Süni intellekt dəstəkli ağıllı tədris sistemi (AI-driven Intelligent Tutoring System, ITS), tələbənin performansına və qarşılıqlı əlaqələrinə uyğun olaraq tapşırıq, əks əlaqə, diaqnostika və öyrənmə dəstəyini uyğunlaşdıra bilən kompüter əsaslı təhsil mühitidir. Bu tədqiqat IELTS hazırlığında belə bir sistemdən istifadə edən öyrənənlərin sistemdən istifadəni davam etdirmə niyyətinin necə formalaşdığını araşdırır. Tədqiqat 494 etibarlı sorğuya əsaslanır və genişləndirilmiş Texnologiyanın Qəbulu Modelini (Technology Acceptance Model, TAM) qismən ən kiçik kvadratlar struktur tənlik modelləşdirilməsi (PLS-SEM), çoxqruplu analiz (MGA) və süni neyron şəbəkəsi (ANN) ilə qiymətləndirir.

Genişləndirilmiş modeldə qavranılan faydalılıq (PU), qavranılan istifadə rahatlığı (PEOU), qavranılan zövq (PENJ) və özünəsəmərəlilik (SE) öyrənməyə münasibətin (LA) öncülləri kimi araşdırılmışdır. Öyrənməyə münasibət və özünəsəmərəlilik isə davamlı öyrənmə niyyətinin (CLI) birbaşa öncülləridir. Bütün nümunədə altı əsas struktur yolun hamısı müsbət və statistik baxımdan əhəmiyyətli olmuşdur. Öyrənməyə münasibətə gedən ən yüksək ümumi yol əmsalı qavranılan faydalılığa aiddir (\(\beta=0.323\)); davamlı öyrənmə niyyətinə gedən iki birbaşa yol arasında öyrənməyə münasibət (\(\beta=0.361\)) və özünəsəmərəlilik (\(\beta=0.348\)) bir-birinə yaxın böyüklükdədir.

Dinləmə və oxu kontekstləri müqayisə edildikdə iki mühüm kontekstual fərq üzə çıxmışdır. Qavranılan zövqün öyrənməyə münasibətə təsiri dinləmədə \(\beta=0.340\), oxuda \(\beta=0.178\) olmuş və qruplar arasındakı fərq əhəmiyyətli bulunmuşdur (\(p=0.037\)). Qavranılan faydalılığın öyrənməyə münasibətə təsiri isə oxuda \(\beta=0.424\), dinləmədə \(\beta=0.226\)-dır; bu qrup fərqi də əhəmiyyətlidir (\(p=0.016\)). İstifadə rahatlığı, özünəsəmərəlilik və öyrənməyə münasibətin digər yollarında dinləmə ilə oxu arasında statistik baxımdan əhəmiyyətli yol fərqi aşkar edilməmişdir.

ANN nəticələri kontekstə xas bu sıralamanı dəstəkləmişdir. Öyrənməyə münasibəti proqnozlaşdıran ANN-də dinləmə qrupunun ən mühüm girişi qavranılan zövqdür; orta əhəmiyyət 0,334, normallaşdırılmış əhəmiyyət isə %100-dür. Oxu qrupunda ən mühüm giriş qavranılan faydalılıqdır; orta əhəmiyyət 0,423, normallaşdırılmış əhəmiyyət isə %100-dür. Buradakı %100 dəyişənin öyrənməyə münasibətin %100-ni izah etməsi demək deyil; yalnız eyni ANN daxilində ən mühüm proqnozlaşdırıcının digər dəyişənlərin nisbi əhəmiyyətini miqyaslamaq üçün %100-ə sabitləndiyini göstərir.

Tədqiqatın mühüm şərh məhdudiyyəti ondan ibarətdir ki, ölçülən asılı dəyişən real uzunmüddətli istifadə və ya IELTS performansı deyil, tələbələrin gələcəkdə sistemdən istifadəni davam etdirmə niyyətidir. Məlumatlar bir zaman nöqtəsində toplanmış özünəhesabat sorğusundan ibarətdir. Buna görə nəticələr dəyişənlər arasındakı əlaqələri və proqnoz nümunələrini göstərir; “zövq dinləmə uğurunu artırır” və ya “faydalılıq qavrayışı oxu balını yüksəldir” kimi səbəb-nəticəli performans nəticələri çıxarıla bilməz.

Tədqiqatın əsas problemi

Ağıllı tədris sistemləri fərdiləşdirilmiş tapşırıq tövsiyələri, adaptiv məşqlər, ani əks əlaqə, səhv diaqnostikası və öyrənmə analitikası təqdim edə bilər. Lakin bir təhsil texnologiyasından istifadə edə bilmək ilə tələbənin ondan uzun müddət istifadə etmək istəməsi eyni problem deyil. Tələbə sistemi texniki baxımdan istifadə edə və hətta faydalı hesab edə bilər; buna baxmayaraq, öyrənmə təcrübəsi darıxdırıcı, çətin və ya idarəolunmaz görünərsə, davam etdirmə niyyəti zəifləyə bilər.

Bu səbəbdən tədqiqat klassik Texnologiyanın Qəbulu Modelinin iki əsas texnologiya qavrayışını —qavranılan faydalılıq və qavranılan istifadə rahatlığını— təkbaşına kifayət hesab etməmişdir. Modelə tələbənin öz bacarığına dair özünəsəmərəlilik inancı ilə öyrənmə prosesinin özündən aldığı qavranılan zövq əlavə edilmişdir.

Tədqiqatın ikinci problemi kontekst fərqidir. IELTS dinləmə və oxu, hər ikisi reseptiv dil bacarığı olsa da, eyni koqnitiv tapşırıq deyil. Dinləmədə informasiya keçicidir; səs axını davam edərkən tələbə informasiyanı emal etməli, yadda saxlamalı və məna qurmalıdır. Oxuda isə mətnə geri qayıtmaq, sürəti dəyişmək və strategiyanı uyğunlaşdırmaq daha mümkündür. Tədqiqatçılar buna görə eyni ITS daxilindəki fərqli tapşırıqların tələbənin faydalılıq və zövq qiymətləndirmələrinə fərqli çəkilər verib-vermədiyini sınaqdan keçirmişlər.

PLS-SEM, MGA və ANN Niyə Birlikdə İstifadə Edildi?

PLS-SEM nəzəri modeldəki istiqamətli əlaqələri və hipotezləri sınaqdan keçirmək, MGA dinləmə və oxu qruplarındakı yol əmsallarının həqiqətən fərqlənib-fərqlənmədiyini araşdırmaq, ANN isə xətti modeldən kənarda mümkün qeyri-xətti proqnoz nümunələrini və proqnozlaşdırıcıların nisbi əhəmiyyətini qiymətləndirmək üçün istifadə edilmişdir; üç metod eyni sualın fərqli qatlarını araşdırır və bir-birini əvəz etmir.

Texnologiyanın Qəbulu Modeli və genişləndirilmiş model

Texnologiyanın Qəbulu Modeli (Technology Acceptance Model, TAM), texnologiyanın qəbulunu izah etmək üçün xüsusilə qavranılan faydalılıq, qavranılan istifadə rahatlığı, münasibət və davranış niyyəti arasındakı əlaqələrdən istifadə edən nəzəri çərçivədir. Bu tədqiqat klassik TAM-ı birbaşa təkrarlamaq əvəzinə onu iki dəyişənlə genişləndirmişdir: qavranılan zövq və tapşırığa xas özünəsəmərəlilik.

Burada özünəsəmərəlilik ümumi akademik özünəsəmərəlilik deyil. Tədqiqat xüsusilə tələbənin süni intellekt dəstəkli IELTS öyrənmə mühitində tapşırıqları idarə etmək, sistemin əks əlaqəsini anlamaq, yeni problemlərə həll tapmaq və uyğun strategiyalar inkişaf etdirmək qabiliyyətinə dair inancını ölçür.

Tədqiqat modelinin iki əsas struktur tənliyi

Öyrədici göstərim: Məqalə aşağıdakı iki tənliyi nömrələnmiş düstur kimi vermir. Bunlar mənbə Şəkil 1-dəki struktur əlaqələrin riyazi baxımdan aydın oxunmasını təmin edən standart xətti göstərimdir.

\[ LA=\beta_1PU+\beta_2PEOU+\beta_3PENJ+\beta_4SE+\varepsilon_{LA} \]

Bu tənlik öyrənməyə münasibətin dörd öncüllə izah olunan hissəsini göstərir. \(\beta_1,\ldots,\beta_4\) PLS-SEM yol əmsallarıdır. \(\varepsilon_{LA}\), modeldəki dörd dəyişən tərəfindən izah edilməyən öyrənməyə münasibət variasiyasını təmsil edir.

\[ CLI=\beta_5SE+\beta_6LA+\varepsilon_{CLI} \]

İkinci tənlik davamlı öyrənmə niyyətinin özünəsəmərəlilik və öyrənməyə münasibətlə izah olunan hissəsini təmsil edir. Tədqiqatda PU, PEOU və PENJ-dən CLI-yə birbaşa yollar qurulmamış; onların CLI üzərindəki dolayı təsirləri LA vasitəsilə araşdırılmışdır.

Hipotezlər

Araşdırılan ITS necə işləyirdi?

Tədqiqatda kommersiya brendi üzrə ümumiləşdirmə aparılmadan “süni intellekt əsaslı imtahana hazırlıq köməkçisi” kimi təsvir edilən tək bir sistemdən istifadə edilmişdir. Tələbə əvvəlcə mövcud İngilis dili səviyyəsinə və məqsədlərinə uyğun hədəf IELTS balını müəyyən edir. Sistem performansa və hədəfə əsasən oxu və ya dinləmə tapşırıqları təklif edir, məzmunu və çətinlik səviyyəsini dinamik şəkildə tənzimləyə bilir.

Hər tapşırıqdan sonra tələbələr ani cavab əks əlaqəsi və süni intellekt tərəfindən yaradılmış öyrənmə analizi hesabatları almışlar. Hesabatlarda performans, səhv nümunələri və növbəti çalışma üçün tövsiyələr yer almışdır. Oxu modulu sual məşqlərinə, səhv diaqnostikasına və mətnin anlaşılmasına dəstəyə daha çox yönəldiyi halda, dinləmə modulu audio giriş üzərində təkrarlanan məşqlərə və interaktiv əks əlaqəyə daha çox yer vermişdir.

Buna görə iştirakçının sistemlə əlaqəsi yalnız məzmuna baxmaqdan ibarət deyil. Tədqiqatdakı qarşılıqlı əlaqə dövrü təxminən hədəf müəyyənləşdirmə → tapşırığı tamamlama → əks əlaqə alma → öyrənmə analizini nəzərdən keçirmə → növbəti məşqi uyğunlaşdırma şəklindədir.

Ölçmə aləti necə hazırlanmışdır?

Dinləmə və oxu üçün kontekstə uyğunlaşdırılmış iki ayrı sorğu forması hazırlanmışdır. Hər forma 18 maddədən ibarət olmuşdur. Altı gizli konstruktun hər biri üç maddə ilə ölçülmüş və cavablar 1 = qətiyyən razı deyiləm ilə 5 = tamamilə razıyam arasında beşballıq Likert şkalasında alınmışdır.

PU, PEOU, PENJ, LA və CLI maddələri əvvəlki TAM və təhsil texnologiyası tədqiqatlarından uyğunlaşdırılmışdır. SE maddələri əvvəlki rəqəmsal özünəsəmərəlilik tədqiqatlarından uyğunlaşdırılmış; məna baxımından bir-birinə çox bənzəyən iki orijinal maddədən biri çıxarılaraq üç maddəlik balanslaşdırılmış struktur yaradılmışdır.

İngiliscə şkalaların Çin dilində istifadə edilə bilməsi üçün tərcümə və geri tərcümə aparılmışdır. İki ikidilli tədqiqatçı müstəqil şəkildə İngilis dilindən Çin dilinə tərcümə etmiş, tədqiqat qrupu bu versiyaları uzlaşdırmış; orijinal şkalaları görməyən başqa iki ikidilli tədqiqatçı Çin dili versiyasını yenidən İngilis dilinə çevirmişdir. Geri tərcümə edilmiş İngilis dili ilə orijinal maddələr müqayisə edilmiş və semantik fərqlər düzəldilmişdir. Daha sonra ikidilli təhsil və təhsil texnologiyası təcrübəsinə malik üç professor mədəni və dil uyğunluğunu qiymətləndirmişdir.

PLS-SEM nədir?

Qismən Ən Kiçik Kvadratlar Struktur Tənlik Modelləşdirilməsi (Partial Least Squares Structural Equation Modeling, PLS-SEM), müşahidə edilə bilməyən nəzəri konstruktları bir neçə sorğu maddəsi ilə təmsil edib bu konstruktlar arasındakı istiqamətli əlaqələri eyni model daxilində qiymətləndirməyə imkan verən variasiya əsaslı struktur tənlik modelləşdirmə yanaşmasıdır.

Bu tədqiqatda PLS-SEM seçiminin əsas səbəbi yalnız əvvəlcədən qurulmuş TAM-ı təsdiqləmək deyil; TAM-ı özünəsəmərəlilik və qavranılan zövqlə genişləndirmək, mühüm proqnozlaşdırıcıları müəyyənləşdirmək və modelin izahedici/proqnozlaşdırıcı qabiliyyətini birlikdə qiymətləndirməkdir. Analiz SmartPLS 4 ilə aparılmışdır.

Yol əmsalı \(\beta\) necə oxunmalıdır?

PLS-SEM-dəki \(\beta\), digər əlaqəli proqnozlaşdırıcılar modeldə saxlanıldıqda, bir gizli dəyişəndəki artımla nəticə dəyişəni arasındakı istiqaməti və nisbi əlaqə böyüklüyünü göstərən yol əmsalıdır. Müsbət \(\beta\) dəyişənlərin eyni istiqamətdə hərəkət etdiyini göstərir. Lakin kəsikvari müşahidə məlumatlarında müsbət və əhəmiyyətli \(\beta\) təkbaşına eksperimental səbəbiyyət sübutu deyil.

Təsir ölçüsü \(f^2\) nəyi göstərir?

Öyrədici standart düstur:

\[ f^2= \frac{R^2_{\mathrm{dahil}}-R^2_{\mathrm{hariç}}} {1-R^2_{\mathrm{dahil}}} \]

Bu metrik müəyyən bir proqnozlaşdırıcı modeldən çıxarıldıqda izah olunan variasiyanın nə qədər azaldığını göstərir. Tədqiqatda LA → CLI üçün \(f^2=0.173\) ən yüksək dəyərdir və müəlliflər tərəfindən orta böyüklükdə təsir kimi şərh edilmişdir. SE → CLI üçün \(f^2=0.162\) də orta səviyyədədir. PU → LA üçün \(f^2=0.149\) orta səviyyəyə yaxınlaşır.

Dolayı təsir necə yaranır?

PU, PEOU və PENJ modeldə CLI-yə birbaşa bağlanmır. Bu dəyişənlər əvvəlcə LA-ya, LA isə CLI-yə təsir edən strukturda sınaqdan keçirilmişdir. Sadə vasitəçilik zəncirində dolayı əmsal iki yolun hasilinə əsasən izah edilə bilər:

\[ \beta_{\mathrm{dolaylı}} = \beta_{X\rightarrow LA} \times \beta_{LA\rightarrow CLI} \]

Məsələn, PU → LA əmsalı 0,323 və LA → CLI əmsalı 0,361 olduğuna görə hasil təxminən \(0.323\times0.361\approx0.117\)-dir; tədqiqat bootstrap nəticəsini 0,116 olaraq bildirir. Bu kiçik fərq yuvarlaqlaşdırmadan qaynaqlana bilər.

R², Q² və SRMR nəyi ölçür?

\(R^2\), modelin daxili bir dəyişəndəki variasiyanın nə qədərini izah etdiyini göstərir. Tədqiqatda LA üçün \(R^2=0.436\), CLI üçün \(R^2=0.338\)-dir. Başqa sözlə, model nümunədə öyrənməyə münasibət variasiyasının təxminən %43,6-sını və davamlı öyrənmə niyyəti variasiyasının təxminən %33,8-ni izah edir. Bu nisbətlər modelin bütün fərdi davranışı izah etdiyi mənasına gəlmir.

\(Q^2\), modelin proqnozlaşdırıcı uyğunluğunu qiymətləndirən ölçüdür. Tədqiqatda LA və CLI üçün müvafiq olaraq 0,305 və 0,236 göstərilmiş və hər iki dəyərin sıfırdan böyük olması müsbət proqnozlaşdırıcı uyğunluq kimi şərh edilmişdir.

SRMR (Standardized Root Mean Square Residual), modelin proqnozlaşdırdığı və müşahidə edilən əlaqə strukturları arasındakı standartlaşdırılmış qalıqların ümumi böyüklüyünü xülasə edir. Tədqiqatda SRMR=0,062-dir və müəlliflərin istifadə etdiyi 0,08 istinad həddindən aşağıdır.

MICOM niyə MGA-dan əvvəl aparıldı?

Measurement Invariance of Composite Models (MICOM), dinləmə və oxu qruplarında eyni gizli konstruktların kifayət qədər müqayisə edilə bilən şəkildə ölçülüb-ölçülmədiyini yoxlamaq üçün tətbiq edilmişdir. Əgər iki qrupda “qavranılan faydalılıq” və ya “öyrənməyə münasibət” eyni konstruksiyanı təmsil etmirsə, yol əmsallarını birbaşa müqayisə etmək yanlış yönləndirə bilər.

MICOM üç mərhələdən ibarətdir: konfiqurasiya dəyişməzliyi, kompozisiya dəyişməzliyi və kompozit orta/variasiya bərabərliyi. Tədqiqatda konfiqurasiya və kompozisiya dəyişməzliyi təmin edilmiş, bununla qismən ölçmə dəyişməzliyi əldə edilmişdir. Tam orta/variasiya bərabərliyi bütün konstruktlarda təmin olunmamışdır. Buna görə MGA aparıla bilmiş, lakin müəlliflər iki qrupun sorğu maddələrinin oxu və dinləmə kontekstinə uyğunlaşdırılmasını ayrıca şərh məhdudiyyəti kimi qeyd etmişlər.

ANN arxitekturası

ANN analizi SPSS 27.0 daxilində çoxqatlı perseptrondan (Multilayer Perceptron, MLP) istifadə etməklə aparılmışdır. İki model qurulmuşdur. Model 1-in girişləri PU, PEOU, PENJ və SE; çıxışı LA-dır. Model 2-nin girişləri SE və LA; çıxışı CLI-dir.

Hər iki modeldə bir gizli qat və gizli qatda beş neyron vardır. Gizli qatın aktivləşdirilməsi sigmoid, çıxış qatının aktivləşdirilməsi isə identity funksiyasıdır. Təlim batch training metodu ilə həyata keçirilmişdir.

Min–max normallaşdırılması

ANN-yə verilən bütün giriş və çıxış dəyişənləri 0–1 aralığına miqyaslanmışdır. Standart min–max çevrilməsi:

\[ x'=\frac{x-x_{\min}}{x_{\max}-x_{\min}} \]

\(x\) orijinal dəyər, \(x_{\min}\) dəyişənin minimumu, \(x_{\max}\) maksimumu və \(x'\) 0–1 şkalasındakı çevrilmiş dəyərdir. Bu əməliyyat dəyişənləri ortaq ədədi aralığa gətirir. Buna görə ANN-də bildirilən RMSE dəyərləri IELTS band balı vahidində deyil; normallaşdırılmış model dəyişənlərinin proqnoz xətasıdır.

Sigmoid aktivləşdirmə funksiyası

Gizli qatda istifadə olunan sigmoid funksiyasının standart forması:

\[ \sigma(z)=\frac{1}{1+e^{-z}} \]

Funksiya istənilən həqiqi \(z\) ədədini 0 ilə 1 arasında qeyri-xətti çıxışa çevirir. Bu, ANN-nin yalnız sadə xətti əlaqələr əvəzinə daha mürəkkəb nümunələri modelləşdirə bilməsinə töhfə verir.

RMSE nəyi ölçür?

ANN-nin proqnoz xətası Root Mean Square Error (RMSE) ilə qiymətləndirilmişdir. Standart düstur:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

\(y_i\) real müşahidə olunan şkala dəyəri, \(\hat{y}_i\) ANN proqnozu və \(n\) qiymətləndirməyə daxil olan müşahidələrin sayıdır. Xətalar kvadrata yüksəldildiyi üçün böyük xətalar daha çox çəki qazanır. Daha kiçik RMSE daha kiçik proqnoz xətasını göstərir.

ANN-dəki %100 Normallaşdırılmış Əhəmiyyət Nə Deməkdir?

Normallaşdırılmış əhəmiyyət %100, ANN modelində ən yüksək orta əhəmiyyət dəyərinə malik proqnozlaşdırıcının istinad kimi 100-ə miqyaslandığını göstərir; dəyişənin nəticənin %100-nü izah etdiyini, %100 dəqiqlik təmin etdiyini və ya səbəb təsirinin %100 olduğunu göstərmir.

Standart öyrədici göstərim:

\[ NI_j= \frac{I_j}{\max(I)} \times100 \]

\(I_j\), müvafiq dəyişənin ANN həssaslıq analizindəki orta əhəmiyyətidir; \(\max(I)\) eyni model daxilində ən yüksək əhəmiyyət dəyəridir. Beləliklə ən yüksək dəyişən %100 olur və digər dəyişənlər ona nisbətən miqyaslanır.

Tədqiqatın Metodu və Nəticələri

Nümunə seçimi və məlumatların toplanması

Tədqiqatçılar məqsədli nümunə seçimi istifadə etmişlər. İştirakçının tədqiqata daxil edilməsi üçün IELTS hazırlıq təcrübəsinə, süni intellekt əsaslı imtahana hazırlıq köməkçisindən istifadə təcrübəsinə və IELTS oxu və ya dinləmə tapşırıqlarını tamamlamaq qabiliyyətinə malik olması tələb olunmuşdur.

Sorğu Fevral–Aprel 2026 arasında Credamo onlayn sorğu platformasında həyata keçirilmişdir. İştirakçılar Pekin, Guangzhou, Chongqing, Wuhan, Nanjing və Macao-dan toplanmış; 18 yaş və yuxarı orta məktəb şagirdləri, bakalavr, magistr və doktorantura tələbələri nümunəyə daxil edilmişdir.

G*Power 3.1.9.7 ilə təsir ölçüsü 0,15, \(\alpha=0.05\) və güc \(1-\beta=0.95\) istifadə edilərək minimum nümunə ölçüsü 107 hesablanmışdır. Əsas sorğudan əvvəl süni intellekt dəstəkli IELTS öyrənmə təcrübəsinə malik 50 tələbə ilə pilot tədqiqat aparılmışdır.

Pilot tədqiqatın keyfiyyət yoxlamaları

Pilotdan sonra tədqiqatçılar ölçmə maddələrində yeni düzəliş etməmiş və eyni formanı əsas sorğuda istifadə etmişlər.

522 sorğudan 494 etibarlı sorğuya keçid

Cəmi 522 sorğu toplanmışdır. Etibarlılıq yoxlama sualından keçməyən, nəzəri baxımdan oxşar olması gözlənilən maddələrdə açıq uyğunsuzluq göstərən və ya əskik cavabları olan formalar çıxarılmışdır. Nəticədə 494 etibarlı sorğu qalmış və etibarlı cavab nisbəti %94,64 olmuşdur.

Dinləmə və oxu qrupları tam balanslı şəkildə hər biri 247 iştirakçıdan ibarət olmuşdur. Heç bir iştirakçı hər iki kontekstin sorğusunu tamamlamamışdır.

İştirakçı profili

Akademik fənlər də mühəndislik, humanitar elmlər, biznes və iqtisadiyyat, sosial elmlər, informasiya texnologiyaları/kompüter elmləri, tibb elmləri, incəsənət-dizayn və təbiət elmləri arasında paylanmışdır. Ən yüksək nisbət sosial elmlərdə (%15,8), ən aşağı nisbət incəsənət və dizayndadır (%9,3).

Ümumi metod qərəzi necə yoxlanıldı?

Bütün əsas dəyişənlərin eyni özünəhesabat sorğusundan gəlməsi Common Method Bias (CMB) riski yarada bilər. Tədqiqatçılar əvvəlcə Harman tək faktor testindən istifadə etmişlər. Əsas məlumat dəstində birinci faktor ümumi variasiyanın %32,744-nü izah etmiş və mənbədə istifadə olunan %50 həddindən aşağı qalmışdır.

Harman testinin məhdudluğu səbəbindən əlavə olaraq full-collinearity VIF yoxlaması aparılmışdır. Konstrukt səviyyəsində VIF dəyərləri 1,155–1,770 arasında olmuş və istifadə olunan 3,3 istinad həddindən aşağı qalmışdır. Müəlliflər bu iki yoxlamanı birlikdə qiymətləndirərək ciddi ümumi metod qərəzinin nəticələri dominant şəkildə yönləndirdiyinə dair sübut olmadığı qənaətinə gəlmişlər. Bu testlər CMB-nin qəti şəkildə mümkün olmadığını sübut etmir.

Ölçmə modelinin etibarlılığı və konvergent etibarlılığı

Bütün maddə yükləri 0,807–0,890 arasında bildirilmişdir. Maddə səviyyəsində VIF dəyərləri 1,552–2,139 arasındadır. SRMR=0,062-dir. PLSpredict analizində PLS-SEM əksər göstəricilər üçün xətti modelə nisbətən daha aşağı proqnoz xətası yaratmışdır.

Diskriminant etibarlılıq

Fornell–Larcker qiymətləndirilməsində hər konstruktun AVE kvadrat kökünün öz sətrindəki digər konstruktlarla korrelyasiyalardan böyük olması gözlənilir. Mənbə Cədvəl 3-də diaqonal AVE kvadrat kökləri 0,837–0,880 arasındadır.

HTMT qiymətləndirilməsində isə fərqli gizli konstruktların göstərici əlaqələri müqayisə edilir. Mənbə Cədvəl 4-də görünən ən yüksək HTMT dəyəri PU ilə LA arasında 0,651-dir və istifadə olunan 0,85 həddindən aşağıdır; bildirilən etibar intervallarının heç biri 1-i əhatə etmir.

Bütün nümunədə hipotez testi

Öyrənməyə münasibətin dörd öncülü arasında bütün nümunədə ən yüksək yol əmsalı qavranılan faydalılığa aiddir (\(\beta=0.323\)). Davamlı öyrənmə niyyətinə gedən birbaşa yollarda LA (\(\beta=0.361\)) və SE (\(\beta=0.348\)) bir-birinə yaxın nəticə vermişdir.

Öyrənməyə münasibətin vasitəçilik rolu

Bütün etibar intervalları sıfırdan kənardadır. Ən yüksək dolayı təsir PU → LA → CLI yolunda 0,116-dır. SE-nin CLI üzərində həm birbaşa yolu, həm də LA vasitəsilə dolayı yolu vardır.

MICOM nəticəsi

1000 permutasiyalı MICOM qiymətləndirilməsində bütün konstruktlar üçün konfiqurasiya dəyişməzliyi və kompozisiya dəyişməzliyi təmin edilmişdir. Beləliklə qismən ölçmə dəyişməzliyi qurulmuşdur. Bununla yanaşı LA, PENJ, PU və SE üçün qrup ortalamalarının; LA üçün isə əlavə olaraq qrup variasiyasının bərabərliyi təmin edilməmişdir. Buna görə dinləmə–oxu MGA müqayisəsi aparıla bilən hesab edilmiş, lakin tam ölçmə dəyişməzliyi mövcudmuş kimi şərh edilməmişdir.

Dinləmə və oxu qruplarında yol əmsalları

Burada diqqət edilməli məqam odur ki, “dinləmədə zövq vacibdir, oxuda faydalılıq vacibdir” ifadəsi digər dəyişənlərin əhəmiyyətsiz olması demək deyil. Altı əsas yol hər iki qrupda müsbət və əhəmiyyətlidir. Qrup müqayisəsində yalnız PU → LA və PENJ → LA yollarının böyüklüyü əhəmiyyətli şəkildə fərqlənmişdir.

ANN təlim və test xətaları

Hər ANN modeli və hər kontekst üçün 10 müstəqil təsadüfi təlim–test bölünməsi aparılmışdır. Hər icrada təxminən %90 təlim və %10 test istifadə edilmiş; təsadüfi təyinetmə səbəbindən faktiki N dəyərləri icralar arasında dəyişmişdir. Test dəstləri müxtəlif təkrarlarda qismən üst-üstə düşə bilər.

Mənbə təlim və test RMSE-ləri arasındakı fərqlərin ümumilikdə kiçik olmasını held-out nümunələrdə geniş ölçüdə ardıcıl performans əlaməti kimi şərh edir. Bəzi təkrarlarda test RMSE-sinin təlim RMSE-sindən aşağı olması təsadüfi test alt dəstinin daha homogen və ya daha asan proqnozlaşdırılan müşahidələri ehtiva etməsi ilə izah oluna bilən nümunə dəyişkənliyi kimi qiymətləndirilmişdir.

Bu RMSE böyüklüklərinin tətbiqi mənası çıxış şkalasından və dəyişkənlikdən asılıdır. Dəyərlər min–max normallaşdırılmasından sonrakı model şkalasındadır; IELTS imtahan balının xətası deyil.

ANN həssaslıq analizi

PLS-SEM və ANN sıralamaları ümumilikdə bir-birini dəstəkləyir. Dinləmədə LA üçün PENJ birinci yerdədir; oxuda LA üçün PU birinci yerdədir. Dinləmə Model 1-də PEOU ilə SE-nin aşağı sıralaması PLS-SEM və ANN arasında kiçik fərq göstərir, lakin əsas kontekstual nümunə dəyişmir.

Möhkəmlik yoxlaması

Nümunənin %6,1-ni təşkil edən 18 yaş və yuxarı orta məktəb şagirdlərinin əsas nəticələrə təsir edib-etmədiyini görmək üçün bu iştirakçılar çıxarılaraq PLS-SEM və MGA yenidən qiymətləndirilmişdir.

Bu analizdə altı əsas hipotez yenə də dəstəklənmişdir. PU → LA üçün \(\beta=0.313\), PEOU → LA üçün \(\beta=0.225\), PENJ → LA üçün \(\beta=0.254\), SE → LA üçün \(\beta=0.176\), SE → CLI üçün \(\beta=0.346\) və LA → CLI üçün \(\beta=0.356\) əldə edilmişdir; bütün yollar \(p<0.001\)-dir.

Dinləmə–oxu müqayisəsinin iki əsas fərqi də qorunmuşdur: PU → LA oxuda daha güclü qalmış, PENJ → LA isə dinləmədə daha güclü qalmışdır. Orta məktəb şagirdləri çıxarıldıqda PU qrup fərqi −0,186 və PENJ qrup fərqi 0,181 olaraq bildirilmiş; hər ikisi \(p<0.05\)-dir.

Bu Tədqiqat Süni İntellekt Dəstəkli IELTS Sisteminin Öyrənmə Uğurunu Artırdığını Sübut Edirmi?

Xeyr. Tədqiqat real IELTS balı artımını, uzunmüddətli istifadə davranışını və ya eksperimental öyrənmə nailiyyətini ölçmür; bir zaman nöqtəsində toplanan özünəhesabat məlumatları ilə tələbələrin texnologiya qavrayışları, öyrənməyə münasibəti və gələcəkdə istifadəni davam etdirmə niyyəti arasındakı əlaqələri araşdırır.

Dinləmə və oxu fərqinin mənası

Müəlliflərin nəzəri şərhinə görə dinləmə keçici audio girişi, zaman təzyiqi və real vaxtda emal tələbi səbəbindən tələbənin diqqətini və iştirakını davam etdirməsini çətinləşdirə bilər. Buna görə zövq və müsbət təcrübə dinləmə kontekstində öyrənməyə münasibətlə daha güclü əlaqəli ola bilər.

Oxuda isə tələbə mətnə geri qayıda, sürətini tənzimləyə, strategiya tətbiq edə və sistemin səhv diaqnostikasının və ya mətnin anlaşılmasına dəstəyinin tapşırıq uğuruna birbaşa nə qədər töhfə verdiyini daha aydın qiymətləndirə bilər. Buna görə praktik faydalılıq qavrayışı oxuda münasibətin daha güclü müəyyənedicisi kimi ortaya çıxmış ola bilər.

Lakin tədqiqat bu izahı “dil bacarıqlarının dəyişməz təbiəti” kimi sübut etmir. İstifadə olunan platformanın dinləmə modulu daha çox təkrarlanan məşq və interaktiv ani əks əlaqə ehtiva etdiyi halda, oxu modulu diaqnostikaya və tapşırıq dəstəyinə daha çox yönəlmişdir. Buna görə müəyyən edilən fərq tapşırıq xüsusiyyəti ilə platforma dizaynının birgə nəticəsi ola bilər.

Tədqiqatın dəstəklədiyi nəticələr

• Qavranılan faydalılıq, istifadə rahatlığı, zövq və özünəsəmərəlilik öyrənməyə münasibətlə müsbət əlaqəlidir.
• Öyrənməyə münasibət və özünəsəmərəlilik davamlı öyrənmə niyyəti ilə müsbət əlaqəlidir.
• PU, PEOU, PENJ və SE-nin CLI üzərində LA vasitəsilə əhəmiyyətli dolayı təsirləri vardır.
• Dinləmə kontekstində PENJ → LA yolu oxudan əhəmiyyətli dərəcədə daha güclüdür.
• Oxu kontekstində PU → LA yolu dinləmədən əhəmiyyətli dərəcədə daha güclüdür.
• PEOU → LA, SE → LA, SE → CLI və LA → CLI yollarında iki kontekst arasında əhəmiyyətli yol fərqi görülməmişdir.
• ANN-nin nisbi əhəmiyyət sıralaması əsas kontekstual MGA nümunəsini dəstəkləyir.
• Orta məktəb şagirdlərinin çıxarıldığı möhkəmlik analizində əsas nəticələr böyük ölçüdə qorunmuşdur.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat zövqün IELTS dinləmə balını artırdığını, qavranılan faydalılığın IELTS oxu performansını yüksəltdiyini, ANN-nin IELTS uğurunu proqnozlaşdırdığını, süni intellekt əsaslı ITS-nin insan müəllimdən üstün olduğunu, tələbələrin həqiqətən uzun müddət sistemdən istifadəni davam etdirdiyini və ya aşkar olunan əlaqələrin qəti səbəb-nəticə xarakterli olduğunu göstərmir.

Əsas məhdudiyyətlər

Kəsikvari dizayn: Məlumatlar bir zaman nöqtəsində toplandığı üçün motivasiya, münasibət və istifadə niyyətinin zamanla dəyişməsi izlənməmişdir. Qəti səbəb-nəticə nəticəsi çıxarıla bilməz.

Özünəhesabat: Əsas dəyişənlər tələbələrin öz cavablarıdır. Statistik CMB yoxlamaları aparılsa da, özünəhesabat məlumatlarının bütün məhdudiyyətləri aradan qalxmır.

Məqsədli və onlayn nümunə seçimi: Credamo istifadəçiləri internetdən daha tez-tez istifadə edən və rəqəmsal texnologiya ilə daha tanış şəxsləri həddindən artıq təmsil edə bilər. Könüllü iştirak da süni intellektlə öyrənməyə daha çox maraq göstərən şəxslərin seçilməsinə səbəb ola bilər. Nümunə bütün IELTS öyrənənlərinin təsadüfi təmsilçisi deyil.

Coğrafi/mədəni məhdudiyyət: Nümunə əsasən Çinli IELTS öyrənənlərinə əsaslanır. Nəticələrin fərqli ölkələrə, mədəniyyətlərə və təhsil sistemlərinə birbaşa ümumiləşdirilməsi təsdiqlənməmişdir.

Tək platforma: Yalnız bir süni intellekt əsaslı IELTS hazırlıq sistemindən istifadə edilmişdir. Platformanın özünəməxsus qarşılıqlı əlaqə, əks əlaqə və diaqnostika dizaynı nəticələrə təsir göstərə bilər.

Kontekstə uyğunlaşdırılmış ölçmə: Dinləmə və oxu sorğuları eyni konseptual konstruktları ölçmək üçün hazırlansa da, maddələr müvafiq tapşırıq kontekstinə uyğunlaşdırılmışdır. Qismən ölçmə dəyişməzliyi təmin olunsa belə, qrup fərqlərinin hamısının yalnız tapşırıq növündən qaynaqlandığı qəti deyil.

Modelin əhatəsi: Texnologiyaya etibar, qavranılan alqoritmik ədalət, müəllim dəstəyi, tədris mövcudluğu, öyrənmə analitikası əks əlaqəsi və təhsil texnologiyasının idarəedilməsi kimi başqa mümkün dəyişənlər modelə daxil edilməmişdir.

Mənbə və Metod Qeydi

Orijinal başlıq: Utilitarian Value or Enjoyment Experience? The Formation Mechanism of IELTS Learners’ Continuous Learning Intention in AI-Driven Intelligent Tutoring Systems: Evidence from PLS-SEM, MGA, and ANN

Müəlliflər: Sunyu Tao, Hongfeng Zhang, Shenglin Liu.

Müəllif sırası: Mənbədəki sıra olduğu kimi qorunmuşdur.

Bərabər töhfə: Mənbədə bərabər birinci müəlliflik və ya bərabər töhfə işarəsi göstərilməmişdir.

Məsul müəllif: Hongfeng Zhang.

Afiliasiya 1: Faculty of Humanities and Social Sciences, Macao Polytechnic University, Macao 999078, China.

Afiliasiya 2: School of Management, Universiti Sains Malaysia, Pulau 11800, Penang, Malaysia.

Jurnal: Education Sciences.

Nəşriyyatçı: MDPI.

Nəşr məlumatı: 2026, Volume 16, Article 1526.

DOI: 10.3390/educsci16091526.

Rəsmi nəşr bağlantısı: DOI vasitəsilə MDPI Education Sciences məqalə qeydi.

Göndərilmə tarixi: 9 İyul 2026.

Reviziya tarixi: 11 Sentyabr 2026.

Qəbul tarixi: 15 Sentyabr 2026.

PDF-dəki nəşr tarixi: 16 Sentyabr 2026.

Versiya qeydi: MDPI-nin rəsmi Article Version Notes qeydi, 16 Sentyabr 2026 tarixli Version of Record-dan sonra PDF/HTML fayllarının 17 Sentyabr 2026-da yeniləndiyini göstərir. Bu Verianla yazısı istifadəçi tərəfindən təqdim olunan PDF-in elmi məzmununu əsas götürür.

Mənbə növü: Rəyli tədqiqat məqaləsi. Kəsikvari, məqsədli nümunə seçiminə və özünəhesabat sorğusuna əsaslanan müşahidə/əlaqə tipli tədqiqat; PLS-SEM, MICOM, MGA və ANN metodlarından birlikdə istifadə edir.

Rəydən keçmə statusu: Education Sciences jurnalında dərc olunmuş rəyli məqalədir.

Lisenziya: PDF məqalənin Creative Commons Attribution (CC BY) lisenziyası altında açıq girişli olduğunu bildirir. PDF-dəki mətn qeydindən əlavə bir CC versiya nömrəsi fərz edilməmişdir.

Nümunə: Toplanmış 522 sorğudan 494 etibarlı sorğu; dinləmə n=247, oxu n=247.

Məlumat toplama dövrü: Fevral–Aprel 2026.

Məlumat toplama platforması: Credamo.

Analiz proqramları: SmartPLS 4, SPSS 27.0 və nümunə/güc analizlərində G*Power 3.1.9.7.

Etika komitəsi: Macao Polytechnic University Research Committee; Approval No. RP/FCHS-01/2023/E01, 30 Noyabr 2023.

Məlumatlandırılmış razılıq: Bütün iştirakçılardan alınmışdır.

Maliyyələşdirmə: Macao Polytechnic University tərəfindən RP/FCHS-01/2023 nömrəsi ilə dəstəklənmişdir.

Məlumatların əlçatanlığı: Tədqiqat məlumatlarının əsaslandırılmış sorğu əsasında məsul müəllifdən əldə edilə biləcəyi bildirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişlər.

Müəllif töhfələri: Konseptuallaşdırma Sunyu Tao; metod Sunyu Tao və Hongfeng Zhang; proqram təminatı Sunyu Tao və Shenglin Liu; doğrulama Sunyu Tao və Shenglin Liu; formal analiz Sunyu Tao; tədqiqat Sunyu Tao; resurslar Hongfeng Zhang; məlumatların kurasiyası Sunyu Tao və Shenglin Liu; ilkin qaralama Sunyu Tao; nəzərdən keçirmə və redaktə Hongfeng Zhang; vizuallaşdırma Sunyu Tao; nəzarət Hongfeng Zhang; layihənin idarə edilməsi Hongfeng Zhang; maliyyələşdirmənin əldə edilməsi Hongfeng Zhang.

Mənbədaxili uyğunsuzluq 1 — Fornell–Larcker izahı: Əsas mətn ən yüksək konstrukt korrelyasiyalarını 0,48 kimi təsvir etdiyi halda, Cədvəl 3-də PU–LA korrelyasiyası 0,518 kimi görünür. Verianla cədvəl dəyərini dəyişdirməmişdir.

Mənbədaxili uyğunsuzluq 2 — HTMT yuxarı həddi: Mətn HTMT aralığını 0,159–0,596 kimi yazdığı halda, Cədvəl 4-də PU–LA HTMT dəyəri 0,651-dir. Verianla dəqiq dəyər kimi cədvəldə görünən 0,651-i əsas götürmüşdür.

Mənbədaxili uyğunsuzluq 3 — Struktur VIF aralığı: Struktur modelin izahında VIF aralığı 1,088–1,239 kimi göstərilmişdir; Cədvəl 5-də PENJ → LA sətrində VIF=1,247 vardır. Verianla bu dəyəri səssizcə dəyişdirmir.

Mənbədaxili uyğunsuzluq 4 — PEOU dolayı təsir p dəyəri: Cədvəl 6-dan əvvəlki mətn PEOU → LA → CLI üçün p<0,01 ifadəsini istifadə etdiyi halda, Cədvəl 6 p<0,001 göstərir. Əsas nəticələr cədvəlində Cədvəl 6-nın açıq dəyəri qorunmuş, fərq burada qeyd edilmişdir.

ANN şərh məhdudiyyəti: ANN çıxışları LA və CLI şkala dəyərlərini proqnozlaşdırır; real IELTS oxu/dinləmə balını proqnozlaşdırmır. RMSE nəticələri min–max normallaşdırılmasından sonrakı şkalaya aiddir.

MGA şərh məhdudiyyəti: Dinləmə və oxu kontekstləri üçün qismən ölçmə dəyişməzliyi qurulmuşdur; tam dəyişməzlik bütün konstruktlarda təmin edilməmişdir. İki sorğu forması tapşırıq kontekstinə uyğunlaşdırılmışdır.

Səbəbiyyət məhdudiyyəti: Tədqiqat kəsikvaridir. “Təsir” və “yol” ifadələri PLS-SEM modelindəki statistik əlaqə dilidir; eksperimental səbəbiyyət mənasına gəlmir.