevapları ve izlediği yolu dəyərlendirerek növbəti içeriği anlık kimi değiştirir. Yanlış bir karar ek açıklamaya veya daha temel bir içeriğe yönlendirebilir; düzgün bir karar ise daha karmaşık bir görev açabilir.

Tədqiqat, bu iki yaklaşımın birlikte kullanılabileceğini belirtmektedir. Böylece istifadəçi başlanğıc bilgisine uyğun bir vakayla başlar, fakat eğitim ilerledikçe real performansına göre fərqli bir yol izler.

Akıllı tədris sistemi hangi bileşenlerden oluşmaktadır?

Tədqiqatçılar, önerilen sistemi klasik ağıllı tədris sistemi mimarisine dayandırmaktadır. Makalede dört temel komponent belirtilmektedir:

Tədqiqat, klasik kurallar ve ön koşullarla çalışan bu yapıya böyük dil modellərinin esnekliğini eklemeyi önermektedir. Buna göre böyük dil modeli serbestçe bütün öğretim kararlarını veren tek komponent olmayacaktır. Ön ve son şərtləri belirli məzmun yapıları, sistemin kontrollü bölümünü oluşturacaktır.

Büyük dil modeli hangi görevler üçün düşünülmektedir?

Yapışma alanındaki bilgiler tek ve standartlaştırılmış bir məlumat tabanında mövcud deyil. Bilgiler fərqli biçimlerde dağılmıştır:

• Texniki kılavuzlar,
• Malzeme məlumat səhifəları,
• Proses tanımları,
• Araştırma makaleleri,
• Uzman görüşmeleri,
• Fərqli sektörlerdeki uygulama dokümanları,
• Ənənəvi gemi istehsal süreçlerine ait kaynaklar.

Tədqiqatçılar bu malzemelerin xüsusi kimi uyarlanmış bir böyük dil modeli tarafından taranmasını ve bilgiler arasındaki ilişkilerin çıkarılmasını planlamaktadır. Amaç, yapışma alanına ait bir ontoloji oluşturmaktır.

Bu ontoloji aşağıdakı türden ilişkileri temsil edebilir:

• Bir malzemenin hangi yapışdırıcılarla uyumlu olduğu,
• Belirli bir səth hazırlığının hangi kirlenme türlerine karşı kullanıldığı,
• Bir hatanın hangi belirtilerle ilişkili olduğu,
• Bir işlem adımının hangi ön koşullara bağlı olduğu,
• Yanlış bir kararın hangi texniki sonuca yol açabileceği.

Lakin tədqiqatda kullanılacak böyük dil modelinin adı, mimarisi, eğitim yöntemi, belge sayısı, məlumat temizleme süreci veya doğrulama yöntemi açıklanmamıştır. Ontolojinin henüz tamamlanmadığı ve tərsanə koşullarına uyarlanma aşamasında olduğu belirtilmektedir.

Açıklanabilir süni intellektnın önerilen rolü

Tədqiqat, izah edilə bilən süni intellektnın bilgi yapısını izlemek ve sistemin ürettiği daha ayrıntılı cevapları desteklemek üçün kullanılabileceğini belirtmektedir. Bu yaklaşımın amacı, istifadəçinin yalnız “düzgün” veya “yanlış” sonucu görmesi değil, kararın nedenini anlayabilmesidir.

Örneğin sistem:

• Bir seçeneğin neden yanlış olduğunu,
• Hangi malzeme veya işlem kuralının ihlal edildiğini,
• Yanlış kararın olası sonucunu,
• Hangi düzeltici önlemin uygulanabileceğini

açıklayabilir.

Bununla yanaşı makalede açıklanabilirlik yönteminin texniki biçimi verilçıxış ucluğuktedir. Kaynak belgesi gösterimi, bilgi grafiği yolu, kural zinciri, güven puanı veya model gerekçesinin nasıl doğrulanacağı açıklanmamıştır.

Örnek vaka: bindirmeli kayma deneyinde adezif qırılma

Tədqiqatdaki üç görsel, önerilen sistemin örnek bir eğitim akışını göstərir. Vaka, laboratuvarda yapıştırılmış bir numune üzerinde gerçekleştirilen bindirmeli kayma deneyiyle başlamaktadır.

Deneyden sonra yapışdırıcı tabakasının bağlantının bir səthinden temiz biçimde ayrıldığı ve səthde çok az kalıntı bıraktığı gözlenmektedir. Bu görünüm adezif qırılma kimi tanımlanmaktadır.

Şəkil 1: İlk məzmun ekranı

Altıncı səhifədaki Şəkil 1, ilk eğitim ekranını bileşenlerine ayırmaktadır. Ekranda:

• Laboratuvar deneyini tanımlayan bir anlatı,
• Adezif qırılmayı açıklayan durum bilgisi,
• Kullanıcıdan görseli incelemesini isteyen ilk görev,
• Kırılmış yapışdırma numunesine ait fotoğraf,
• Soru ve yardım düğmesi,
• Arka plan bilgisi düğmesi,
• Növbəti səhifəya geçiş öğesi

mövcuddur.

Görsel, çalışan yazılımın ekran görüntüsü değil, tasarlanması planlanan arayüzün şematik bir taslağıdır.

Şəkil 2: Çoktan seçmeli qarşılıqlı təsir

Eyni səhifədaki Şəkil 2’de istifadəçidan adezif qırılmanın olası nedenlerini seçmesi istenmektedir. Sunulan seçenekler şunlardır:

• Yüzeyin yapışdırma öncesinde uyğun biçimde temizlençıxış ucluğusi,
• İkinci səth yapıştırılmadan önce yapışdırıcının kullanılabilir süresinin aşılması,
• Yapıştırıcının altlık malzemesiyle uyumlu olmaması,
• Mexaniki deneyin çok yüksek hızda gerçekleştirilmesi.

Kullanıcı bir veya daha fazla seçenek seçebilmekte ve sistemden cevabını kontrol etmesini isteyebilmektedir. Görsele yeniden dönme seçeneği de öğrenme akışı içinde korunmaktadır.

Şəkil 3: Düzgün ve yanlış cevaplara geribildirim

Yedinci səhifədaki Şəkil 3, iki fərqli cevap üçün örnek geribildirim göstərir:

• Yüzeyin uyğun temizlençıxış ucluğusi düzgün neden kimi işaretlenmekte; yağ, gres veya tozun səthin ıslanmasını engellediği ve səth enerjisini düşürdüğü açıklanmaktadır.
• Sınaq hızının çok yüksek olması yanlış seçenek kimi işaretlenmekte; yüksek hızın görünen dayanıqlıqı etkileyebilmesine rağmen tek başına arafaizki adezif qırılmanın tipik nedeni olmadığı belirtilmektedir.

Geri bildirimin ayrıntı düzeyinin istifadəçinin bilgi ihtiyacına göre değiştirilebileceği öne sürülmektedir.

Karşı önlemlerin öğretim sürecine eklenmesi

Tədqiqatda yalnız hata nedeninin açıklanmasıyla yetinilmeyip düzeltici işlem de önerilmektedir. Yüzeyin temizlençıxış ucluğusi örneğinde sistemin şu tür əks tədbirler sunması planlanmaktadır:

• Uyğun çözücüyle səth təmizliyi,
• Mexaniki aşındırma,
• Plazma səth işlemi,
• Astar uygulaması.

Böylece öğrenme vakası “hangi hata oluştu?” sorusundan “eyni hata nasıl önlenebilir?” sorusuna ilerlemektedir.

Vakanın özetleme ve bilik ötürülməsi aşaması

Örnek vaka sonunda adezif qırılmanın, yapışdırıcı ilə səth arasında yetersiz bağ oluştuğunu gösterdiği özetlenmektedir. Tipik nedenler arasında:

• Yetersiz səth hazırlığı,
• Yapıştırıcının kullanılabilir süresinin aşılması,
• Yapıştırıcı ilə altlık arasındaki malzeme uyumsuzluğu

sayılmaktadır.

Kullanıcıya ayrıca şu temel öğrenme noktaları verilmektedir:

• Yüzey hazırlığı ve temizliğinin sıkı biçimde kontrol edilmesi,
• Yapıştırıcının kullanılabilir süresinin izlenmesi,
• İşlem gecikmelerinin önlenmesi,
• Yapıştırıcı kimyasının ve səth işleminin altlığa uyğun seçilmesi,
• Sınaq parametrelerinin ilgili standartla uyumlu olduğunun doğrulanması.

Olası bir ileri aşamada istifadəçiların adezif, kohezyon ve karma qırılma görüntülerini karşılaştırması; yeni örneklerde qırılma türünü kendisinin sınıflandırması önerilmektedir.

Yapışma ontolojisinin neden gerekli olduğu

Makale, tıp alanındaki uluslararası hastalık sınıflandırmasına benzeyen, yaygın kabul görmüş bir yapışma ontolojisinin bulunmadığını belirtmektedir. Standart bir üst bilgi yapısı olmadığında, fərqli kaynaklardaki kavramların ve ilişkilerin proje kapsamında ayrıca çıkarılması gərəkdir.

Örneğin ontolojide aşağıdakı ilişkilerin kurulması gerekebilir:

Ön ve son koşulların tanımlanması, eğitim sisteminin istifadəçinin seçtiği işlemin mevcut durumda uygulanabilir olup olmadığını dəyərlendirmesine yardımcı ola bilər.

Sistemin mevcut geliştirme durumu

Tədqiqatnın tartımma bölümünde sistemin hâlen geliştirme aşamasında olduğu açıkça belirtilmektedir. Mevcut məzmun:

• Metin ve görsel ağırlıklıdır.
• Yapışma alanına ait bir ontoloji ve süreç zincirleri kullanmaktadır.
• Adezif ve kohezyon kavramları gibi başlanğıc bilgileri içermektedir.
• Fərqli səthlerin mikroskobik görünüşlerini ele almaktadır.
• Metal yapıların yapıştırılması üçün tədqiqat alanının hazırlanması gibi süreçleri kapsamaktadır.

Lakin ontoloji ve süreçler büyük ölçüde başqa uygulama alanlarından alınmıştır. Büyük dəniz konstruksiyalarının üretildiği tərsanə ortamına özgü parametreler henüz bütünüyle sisteme aktarılmamıştır.

Planlanan növbəti aşamalar

Tədqiqatda gelecek adımlar şu şekilde tanımlanmaktadır:

1. Programlama bölümünün tamamlanması,
2. Vaka tabanlı eğitim məzmunlerinin genişletilmesi,
3. Bilgi tabanının tərsanəye özgü koşullarla zenginleştirilmesi,
4. Büyük dil modeli bileşeninin mevcut materyalle eğitilmesi veya uyarlanması,
5. Sistemin fərqli hedef istifadəçi gruplarıyla denenmesi,
6. Değerlendirme sonuçlarına göre məzmun ve arayüzün yeniden düzenlenmesi.

Tədqiqatnın güclü tərəfləri

• Tek tip istifadəçi varsayımı yerine çok fərqli eğitim ve deneyim düzeylerini dikkate almaktadır.
• Malzeme bilgisi ilə işlem bilgisini birbirinden ayırmaktadır.
• Navigasyonu yalnız arayüz işlevi değil, öğrenilecek süreç bilgisinin parçası kimi ele almaktadır.
• Başlanğıc uyğunlaşdırması ilə tədqiqat sırasında uyğunlaşdırmayı ayırt etmektedir.
• Klasik ağıllı tədris sistemi yapısının kontrol edilə bilər kurallarını böyük dil modellərinin esnekliğiyle birleştirmeyi amaçlamaktadır.
• Yanlış cevabın yalnız reddedilmesi yerine nedeninin ve əks tədbirin açıklanmasını önermektedir.
• Texniki dokümanlardan yapılandırılmış ontoloji çıkarma ihtiyacını açıq biçimde tanımlamaktadır.
• Projenin henüz tamamlanmadığını ve istifadəçi dəyərlendirmesinin gelecekte yapılacağını gizleçıxış ucluğuktedir.

Tədqiqatnın əsas məhdudiyyətləri

• Tədqiqat hakem dəyərlendirmesinden geçmemiş bir preprinttir.
• Tamamlanmış bir yazılım ürünü veya çalışan sistem doğrulaması sunulmamaktadır.
• Kullanıcı araştırması, örneklem sayısı veya hedef grubun real ihtiyaçlarını ölçen saha verisi mövcud deyil.
• Öğrenme başarısını ölçen ön test, son test veya kontrol grubu uygulanmamıştır.
• Ənənəvi eğitim, standart e-öğrenme ve önerilen ITS arasında karşılaştırma yapılmamıştır.
• LLM’nin modeli, sürümü, bağlam yapısı, eğitim verisi veya tədqiqat maliyeti belirtilmemiştir.
• Belge seçimi, məlumat temizliği, bilgi çıkarımı ve ontoloji istehsal yöntemi açıklanmamıştır.
• Oluşturulan ontolojinin kavram, ilişki veya kural sayısı verilməmişdir.
• Alan uzmanlarının süni intellekt tarafından çıkarılan bilgileri nasıl doğrulayacağı tanımlanmamıştır.
• Yanlış bilgi istehsali, halüsinasyon, kaynak çelişkisi veya güncelliğini kaybetmiş talimatların nasıl yönetileceği açıklanmamıştır.
• Açıklanabilir süni intellektdan söz edilmesine rağmen kullanılacak izah ve izlenebilirlik yöntemi gösterilmemiştir.
• Öğrenci modelinde hangi verilerin tutulacağı ve uzmanlık düzeyinin nasıl hesaplanacağı belirtilmemiştir.
• Kişisel öğrenme verilerinin gizliliği ve saklama şərtləri tartımılmamıştır.
• Tersane gibi güvenlik açısından kritik bir ortamda yanlış eğitim önerilerinin nasıl engelleneceği açıklanmamıştır.
• İlgili endüstri standartları, sertifikasyon gereklilikleri ve uzman onay süreçleri sisteme bağlanmamıştır.
• Şəkiller, çalışan arayüzlerden elde edilmiş istifadəçi ekranları değil, kavramsal taslaklardır.
• Vaka örnekleri ağırlıklı kimi metin ve görsele dayanmaktadır; video, simülasyon veya fiziksel uygulama eğitimi henüz gösterilmemiştir.

Metin içindeki tutarlılık sorunları

Tədqiqatda yöntemin başlangıcında açıklığa kavuşturulması gereken “üç unsur” bulunduğu belirtilmesine rağmen, devamında dört numaralı madde sıralanmaktadır. Bu durum temel yaklaşımı değiştirçıxış ucluğukle birlikte metinsel bir numaralandırma tutarsızlığıdır.

Daha mühüm bir tutarsızlık, səth təmizliyi örneğinde görülmektedir. Şəkil 3’te “səth uyğun biçimde temizlenmedi” seçeneği düzgün cevap kimi gösterilmektedir. Bunun əksinə hemen növbəti metinsel örnekte eyni seçenek “istifadəçinin yanlış cevabı” kimi yazılmıştır. Devamındaki texniki izah ve önerilen əks tədbir, səth təmizliyinin gerçekten uyğun neden olduğunu dəstəkləyir. Eğitim içeriği uygulanmadan önce bu tür çelişkilerin alan uzmanlarınca giderilmesi gərəkdir.

Tədqiqat neyi dəstəkləyir?

• Yapışma bilgisinin vaka əsaslı senaryolar hâlinde yapılandırılabileceğini göstərir.
• İçerik, qarşılıqlı təsir ve naviqasiyaun ayrı ayrı uyarlanabileceği bir tasarım çerçevesi sunmaktadır.
• Fərqli hədəf qruplar üçün fərqli izah ve karar derinliklerine ihtiyaç olduğunu ortaya koymaktadır.
• Klasik ağıllı tədris sistemi bileşenlerinin yapışma eğitimine uygulanabileceğini kavramsal kimi göstərir.
• Büyük dil modellerinin dağınık texniki kaynakların yapılandırılmasında kullanılabileceğine ilişkin bir proje yaklaşımı önermektedir.
• Düzgün ve yanlış cevaplar üçün izah ve əks tədbir içeren örnek bir eğitim akışı sunmaktadır.

Tədqiqat neyi gösterçıxış ucluğuktedir?

• Süni intellekt destekli eğitimin öğrenme başarısını artırdığını eksperimental kimi gösterçıxış ucluğuktedir.
• Sistemin istifadəçiların hata oranını azalttığını veya yapışdırma kalitesini yükselttiğini sübut etmir.
• Büyük dil modelinin texniki belgelerden düzgün ve eksiksiz ontoloji ürettiğini doğrulamamaktadır.
• Açıklanabilir süni intellekt bileşeninin güvenilir veya istifadəçi tarafından anlaşılır olduğunu ölççıxış ucluğuktedir.
• Sistemin tərsanə çalışanları tarafından kullanılabilirliğini, kabulünü veya erişilebilirliğini dəyərlendirçıxış ucluğuktedir.
• Önerilen yaklaşımın ənənəvi uzman eğitiminden daha etkili veya ekonomik olduğunu gösterçıxış ucluğuktedir.
• Süni intellekt tarafından önerilen əks tədbirlerin endüstri standartlarına otomatik kimi uyğun olacağını garanti etçıxış ucluğuktedir.
• Dijital eğitimin uygulamalı laboratuvar ve işbaşı eğitiminin yerini alabileceğini ileri süren bir nəticə sunmamaktadır.

Bilimsel ve endüstriyel önemi

Tədqiqatnın bilimsel önemi, yapışma teknolojisi, öğretim tasarımı ve süni intellekt alanlarını ortak bir problem üzerinde buluşturmasıdır. Xüsusilə karar sıralamasını ve naviqasiyau prosedürel bilginin parçası kimi ele alması, yalnız bilgi kartları sunan ənənəvi e-öğrenme sistemlerinden daha kapsamlı bir yaklaşım önermektedir.

Endüstriyel açıdan önerilen sistem, fərqli vardiyalarda ve fərqli deneyim düzeylerinde çalışan personelin standartlaştırılmış temel bilgiye erişmesini kolaylaştırabilir. Eğitim vakaları düzgün biçimde doğrulanırsa səth hazırlığı, yapışdırıcı seçimi, işlem süresi ve hasar tanıma gibi konularda destek sağlayabilir.

Bununla yanaşı büyük dəniz konstruksiyalarındaki yapışdırma işlemleri güvenlik açısından kritik ola bilər. Buna görə gelecekteki sistemin:

• Her texniki izah üçün kaynak ve sürüm bilgisi göstermesi,
• Uzman onayı olmadan güvenlik kritik talimat üretçıxış ucluğusi,
• Endüstri standartlarındaki değişiklikleri izleyebilmesi,
• Belirsiz veya çelişkili durumda istifadəçiyı yetkili uzmana yönlendirmesi,
• Dijital eğitimi uygulamalı yeterlilik dəyərlendirmesiyle tamamlaması

gerekecektir. Bu güvence mekanizmaları mevcut tədqiqatda geliştirilmiş veya sınanmış değildir.

Tədqiqatnın Yöntemi ve Bulguları

Araştırma ve geliştirme yaklaşımı

Hedef gruplara göre olası uyğunlaşdırma

Bu tablo, tədqiqatın açıkladığı uyğunlaşdırma mantığının texniki özetidir. Makalede bu seviyelere ait tamamlanmış istifadəçi modeli veya puanlama sistemi sunulmamaktadır.

Örnek eğitim vakasının akışı

Şəkillerin texniki dəyərlendirmesi

Tədqiqatda sunulan bulguların niteliği

Makaledeki “nəticələr” eksperimental sonuçlardan ziyade tasarım kararları ve geliştirme gereksinimleridir:

• Hedef grubun fərqli uzmanlık düzeylerine ayrılması gerektiği belirlenmiştir.
• Yapışma bilgisinin malzeme, kimya, süreç, real ve kural bileşenlerine ayrılabileceği öne sürülmüştür.
• Vaka tabanlı eğitim, bu fərqli bilgi türlerini bağlam içinde birleştirmek üçün uyğun görülmüşdür.
• İçerik ve naviqasiyaun ayrı uyğunlaşdırma alanları olduğu bildirilmişdir.
• Ənənəvi ITS yapısının böyük dil modeli ve izah edilə bilən süni intellektyla genişletilmesi planlanmıştır.
• Mevcut bilik bazasının tərsanə ortamı üçün henüz yeterli olmadığı kabul edilmişdir.
• Fərqli hədəf qruplarla gelecekte istifadəçi testleri yapılması gerektiği sonucuna varılmıştır.

Tədqiqatda bulunmayan eksperimental unsurlar

Buna görə tədqiqat, önerilen sistemin etkililiğini dəyərlendiren ampirik bir eğitim araştırması kimi değil, sistem gereksinimlerini ve tasarım yaklaşımını açıklayan erken aşama bir proje metni kimi okunmalıdır.

Mənbə və Metod Qeydi

Tədqiqatnın tam özgün adı:Knowledge Acquisition in Adhesion – Case-based Training with AI

Müəlliflər ve sıraları: Linda Fröck; Wilko Flügge; Alke Martens.

PDF’de istifadə olunan yazar gösterimi: L. Fröck; W. Flügge; A. Martens.

Sorumlu/iletişim yazarı: SSRN kayıt səhifəsında Linda Fröck “Contact Author” kimi gösterilmektedir. PDF’de sorumlu yazar işareti veya iletişim e-postası mövcud deyil.

Birgə birinci müəlliflik veya eş katkı: Belirtilmemiştir.

PDF’de belirtilen qurumlar:

• Linda Fröck ve Wilko Flügge: University of Rostock, MSF, Albert-Einstein-Str. 30, Rostock, Germany.
• Alke Martens: University of Rostock, IEF, IFI, Albert-Einstein-Str. 22, Rostock, Germany.

Qurum kısaltmaları hakkında not: Tədqiqatda MSF, IEF ve IFI kısaltmaları kullanılmakta; birimlerin tam adları kaynak metinde açılmamaktadır.

DOI:10.2139/ssrn.6947714

Resmî SSRN kaydı:SSRN tədqiqat səhifəsı

SSRN yayımlanma tarihi: 15 Haziran 2026.

Nəşr ili: 2026.

Səhifə sayısı: 10.

Mənbə növü: Süni intellekt destekli eğitim, akıllı öğretim sistemleri, vaka əsaslı öğrenme ve yapışma teknolojisi alanlarında kavramsal araştırma preprinti.

Jurnal: Hakemli bir dergi adı, cilt, sayı veya makale numarası mövcud deyil.

Konferans: Bu sürümde konferans adı, bildiri kitabı veya hakemli konferans kabul bilgisi verilməmişdir.

Nəşriyyat: Ayrı bir akademik yayınevi doğrulanmamıştır.

Nəşr platforması: SSRN.

Rəyçilik statusu: Tədqiqat rəyçilikdən keçməmişdir. Her səhifəda “This preprint research paper has not been peer reviewed” uyarısı mövcuddur.

Maliyyələşdirmə: Tədqiqatda finansman beyanı mövcud deyil.

Maraqlar toqquşması: Ayrı bir çıkar çatışması beyanı mövcud deyil.

Məlumat ve kod erişimi: Məlumat seti, kaynak kod, model dosyası, ontoloji veya çalışan eğitim sistemi üçün açıq erişim bağlantısı verilməmişdir.

Bu Türkçe anlatım, tədqiqatın tamamı; hədəf qrup analizi, məzmun yapılandırma yaklaşımı, ağıllı tədris sistemi bileşenleri, böyük dil modeli ve izah edilə bilən süni intellekt önerileri, üç arayüz taslağı, örnek yapışma hatası vakası, tartımma bölümü ve kaynakça birlikte incelenerek hazırlanmışdır. Tədqiqatda bulunmayan istifadəçi testi, öğrenme başarısı, sistem doğruluğu veya endüstriyel uygulama sonucu eklenmemiştir.

Tədqiqatnın en mühüm sınırlılığı, önerilen yapının henüz istifadəçilarla sınanmamış olmasıdır. Büyük dil modelinin ve izah edilə bilən süni intellekt bileşeninin nasıl uygulanacağı, doğrulanacağı ve güvenlik açısından nasıl sınırlandırılacağı da henüz texniki ayrıntılarıyla ortaya konmamıştır.

Buna görə tədqiqat, süni intellekt destekli vaka əsaslı yapışma eğitiminin etkili olduğunu kanıtlayan bir nəticə raporu değil; böyle bir sistemin geliştirilmesi üçün hedef kitleyi, məzmun yapısını ve yazılım bileşenlerini tanımlayan erken aşama bir tasarım önerisidir.