Süni intellekt təhsil assistenti, öyrənənlərlə sual-cavab, geribildirim, istiqamətləndirmə, tapşırıq, tövsiyə, vizuallaşdırma, səs və ya digər qarşılıqlı əlaqə formaları vasitəsilə ünsiyyət quraraq öyrənmə prosesini dəstəkləyən süni intellekt əsaslı sistemlərin ümumi sinfidir. Fatmah Alqarni və həmkarlarının sistematik icmalı bu sistemlərdə öyrənmənin iki əsas mexanizm vasitəsilə necə baş verdiyini araşdırır: açıq öyrənmə və örtük öyrənmə.

Açıq öyrənmədə istifadəçi izahı dinləmək, sual vermək, geribildirim almaq, tapşırığı yerinə yetirmək və ya addım-addım istiqamətləndirməni izləmək kimi şüurlu öyrənmə prosesinə daxil olur. Örtük öyrənmədə isə bilik və ya bacarıq, istifadəçinin birbaşa “indi öyrənirəm” məqsədi daşımadığı qarşılıqlı əlaqə zamanı; sınaqdan keçirməklə, geribildirimləri müşahidə etməklə, sistemlə danışmaqla və ya tapşırıq yerinə yetirməklə inkişaf edir.

Tədqiqatçılar 2000–2024-cü illər arasında yayımlanmış 38 işi sistematik şəkildə nəzərdən keçirmişlər. İşlərin %79-u əsasən açıq öyrənməni, %21-i isə örtük öyrənməni dəstəkləyən mexanizmlər göstərmişdir. Yazılı qarşılıqlı əlaqə %45 ilə ən geniş yayılmış ünsiyyət formasıdır; bunu %34 ilə vizuallaşdırma, %12 ilə fəaliyyət əsaslı qarşılıqlı əlaqə və %9 ilə səs izləyir.

İcmal həmçinin AI təhsil sistemlərinin texniki təkamülünü ortaya qoyur. Qayda əsaslı chatbotlardan maşın öyrənməsi sistemlərinə, bilik bazalarından ontologiyalara və son dövrdə böyük dil modelləri ilə generativ AI sistemlərinə doğru keçid müşahidə olunur. Lakin 38 işdən yalnız dördünün LLM və ya generativ AI ehtiva etməsi, mövcud nəticələrin böyük ölçüdə LLM-lərin geniş yayılmasından əvvəlki ədəbiyyatı təmsil etdiyini göstərir.

Açıq öyrənmə ilə örtük öyrənmə arasındakı əsas fərq nədir?

Açıq öyrənmədə şəxs şüurlu şəkildə bilik əldə etməyə yönəlir və izah, tədris, sual, istiqamətləndirmə və ya geribildirim kimi birbaşa öyrənmə mexanizmləri ilə qarşılıqlı əlaqəyə girir. Örtük öyrənmədə isə bilik və bacarıq, şəxs birbaşa öyrənmə məqsədi daşımadan, tapşırıq yerinə yetirmə, sistemi araşdırma, nəticələri müşahidə etmə və ya dialoq zamanı təcrübə qazanma prosesində inkişaf edir. İşdəki təsnifat yalnız istifadə olunan interfeys xüsusiyyətinə deyil, eyni xüsusiyyətin istifadəçi üçün hansı öyrənmə funksiyasını yerinə yetirməsinə əsaslanır.

Açıq öyrənmənin on bir qarşılıqlı əlaqə xüsusiyyəti

İcmal açıq öyrənmə üçün on bir əsas qarşılıqlı əlaqə xüsusiyyəti müəyyən edir:

1. Sual vermə: Öyrənənin birbaşa məlumat və ya izah istəməsi.
2. Bəli/xeyr sualları: Xüsusilə erkən yaşda və ya aşağı mürəkkəblikli qarşılıqlı əlaqələrdə koqnitiv yükü azaldan strukturlaşdırılmış cavablar.
3. Çoxseçimli suallar: Öyrənəni müəyyən seçimlər arasında qiymətləndirmə aparmağa yönəldən struktur.
4. Sualları cavablandırma: Quiz, qrammatika, söz ehtiyatı və ya mövzu qiymətləndirmələri kimi strukturlaşdırılmış cavab istehsalı prosesləri.
5. İstiqamətləndirmə: Xüsusilə təcrübəsiz istifadəçilər üçün addım-addım tədris.
6. Xəbərdarlıq mesajları: Səhvlərin və ya riskli addımların real vaxtda bildirilməsi.
7. Tapşırıq yaratma və ya tapşırıq həll etmə: Öyrənənin problemi həll etməklə və ya məhsul yaratmaqla fəal şəkildə öyrənməsi.
8. Tövsiyələr: AI-nin ipucu, tövsiyə və ya əlaqəli material təqdim etməsi.
9. Xatırlatma / xəbərdarlıq: Yaxınlaşan tapşırıq və ya tələblərin istifadəçiyə bildirilməsi.
10. Geribildirim: İstifadəçinin performansının qiymətləndirilməsi və növbəti addıma yönəldilməsi.
11. Redaktə edilə bilən geribildirim: İstifadəçinin AI geribildirimindən sonra öz nəticəsini yenidən redaktə edib təkmilləşdirə bilməsi.

Mənbənin 10-cu səhifəsindəki Şəkil 5 bu on bir mexanizmi vahid açıq öyrənmə taksonomiyası altında birləşdirir. Burada mühüm məqam mexanizmlərin yalnız “interfeys xüsusiyyəti” kimi deyil, istifadəçinin şüurlu şəkildə bilik əldə etməsinə xidmət edən öyrənmə davranışları kimi qiymətləndirilməsidir.

Sual vermə niyə yalnız məlumat axtarışı deyil?

Araşdırılan sistemlərdə sual vermə yalnız cavab alma funksiyası daşımır. Bəzi AI təhsil assistentləri tələbənin suallarını cavablandırmaqla kifayətlənmir; verilən cavaba uyğun olaraq daha çətin tapşırıqlar, düzəldici məzmun və ya yeni öyrənmə addımları təklif edir. Buna görə sual-cavab mexanizmi məlumat əldə etməkdən öyrənmə yolunun dinamik şəkildə istiqamətləndirilməsinə qədər genişlənən funksiyaya malik ola bilər.

İstiqamətləndirmə nə vaxt problemə çevrilə bilər?

Addım-addım istiqamətləndirmə xüsusilə başlanğıc səviyyəli tələbələr üçün səhv nisbətini azalda və texniki tapşırıqları daha əlçatan edə bilər. Lakin müəlliflər həddindən artıq strukturlaşdırılmış istiqamətləndirmənin müstəqil mühakimə bacarıqlarını azalda biləcəyini də müzakirə edirlər. Buna görə AI təhsil assistentinin yalnız düzgün yolu göstərməsi deyil, öyrənənin öz həllini yaratmaq qabiliyyətini nə dərəcədə qoruduğu da vacibdir.

Geribildirim niyə mərkəzi mexanizmdir?

Geribildirim araşdırılan ədəbiyyatda proqramlaşdırmadan dil təhsilinə, mühəndislik problemlərinin həllindən dizayn təhsilinə qədər müxtəlif sahələrdə təkrarlanan mexanizmdir. AI sintaksis səhvlərini göstərə, həll addımının düzgün olub-olmadığını bildirə, tələbəni daha çətin məzmuna yönəldə və ya istifadəçinin dizaynını yenidən qiymətləndirməsinə kömək edə bilər. İcmalın mühüm nəticələrindən biri geribildirimin yalnız “doğru/səhv” qərarı verən son mərhələ deyil, öyrənmə prosesini davamlı şəkildə istiqamətləndirən qarşılıqlı əlaqə mexanizmi olmasıdır.

Örtük öyrənmənin dörd əsas mexanizmi

İş örtük öyrənməni dörd əsas xüsusiyyət altında təsnif edir:

• sual vermə,
• sualları cavablandırma,
• fəaliyyət və ya tapşırıq yerinə yetirmə,
• geribildirim.

İlk baxışda bu xüsusiyyətlərin bəziləri açıq öyrənmə kateqoriyasında da görünür. Bunun səbəbi təsnifat xətası deyil. Müəlliflərin meyarı qarşılıqlı əlaqənin görünüşü deyil, funksional roludur. İstifadəçi “bir mövzunu öyrənmək” məqsədilə sual verirsə, bu açıq öyrənmədir; təbii dialoq zamanı fərqinə varmadan problem həll etmə bacarığı qazanırsa, eyni sual-cavab forması örtük öyrənməyə xidmət edə bilər.

AI sistemi eyni qarşılıqlı əlaqə ilə həm açıq, həm də örtük öyrənməni necə dəstəkləyə bilər?

Eyni interfeys xüsusiyyəti istifadəçinin məqsədi və qarşılıqlı əlaqə kontekstinə görə müxtəlif öyrənmə funksiyaları daşıya bilər. Məsələn, AI-nin səhvi izah etməsi şüurlu anlayış öyrənməsini dəstəklədikdə açıq öyrənmədir; istifadəçinin müxtəlif girişləri sınayıb sistem nəticələrini müşahidə edərək nümunəni intuitiv şəkildə öyrənməsi isə örtük öyrənmədir. Buna görə iş “chatbot”, “feedback” və ya “question answering” etiketini təkbaşına öyrənmə növünün göstəricisi kimi qəbul etmir.

Fəaliyyət vasitəsilə örtük öyrənmə

Örtük öyrənmədə xüsusilə praktik tapşırıqlar mühümdür. Araşdırılan sistemlərdə tələbələr vizual proqramlaşdırma alətlərindən istifadə edərək alqoritmik davranışları araşdırmış, maşın öyrənməsi modellərini öyrədib nəticələrini müşahidə etmiş və ya AI sisteminə yeni məlumatlar öyrədərək sistemin sonrakı reaksiyalarını nəzərdən keçirmişlər. İstifadəçi burada birbaşa nəzəri izah oxumadan təcrübə ilə nəticə arasındakı əlaqəni müşahidə edərək konseptual struktur inkişaf etdirə bilər.

Örtük geribildirim

Örtük geribildirimdə sistem istifadəçinin davranışına reaksiya verir, lakin bu reaksiya mütləq “tədris izahı” formasında olmur. Məsələn, istifadəçi müxtəlif dizayn girişləri verib AI çıxışındakı dəyişikliyi müşahidə edə və ya danışıq sistemi tələffüzə reaksiya verərək istifadəçinin öz performansını uyğunlaşdırmasına səbəb ola bilər. Öyrənmə burada izahın birbaşa ötürülməsindən daha çox sınaq, müşahidə və düzəliş dövründə baş verir.

Açıq öyrənmə niyə ədəbiyyatda üstünlük təşkil edir?

34 işin tam təsnif edildiyi təhlildə 27 iş açıq, 7 iş isə örtük öyrənmənin üstün olduğu qrupa yerləşdirilmişdir. Bu, müvafiq olaraq %79 və %21 paylanmasına uyğun gəlir. Erkən dövr işlərinin xüsusilə strukturlaşdırılmış sual-cavab və geribildirimə yönəldiyi; 2019–2020-ci illər ətrafında isə səs əsaslı sistemlər və təcrübə vasitəsilə öyrənmə yanaşmaları ilə örtük mexanizmlərin görünməsinin artdığı müşahidə olunur.

2021–2024 dövründə LLM inteqrasiyalarının başlaması ilə sərhəd daha keçirici hala gəlir. Çünki generativ sistemlər bir tərəfdən birbaşa izah və tədris təqdim edə bilir, digər tərəfdən istifadəçilərə müxtəlif suallar, girişlər və çıxışlar üzərində təcrübə aparmağa imkan verir.

AI təhsil assistentlərinin dörd tətbiq yanaşması

İş texniki tətbiqləri dörd əsas qrupda təsnif edir:

Qayda əsaslı chatbot ilə AI chatbot arasındakı fərq

İcmalda qayda əsaslı chatbotlar əvvəlcədən müəyyən edilmiş qaydalarla işləyən, daha az çevik, lakin idarəolunan sistemlər kimi; AI chatbotları isə bilik və kontekstdən öyrənərək daha mürəkkəb vəziyyətlərə uyğunlaşa bilən, lakin davranışı daha az proqnozlaşdırılan sistemlər kimi müqayisə edilir. Qayda əsaslı sistemlər sadə ssenarilərdə yüksək nəzarət təmin etsə də, öyrənənlərin açıq uclu sorğularına cavab vermə qabiliyyəti məhduddur.

Bilik harada saxlanılır və necə yenilənir?

Araşdırılan sistemlərdə bilik; verilənlər bazalarında, bilik bazalarında, datasetlərdə, ontologiyalarda və ya digər strukturlaşdırılmış anbarlarda saxlanılır. Bəzi sistemlər statik bilik bazalarından istifadə edir, bəziləri isə istifadəçi geribildirimləri və ya yeni məlumatlarla dinamik şəkildə yenilənir.

Məsələn, bəzi tövsiyə sistemlərində ontologiyalar tələbələr, ali təhsil seçimləri və peşələr arasındakı əlaqələri təmsil etmək üçün istifadə olunur. Bəzi chatbotlarda müxtəlif verilənlər bazaları tələbənin performansını, dərs məzmununu və gündəlik söhbət cavablarını ayrıca saxlayır. Bu memarlıq fərqləri sistemin aktual biliyə nə dərəcədə uyğunlaşa biləcəyinə birbaşa təsir edir.

İstifadə olunan AI üsulları necə dəyişib?

İcmalın zaman üzrə təhlili AI təhsil sistemlərinin texniki memarlığındakı transformasiyanı açıq şəkildə göstərir. 2000–2015 dövründəki bir çox işdə biliklərin saxlanması və yenilənməsi mexanizmləri ətraflı şəkildə bildirilməmiş, qarşılıqlı əlaqə əsasən yazılı və ya vizual olmuşdur.

2016–2020 dövründə verilənlər bazası ilə dəstəklənən strukturlar geniş yayılmağa, dinamik bilik yenilənməsi görünməyə və dərin sinir şəbəkələri, cooperative contextual bandits və nəzarətli maşın öyrənməsi kimi daha müxtəlif üsullar istifadə olunmağa başlanmışdır.

2021–2024 dövründə isə GPT əsaslı sistemlər, böyük dil modelləri, generativ AI API-ləri və çoxmodallı qarşılıqlı əlaqə birlikdə görünür. COFFEE, AutoSpark, DesignPrompt və Q-Module-Bot kimi sistemlər bu keçidin mənbədə araşdırılan nümunələri arasındadır.

Tədqiqatın Metodu və Nəticələri

Sistematik icmal necə aparıldı?

Tədqiqat PRISMA 2020 prinsiplərinə uyğun aparılmış və snowballing üsulu ilə genişləndirilmişdir. İcmal protokolu Open Science Framework üzərində retrospektiv şəkildə qeydiyyata alınmışdır.

İlkin axtarışlar iyun–sentyabr 2022 arasında aparılmış, noyabr 2023-də yenilənmiş və LLM əsaslı təhsil assistentlərindəki sürətli inkişafları əhatə etmək üçün sentyabr–dekabr 2024 arasında əlavə axtarış həyata keçirilmişdir.

Axtarış mənbələri bunlardır:

• Google Scholar,
• ACM Digital Library,
• IEEE Xplore,
• MDPI,
• Springer,
• Taylor & Francis.

16.335 qeyddən 38 işə necə çatıldı?

Başlanğıcda ümumilikdə 16.335 qeyd müəyyən edilmişdir. Bunların 15.900-ü Google Scholar avtomatik axtarışından; qalanları ACM, IEEE, MDPI, Springer və Taylor & Francis üzərində aparılan manual axtarışlardan əldə edilmişdir.

Skrininqdən əvvəl 5.685 təkrar qeyd və tarix filtrləri ilə 2.500 qeyd çıxarılmış; başlıq skrininqi üçün 8.150 qeyd qalmışdır. Bunların 8.030-u istisna edildikdən sonra 120 iş qalmış, irəli və geri snowballing ilə tapılan 11 qeyd əlavə edildikdə 131 hesabat qiymətləndirilməyə alınmışdır.

Xülasə və nəticə skrininqində 73 iş çıxarılmış; 58 iş tam mətn uyğunluq qiymətləndirməsinə keçmişdir. Daxiletmə və xaricetmə meyarları tətbiq edildikdən sonra daha 20 iş çıxarılmış və yekun sistematik icmala 38 iş daxil edilmişdir. Mənbənin 4-cü səhifəsindəki PRISMA 2020 axın diaqramı bu prosesi ətraflı şəkildə göstərir. :chatgpt-content-reference{index="6"}

Məlumat çıxarışında hansı dəyişənlərdən istifadə edildi?

38 işdən 34-də tam məlumat çıxarışı həyata keçirilmişdir. Dörd iş yalnız tədqiqatın motivasiyaedici nümunəsində istifadə olunmuşdur. Tam çıxarışda aşağıdakı 15 dəyişən araşdırılmışdır:

1. nəşr ili,
2. nəşr növü,
3. nəşriyyat,
4. sahə,
5. açıq və ya örtük öyrənmə növü,
6. qarşılıqlı əlaqə xüsusiyyətləri,
7. tətbiq yanaşması,
8. bilik təmsili və yenilənmə üsulu,
9. hədəf istifadəçi qrupu,
10. alqoritmlər və texnikalar,
11. yazı, səs, vizual və ya fəaliyyət əsaslı qarşılıqlı əlaqə,
12. qiymətləndirmə yanaşması,
13. məlumat toplama üsulu,
14. iştirakçı sayı,
15. ölçütlər.

İşlər hansı dövrlərdə cəmləşib?

2000–2024 arasındakı nəşr paylanmasında ilk illərdə məhdud sayda iş göründüyü halda, 2010-cu illərdə artım başlamış və nəzərəçarpan zirvə 2019–2020 dövründə ortaya çıxmışdır. Araşdırılan mənbələrin %50-si jurnal məqaləsi, %43-ü konfrans nəşri və %7-si veb mənbədir. Mənbənin 5-ci səhifəsindəki Şəkil 3 bu paylanmanı il və nəşr növünə görə göstərir. :chatgpt-content-reference{index="7"}

Əsas kəmiyyət nəticələri

Qarşılıqlı əlaqə nisbətlərinin şərhində mühüm metodoloji məqam var: eyni iş birdən çox qarşılıqlı əlaqə növünü ehtiva edə bildiyi üçün faizlər bir-birini istisna edən iş qrupları deyil. Yazılı qarşılıqlı əlaqə 25 işdə, vizuallaşdırma 19 işdə, fəaliyyət 7 işdə və səs 5 işdə müşahidə edilmişdir; faizlər ümumi qarşılıqlı əlaqə nümunələrinin normallaşdırılması ilə hesablanmışdır.

AI təhsil assistentlərində səsli qarşılıqlı əlaqə niyə hələ də məhduddur?

İcmalda səs əsaslı qarşılıqlı əlaqə ümumi qarşılıqlı əlaqə nümunələrinin yalnız %9-unu təşkil edir və yazılı ünsiyyətlə vizuallaşdırmadan nəzərəçarpacaq dərəcədə geri qalır. Araşdırılan sistemlərdə Alexa və oxşar səsli assistentlər bəzi öyrənmə ssenarilərində istifadə olunsa da, tədqiqat ədəbiyyatının böyük hissəsi hələ də mətn və vizual interfeyslər üzərində qurulub. İş bunu səsli qarşılıqlı əlaqənin təhsildə səmərəsiz olması kimi şərh etmir; əksinə, səsin ədəbiyyatda yetərincə təmsil olunmadığını göstərir.

Yazılı qarşılıqlı əlaqə: %45

Mətn əsaslı qarşılıqlı əlaqə ən geniş yayılmış formadır. İstifadəçi sistemə suallar verə, məlumat istəyə, geribildirim göndərə və ya tapşırıq cavabları yarada bilər. Mətn əsaslı sistemlərin texniki baxımdan tətbiqinin nisbətən asan olması və chatbot memarlıqları ilə birbaşa uyğunluğu bu yayğınlığın mənbədə müşahidə olunan kontekstlərindən biridir.

Vizuallaşdırma: %34

Vizuallaşdırma mürəkkəb AI və ya texniki proseslərin daha sürətli başa düşülməsini dəstəkləyən ikinci ən geniş yayılmış qarşılıqlı əlaqə formasıdır. Mənbədə xüsusilə maşın öyrənməsi anlayışları, kompüter təhlükəsizliyi, proqramlaşdırma, verilənlər strukturları və dizayn kimi sahələrdə vizual geribildirimin istifadə olunduğu nümunələr yer alır.

Fəaliyyət əsaslı qarşılıqlı əlaqə: %12

Fəaliyyət əsaslı sistemlərdə istifadəçi yalnız mətn oxumur; dövrə qurur, alqoritmi dəyişir, vizualı redaktə edir və ya başqa əməliyyat yerinə yetirir və yaranan nəticəni müşahidə edir. Bu cür sistemlər xüsusilə praktik və örtük öyrənmə baxımından mühümdür.

Səsli qarşılıqlı əlaqə: %9

Səs xüsusilə kiçik uşaqlar, dil öyrənənlər və ya klaviaturadan istifadənin öyrənmə prosesini çətinləşdirdiyi kontekstlərdə faydalı ola bilər. Araşdırılan işlərdə Alexa və Amazon Echo Dot kimi sistemlərin səs girişini mətnə çevirərək təhsil qarşılıqlı əlaqələrində istifadə olunduğu nümunələr var.

LLM və generativ AI bu mənzərəni necə dəyişir?

Böyük dil modelləri və generativ AI, qayda əsaslı sistemlərin əvvəlcədən müəyyən edilmiş qarşılıqlı əlaqə quruluşundan daha çevik və kontekstə həssas modelə keçidi təmin edir. Mənbədə araşdırılan yeni sistemlərdə ChatGPT, GPT-3.5, GPT-4/GPT-4V, OpenAI API-ləri və CLIP kimi texnologiyalardan istifadə olunur.

LLM əsaslı sistemlər açıq öyrənməni anlayış izahı, dinamik sual-cavab, istiqamətləndirilmiş sorğu və fərdiləşdirilmiş geribildirimlə dəstəkləyə bilər. Örtük öyrənmə isə istifadəçinin sualları dəyişdirməsi, yeni girişləri sınaması və AI çıxışlarındakı fərqləri müşahidə etməsi ilə baş verə bilər.

Buna görə LLM-lər açıq və örtük öyrənmə arasındakı sərhədi daha keçirici edir. İstifadəçi eyni dialoq daxilində həm birbaşa izah ala, həm də sistemlə təcrübə apararaq fərqinə varmadan yeni konseptual əlaqələri öyrənə bilər.

Generativ AI-nin təhsil baxımından yeni riski nədir?

Çeviklik özü ilə yeni qiymətləndirmə problemləri gətirir. Ənənəvi sistemlərdə düzgünlük, tapşırığın tamamlanması və ya istifadəyə yararlılıq kimi ölçütlər kifayət edə bildiyi halda, generativ sistemlərdə yaradılan cavabın etibarlılığı və düzgünlüyü ayrıca qiymətləndirilməlidir. Mənbə xüsusilə hallucination riskinə diqqət çəkir: yanlış, lakin inandırıcı izah tələbə tərəfindən sorğulanmadan qəbul edilərsə, öyrənmə prosesinə mənfi təsir göstərə bilər.

Bu risk səhiyyə, təhlükəsizlik və məxfilik kimi yanlış istiqamətləndirmənin ciddi nəticələr doğura biləcəyi sahələrdə daha kritikdir. Buna görə müəlliflər LLM əsaslı təhsil assistentlərində güclü guardrail-lər və daha əhatəli qiymətləndirmə proseslərinin lazım olduğunu müdafiə edirlər.

RAG niyə gələcək istiqamətlərdən biri kimi göstərilir?

İcmalda bir çox köhnə sistemin statik bilik bazalarına əsaslandığı və inkişaf edən sahələrə yetərincə sürətlə uyğunlaşa bilmədiyi qeyd olunur. Müəlliflər gələcəkdə bilik təmsilinin qarşılıqlı əlaqə məntiqindən ayrıldığı, yenilənə bilən memarlıqların istifadə olunmasını təklif edirlər. Retrieval-Augmented Generation (RAG), generativ cavabların doğrulanmış bilik mənbələrinə əsaslandırılması üçün təklif olunan yanaşmalardan biridir.

Qiymətləndirmə üsullarındakı əsas problem

Araşdırılan işlərin əksəriyyətində eksperimental qiymətləndirmədən istifadə olunmuş və bir çox tədqiqat kəmiyyət və keyfiyyət üsullarını birlikdə tətbiq etmişdir. Lakin nümunə ölçüləri, tədqiqat müddətləri və istifadə olunan ölçütlər arasında böyük fərqlər mövcuddur.

Bəzi işlər yalnız qısamüddətli seminar və ya tək sessiya əsasında qiymətləndirilmişdir. Kiçik nümunələr, iştirakçı müxtəlifliyinin məhdud olması və uzunmüddətli öyrənmə nəticələrinin ölçülməməsi güclü ümumiləşdirmələri çətinləşdirir.

Daha möhkəm qiymətləndirmə necə aparılmalıdır?

Müəlliflər daha uzunmüddətli tədqiqatların lazım olduğunu vurğulayırlar. Tələbənin bilik, davranış və bacarıq inkişafının, məsələn, bir akademik semestr boyunca izlənməsi qısamüddətli istifadəyə yararlılıq testlərindən daha güclü sübut təmin edə bilər.

Qiymətləndirmə yalnız məmnunluq və ya istifadəyə yararlılıqla məhdudlaşmamalı; bilik qazanımı, yanlış anlayışların formalaşması və davamlılıq kimi öyrənməyə xas nəticələri də ölçməlidir. LLM əsaslı sistemlərdə buna ekspert qiymətləndirməsi, etibarlı mənbələrlə avtomatik yoxlama və AI cavablarının düzgünlük təhlili də əlavə olunmalıdır.

Dörd əsas tədqiqat boşluğu

1. Danışığa əsaslanan adaptasiya: Bir çox sistem açıq uclu suallara, fərdiləşdirilmiş geribildirimə və iterativ dialoqa yetərincə uyğunlaşa bilmir.
2. Bilik təmsili və memarlıq: Bir çox iş biliyin harada saxlandığını və ya necə yeniləndiyini yetərincə bildirmir.
3. Heterogen AI yanaşmalarının inteqrasiyası: Sistemlər əsasən tək dominant texnikaya söykənir; gələcəkdə ML, LLM, bilik bazaları və digər mexanizmlərin birlikdə istifadə edildiyi hibrid memarlıqlara ehtiyac ola bilər.
4. Möhkəm qiymətləndirmə çərçivələri: Qısamüddətli, kiçik nümunəli və heterogen ölçmə üsulları uzunmüddətli öyrənmə təsirlərini müəyyənləşdirməyi çətinləşdirir.

İşin əsas məhdudiyyətləri

İcmal yalnız ingilis dilində yayımlanan işləri əhatə etdiyi üçün dil qərəzi riski daşıyır. Açıq və örtük öyrənmə təsnifatı təhsil elmi ədəbiyyatındakı nəzəri təriflərə əsaslansa da, tədqiqatçı şərhini ehtiva etdiyi üçün müəyyən dərəcədə subyektiv ola bilər.

Daha da mühümü, 38 işdən yalnız dördü LLM və ya generativ AI ehtiva edir. Buna görə taksonomiyanın böyük hissəsi ChatGPT və oxşar generativ sistemlərin təhsil sahəsində sürətlə yayılmasından əvvəlki texnoloji dövrü əks etdirir. Müəlliflər gələcəkdə yalnız LLM əsaslı təhsil assistentlərini araşdıran ayrıca sistematik icmallara ehtiyac olduğunu bildirirlər. :chatgpt-content-reference{index="8"}

İşin dəstəklədiyi və dəstəkləmədiyi nəticələr

İşin dəstəklədiyi nəticələr: AI təhsil assistentlərində öyrənmə mexanizmləri açıq və örtük formalarda təsnif edilə bilər; açıq öyrənmə araşdırılan ədəbiyyatda daha geniş yayılmışdır; mətn və vizuallaşdırma ən çox istifadə olunan qarşılıqlı əlaqə formalarıdır; texniki memarlıqlar zamanla qayda əsaslı sistemlərdən ML və LLM əsaslı strukturlara doğru inkişaf etmişdir; mövcud qiymətləndirmə tətbiqləri əhəmiyyətli dərəcədə heterogendir.

İşin dəstəkləmədiyi nəticələr: %79 açıq öyrənmə nisbəti açıq öyrənmənin örtük öyrənmədən “daha yaxşı” olduğunu göstərmir. %9 səs istifadəsi də səsli sistemlərin daha az effektiv olduğunu sübut etmir. İş həmçinin LLM əsaslı təhsil assistentlərinin ənənəvi sistemlərdən qəti şəkildə daha effektiv olduğunu göstərmir. Bu tədqiqat meta-analiz olmadığı üçün vahid birləşdirilmiş öyrənmə təsir ölçüsü hesablamır.

Mənbə və Metod Qeydi

Orijinal iş: Alqarni, F.; Alhirabi, N.; Rana, O.; Perera, C. Explicit and Implicit Learning Mechanisms in AI Educational Assistants: A Systematic Review.

Jurnal:AI, 2026, Volume 7, Article 160.

DOI:10.3390/ai7050160

Məqalə növü: Sistematik icmal.

Göndərilmə: 26 fevral 2026. Reviziya: 6 aprel 2026. Qəbul: 16 aprel 2026. Nəşr: 1 may 2026.

Qurumlar: Cardiff University, Birləşmiş Krallıq; King Saud University, Səudiyyə Ərəbistanı.

Metod: PRISMA 2020 təlimatı və irəli/geri snowballing yanaşması istifadə edilmişdir. Sistematik icmala 38 iş daxil edilmiş, 34 iş üçün tam məlumat çıxarışı aparılmışdır. Araşdırılan nəşrlər 2000–2024 dövrünü əhatə edir.

Maliyyələşdirmə: Tədqiqat qismən EPSRC PETRAS, EP/S035362/1 tərəfindən dəstəklənmişdir. :chatgpt-content-reference{index="9"}

Məlumatların əlçatanlığı: İşlərdən çıxarılan və kodlanan məlumatlar; daxil edilmiş işlərin siyahısı, öyrənmə növləri, tətbiq yanaşmaları və qiymətləndirmə xüsusiyyətləri daxil olmaqla əlavə materiallarda təqdim edilmişdir. :chatgpt-content-reference{index="10"}

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişlər.

Lisenziya: Creative Commons Attribution (CC BY). :chatgpt-content-reference{index="11"}

Metodoloji sərhəd: İş meta-analiz deyil və AI təhsil assistentlərinin öyrənmə üzərində vahid birləşdirilmiş təsir ölçüsünü hesablamır. Müəlliflər iş səviyyəsində formal risk-of-bias qiymətləndirməsi aparmamışlar; buna görə kəmiyyət faizlərinin dəqiq təsir ölçülərindən daha çox ədəbiyyatdakı ümumi keyfiyyət meylləri kimi şərh edilməsini tövsiyə etmişlər. :chatgpt-content-reference{index="12"}

Verianla metod qeydi: Bu Azərbaycan dilində mətn mənbə sistematik icmalın elmi məzmununu öyrədilə bilən strukturda yenidən qurur. Mənbə mətnin cümlə və abzas təqdimatı kopyalanmamış; PRISMA prosesi, taksonomiya, kəmiyyət paylanmaları, texniki tətbiq növləri, tədqiqat boşluqları və məhdudiyyətlər mənbə mənası qorunaraq müstəqil Azərbaycan dilində izahla təşkil edilmişdir.