Бул изилдөө генеративдик жасалма интеллекттен алынган агымдуу жана өзүнө ишенимдүү жоопторду алардын ишенимдүүлүгү али текшериле электе колдонуучунун билим катары кабыл алышы көйгөйүн карайт. Жалган-ишенимдүү билим (pseudoconfident knowledge) — чыныгы ишенимдүүлүгү, булактык негизи же фактылык тактыгы али аныктала элек болсо да, ырааттуу, толук жана ынанымдуу берилгендигинен улам колдонуучунун аң-сезиминде эрте эле билим макамына ээ болгон AI мазмуну; бул жерде “билим” классикалык эпистемологиядагы текшерилген билим маанисинде колдонулбайт. Изилдөөчүлөр бул концептуалдык алкакты Казакстанда 18 жаштан жогорку адамдардан онлайн түрдө чогултулган 216 анкета менен сынашкан. Сыпаттамалык статистика, кайчылаш таблицалар, Pearson хи-квадрат тести жана Cramér's V колдонулган. Негизги жыйынтык — эпистемикалык тууралык AI колдонуу жыштыгы менен маанилүү байланышта эмес, бирок жоопту салыштыруу, түзөтүү же текшерүү сыяктуу иштетүү стратегиялары менен маанилүү жана орточо деңгээлде байланышта. Изилдөө кесилиштик жана ыктымалдуулукка негизделбеген тандалма менен жүргүзүлгөндүктөн, бул байланыш себептүүлүк катары чечмелене албайт жана бардык AI колдонуучуларына түз жалпыланбайт.

Изилдөөнүн борборундагы “парадокс” формалдык логикадагы парадокс эмес. Социалдык-эпистемикалык маанидеги карама-каршылык — колдонуучунун AI дан жооп алуу жөндөмү жана колдонуу адаты тез өнүгүп жатканда, ошол жооптордун эпистемикалык макамын баалоо жөндөмү да ошондой ылдамдыкта өнүгүшү милдеттүү эместигинде. Адам AI ды күн сайын колдонуп, жакшы prompt жазып, пайдалуу тексттерди ала алат; бирок жооптун риторикалык ишенимдүүлүгүн чыныгы негиздемеден жана текшерилүүчүлүктөн айырмалай албаса, жалган-ишенимдүү билимге карата алсыз болуп калышы мүмкүн.

Жалган-ишенимдүү билим деген эмне?

Жалган-ишенимдүү билим — генеративдик жасалма интеллект ачык, ырааттуу, логикалык жактан тыкан жана өзүнө ишенимдүү түрдө берген мазмундун чыныгы тууралыгы же булактык негизи жетиштүү текшерилбей туруп колдонуучу тарабынан ишенимдүү билим катары кабыл алынышы. Бул түшүнүк жалган же галлюцинация камтыган AI жоопторун гана сүрөттөбөйт; жооп туура болсо да, колдонуучу анын ишенимдүүлүгү али аныктала электе, жөн гана берилүү формасына таянып ага билим макамын берсе, ошол эле эпистемикалык механизм пайда болушу мүмкүн.

Жалган маалымат менен жалган-ишенимдүү билим бир нерсе эмес

Изилдөөнүн маанилүү концептуалдык айырмасы ушул жерде көрүнөт. AI чыгарган натыйжанын туура эмес болушу — моделдин мазмун деңгээлиндеги катасы. Жалган-ишеним маселеси болсо колдонуучу ошол натыйжаны кандай эпистемикалык макам менен кабыл алары тууралуу. Туура эмес жооп жалган-ишенимдүү түрдө кабыл алынышы мүмкүн; бирок туура жооп да анын негиздемеси текшерилбей, жөн гана агымдуу баяндалганы үчүн так билим катары кабыл алынышы мүмкүн.

Ошондуктан изилдөөнүн темасы жөн гана “AI галлюцинация кылабы?” деген суроо эмес. Авторлордун көңүлү ыктымалдуу же жетиштүү текшерилбеген натыйжанын тилдик жактан бүтүн жана так ырастоо формасында берилиши менен колдонуучунун ошол формага көрсөткөн ишениминин ортосундагы байланышта.

Төрт өзүнчө эпистемикалык деңгээл

Күнүмдүк AI колдонуудагы эпистемикалык ажырым деген эмне?

Эпистемикалык ажырым — генеративдик жасалма интеллект издөө, жазуу, үйрөнүү жана түшүндүрүү сыяктуу күнүмдүк иш-аракеттерге тез сиңип жатканда, колдонуучулардын AI жоопторунун ишенимдүүлүк жана негизделгендик деңгээлин сынчыл баалоо жөндөмүнүн ошол эле ылдамдыкта өнүкпөй калышынын ортосундагы түзүмдүк дал келбестик. Колдонуучу операциялык жактан жөндөмдүү болушу мүмкүн, бирок ынанымдуулук менен текшерилген билимдин ортосундагы айырманы ажыратууда кыйналышы мүмкүн.

Операциялык AI компетенттүүлүгү менен эпистемикалык жетилгендик эмне үчүн бөлүнөт?

Генеративдик AI классикалык интернет издөөгө караганда башка маалымат чөйрөсүн түзөт. Издөө системасында колдонуучу көп учурда бир нече булакка туш болот, аларды тандайт жана бөлүктөрдү өз аңында бириктирет. Генеративдик AI болсо көп учурда колдонуучуга алдын ала иреттелген, түшүндүрмөлүү, грамматикалык жактан жылмакай жана бүтүндүү бир жооп берет. Бул ыңгайлуулук когнитивдик чыгымды азайткан менен, кошумча таасир жаратышы мүмкүн: жооптун формалык бүтүндүгү анын эпистемикалык ишенимдүүлүгү менен чаташтырылышы мүмкүн.

Ошондуктан “AI ды колдонгонду билүү” менен “AI жообуна канчалык ишенүүгө болорун билүү” бир эле компетенттүүлүк эмес. Изилдөө AI сабаттуулугун жөн гана prompt жазуу, курал колдонуу же натыйжа алуу жөндөмү катары эмес, моделдин чектөөлөрүн таануу, ырастоолорду айырмалоо, ишеним деңгээлин тууралоо жана зарыл учурда өз алдынча текшерүү жүргүзүү жөндөмү менен бирге карайт.

Эпистемикалык сергектик жана калибрленген ишеним

Эпистемикалык сергектик (epistemic vigilance) — сырттан алынган маалыматтын булагын, контекстин, ишенимдүүлүгүн жана ката коркунучун баалоо аркылуу ишеним деңгээлин тууралоо жөндөмү. Изилдөө бул түшүнүктү AI колдонууга колдонгондо эки чектен чыккан мамилени четке кагат: бардык AI жоопторуна шартсыз ишенүү жана бардык AI жоопторун башынан баштап өз алдынча текшерүүгө аракет кылуу.

Авторлор сунуштаган мамиле — калибрленген ишеним. Катанын баасы, ырастоонун түрү жана колдонуу контексти тобокелдүүрөөк болгон сайын текшерүү деңгээли да жогорулашы керек. Жөнөкөй идея жаратуу тапшырмасында чектелген көзөмөл жетиштүү болушу мүмкүн, ал эми илимий булак, укуктук чечим, сандык маани же олуттуу кесепетке алып келиши мүмкүн болгон нормативдик ырастоо катуураак текшерүүнү талап кылышы мүмкүн.

AI жообу эмне үчүн “жарым-күбөлүк” катары каралат?

Изилдөө AI жоопторун quasitestimony, башкача айтканда функциялык жактан күбөлүккө окшогон, бирок адам күбөлүгү менен бирдей эпистемикалык макамга ээ эмес байланыш формасы катары чечмелейт. Адам бир нерсени так айтканда, адатта өз ырастоосунун негизине жана тууралыгына байланыштуу белгилүү бир жоопкерчилик алат. Генеративдик AI болсо так билдирүү формасында сүйлөй алат, бирок жеке тажрыйбага, моралдык жоопкерчиликке же айткан нерсесинин тууралыгына карата субъективдүү берилгендикке ээ эмес.

Ошондуктан тилдик форма менен эпистемикалык макам айырмаланышы мүмкүн. AI чыгарган натыйжа так ырастоонун грамматикалык түзүлүшүнө ээ болгону менен, эпистемикалык жактан болгону ыктымалдык, кайра түзүү, гипотеза же алдын ала түшүндүрмө болушу мүмкүн. Жалган-ишеним коркунучу шарттуу же бүдөмүк эпистемикалык абал так билдирүү формасына айланганда көбөйөт.

Жалган-ишеним кандай формаларда пайда болушу мүмкүн?

Prompt негизиндеги үч бурчтук текшерүү

Изилдөө талкуу бөлүмүндө prompt негизиндеги үч бурчтук текшерүү (prompt-based triangulation) деп атаган стратегияны сунуштайт. Колдонуучу бир эле суроону ар башка формада бере алат, альтернативдүү түшүндүрмөлөрдү сурай алат, ырастоолордун негиздерин суроо астына коё алат, белгисиздиктерди көрсөтүүнү талап кыла алат жана кайсы пункттар тышкы текшерүүнү талап кыларын сурай алат. Ар башка prompt формалары байкаларлык түрдө башкача жоопторду берсе, бул жоопту даяр билим катары эмес, кошумча текшерүүнү талап кылган белгисиздик чөйрөсү катары баалоо үчүн белги болушу мүмкүн.

Бирок маанилүү чектөө бар: изилдөө анкетасында prompt стратегиялары өз алдынча өзгөрмө катары өлчөнгөн эмес. Ошондуктан prompt негизиндеги үч бурчтук текшерүү бул изилдөөдө эмпирикалык жактан тастыкталган ийгилик фактору эмес, жыйынтыктардан улам иштелип чыккан концептуалдык жана практикалык сунуш.

Жеке катадан системалык эпистемикалык кайтарым байланышка

Авторлор жалган-ишенимдүү мазмун жеке колдонуучу деңгээлинде гана калбашы мүмкүн экенин талкуулашат. Текшерилбеген AI тексттери тапшырмаларга, отчетторго, блогдорго, социалдык медиа мазмунуна же башка маалымат чөйрөлөрүнө өткөрүлгөндө кайра индекстелип, цитаталанып жана кайра колдонулушу мүмкүн. Ошентип, начар негизделген мазмундун жалпы маалымат чөйрөсүндө айланышы узак мөөнөттө эпистемикалык кайтарым байланыш коркунучун күчөтүшү мүмкүн.

Изилдөө бул жерде ашыкча ырастоо жасабоого өзгөчө көңүл бурат: ар бир туура эмес AI чыгарылышы келечектеги окутуу маалыматтарына кирет же түздөн-түз моделдин кыйрашына алып келет деп айтылбайт. Айтылып жаткан чектелген ырастоо — чоң көлөмдө текшерилбеген машиналык мазмундун жүгүртүлүшү жалпы билим чөйрөсүнүн сапаты үчүн топтолмо коркунуч жаратышы мүмкүн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө дизайны

Изилдөө бир убакыттык, кесилиштик жана өз алдынча толтурулуучу онлайн анкета дизайнына ээ. Жалпы 216 анкета Google Forms аркылуу чогултулган. Катышуучулар Казакстан Республикасында жашаган 18 жаштан жогорку адамдардан турган. Тандалма ыктыярдуу жана ыктымалдуулукка негизделбеген; ошондуктан изилдөө жалпы калктын статистикалык жактан өкүлчүлүктүү баасын берүүнү максат кылбайт.

Изилдөөнүн эмпирикалык максаты бүт “жалган-ишенимдүү билим” теориясын бир эле статистикалык тест менен далилдөө эмес. Тар максат — AI ды күнүмдүк колдонуу деңгээли менен AI жоопторун эпистемикалык жактан баалоо багыты бири-биринен ажырайбы-жокпу текшерүү.

Беш негизги өзгөрмө

\(U_i\), \(F_i\) жана \(G_i\) негизинен AI нин күнүмдүк жашоого операциялык жактан канчалык сиңгенин көрсөтсө, \(S_i\) жана \(E_i\) сынчыл эпистемикалык багытка көбүрөөк байланыштуу. Көзөмөл суроосу кеңири жана өзүнө ишенимдүү баяндоо өзүнөн өзү тууралык менен ишенимдүүлүктү камсыз кылбай турганын катышуучу түшүнөбү-жокпу минималдуу деңгээлде өлчөө үчүн колдонулган.

Пайыздык бөлүштүрүү

Категориянын тандалмадагы пайызы булакта Теңдеме (1) менен эсептелген:

\[ p_j=\frac{n_j}{N}\times100 \]

Бул жерде \(n_j\) — \(j\) категориясындагы байкоолордун саны; \(N\) болсо тиешелүү анализдеги жалпы жарактуу байкоолордун саны. Изилдөөдө жетишпеген жооптор болгондуктан бардык өзгөрмөлөрдүн жарактуу \(N\) мааниси 216 эмес.

Шарттуу бөлүштүрүүлөр

Изилдөөчүлөр эпистемикалык жактан туура жооп колдонуу жыштыгына, жоопту иштетүү стратегиясына жана колдонуу максатына жараша кандай өзгөрөрүн төмөнкү шарттуу бөлүштүрүүлөр менен карашкан:

\[ P(E=1\mid F=f),\qquad P(E=1\mid S=s),\qquad P(E=1\mid G=g) \]

Бул түзүлүш орточо маанилерди салыштырбастан, категориялар арасында эпистемикалык тууралык үлүштөрү кандай бөлүштүрүлгөнүн изилдөөгө мүмкүндүк берет.

Pearson хи-квадрат тести

Категориялык өзгөрмөлөрдүн ортосунда статистикалык байланыш бар-жогун текшерүү үчүн Pearson хи-квадрат тести колдонулган:

\[ \chi^2=\sum_{r=1}^{R}\sum_{c=1}^{C}\frac{(O_{rc}-E_{rc})^2}{E_{rc}} \]

\(O_{rc}\) — кайчылаш таблицанын тиешелүү уячасында байкалган жыштык; \(E_{rc}\) болсо эки өзгөрмө көз карандысыз деген божомол астындагы күтүлгөн жыштык. Хи-квадрат тести байланыштын бар экенине далил берет, бирок анын көлөмүн өзүнчө көрсөтпөйт.

Cramér's V

Байланыштын көлөмүн баалоо үчүн булакта Cramér's V коэффициенти колдонулган:

\[ V=\sqrt{\frac{\chi^2}{N\times \min(R-1,C-1)}} \]

Бул жерде \(N\) — анализдеги жарактуу байкоолордун саны, \(R\) жана \(C\) болсо кайчылаш таблицанын сап жана мамыча категорияларынын санын билдирет. Изилдөөнүн негизги салыштыруусунда жоопту иштетүү стратегиясы менен эпистемикалык тууралыктын ортосундагы байланыш \(V=0.305\) болуп, авторлор тарабынан орточо көлөмдө деп бааланганы билдирилген.

Борбордук эмпирикалык теңсиздик

Макаланын бүт концептуалдык-эмпирикалык түзүлүшү Теңдеме (5) менен жыйынтыкталат:

\[ O_i \uparrow \nRightarrow C_i \uparrow \]

\(O_i\) күнүмдүк AI колдонуудагы операциялык катышууну; \(C_i\) сынчыл эпистемикалык багытты билдирет. Теңдемедеги \(\nRightarrow\) белгиси AI ды интенсивдүү же көп колдонуу сынчыл эпистемикалык багыт сөзсүз жогорулайт дегенди билдирбейт. Бул билдирүү детерминисттик математикалык мыйзам эмес, изилдөө текшерген жана жыйынтыктар колдогон аналитикалык байланышты кыскача көрсөткөн белгилөө.

Негизги сыпаттамалык бөлүштүрүүлөр

Булак ичиндеги ырааттуулук эскертүүсү: Макаланын баяндоо абзацтарындагы айрым пайыздар 1-таблица менен кичине айырмачылыктарды көрсөтөт. Жогорудагы маанилер категориялардын саны жана жарактуу N маалыматы менен бирге берилген булактагы 1-таблицадан алынган; тексттеги айырмалуу пайыздар булак менен үнсүз бириктирилген эмес.

AI ды көбүрөөк колдонуу эпистемикалык тууралыкты жогорулатабы?

Бул изилдөөнүн тандалмасында AI колдонуу жыштыгы менен эпистемикалык көзөмөл суроосундагы тууралыктын ортосунда статистикалык жактан маанилүү байланыш табылган эмес: \(\chi^2(4)=5.881\), \(p=0.208\), \(V=0.171\). Ошондуктан AI ды көбүрөөк колдонуу өзүнөн өзү жогорку эпистемикалык жетилгендикти же күчтүү текшерүү адатын билдирет деген жыйынтык бул маалыматтар менен колдоого алынбайт.

Аптасына 3–5 жолу колдонгон топтогу үлүш башка топтордон жогору көрүнгөнү менен, бардык топторду салыштырган статистикалык тест маанилүү эмес. Ошондуктан айрым пайыздык айырмачылыктарды “колдонуу жыштыгы эпистемикалык тууралыкты жогорулатат” деген себептик же жалпыланма жыйынтыкка айлантуу туура эмес.

Эмне үчүн AI жообун иштетүү стратегиясы маанилүүрөөк көрүнөт?

AI жообун башка булактар менен салыштыруу, колдонордон мурда түзөтүү же практикалык түрдө сыноо стратегиялары жогорку эпистемикалык тууралык үлүштөрү менен байланышта болсо, жоопту өзгөртпөй колдонуу төмөнкү тууралык үлүшү менен байланышта. Стратегия менен эпистемикалык тууралыктын ортосундагы байланыш статистикалык жактан маанилүү жана изилдөөдө орточо көлөмдө деп билдирилген: \(\chi^2(4)=18.939\), \(p=0.0008\), \(V=0.305\).

Акыркы сап дагы бир маанилүү айырманы көрсөтөт: AI га жалпы ишенбөө автоматтык түрдө эпистемикалык жактан күчтүү позиция дегенди билдирбейт. Изилдөө жактаган мамиле шартсыз ишеним же шартсыз ишенбестик эмес, ырастоонун тобокелдигине жана контекстине жараша туураланган калибрленген ишеним.

Булак ичиндеги ырааттуулук эскертүүсү: Булактагы 2-таблицада салыштыруу жана түзөтүү топтору үчүн тиешелүүлүгүнө жараша %68,2 жана %65,5 берилсе, дароо кийинки баянда %67,8 жана %64,9 маанилери өтөт. Жогорудагы таблица билдирилген n маанилерине ылайык келген булак таблицасындагы маанилерди сактайт; бул айырма Verianla тарабынан жаңы маалымат түзүлүп жоюлган эмес.

Колдонуу максаты жана эпистемикалык тууралык

Топтор арасында көрүнгөн айырмачылыктарга карабастан, колдонуу максаты менен эпистемикалык тууралыктын байланышы салттуу статистикалык маанилүүлүк чегине жеткен эмес: \(\chi^2(5)=9.311\), \(p=0.097\), \(V=0.214\). Ошондуктан, мисалы, AI ды иш максатында колдонуу эпистемикалык тууралыкты жогорулатат деген жыйынтык чыгарууга болбойт.

Булактагы 1-сүрөттүн илимий билдирүүсү

Булактагы 1-сүрөттүн негизги билдирүүсү — AI нин күнүмдүк жашоого күчтүү сиңиши сынчыл эпистемикалык багытты өзүнөн өзү жаратпайт. Эмпирикалык айырма “AI колдонгондор менен колдонбогондордун” ортосунда эмес, AI жообун ар башка ишеним жана текшерүү режимдеринде иштеткен колдонуучулардын ортосунда пайда болот.

Изилдөө колдогон жыйынтыктар

• Каралган тандалмада генеративдик AI күнүмдүк маалымат жана текст иштерине кеңири сиңген.
• AI колдонуу жыштыгы менен эпистемикалык көзөмөл суроосундагы тууралыктын ортосунда маанилүү байланыш табылган эмес.
• AI жообун иштетүү стратегиясы менен эпистемикалык тууралыктын ортосунда статистикалык жактан маанилүү жана орточо көлөмдөгү байланыш билдирилген.
• Салыштыруу, түзөтүү жана практикалык текшерүү жүргүзгөн топтордо эпистемикалык туура жооп үлүшү жоопту өзгөртпөй колдонгон топтон жогору.
• Операциялык AI колдонуу компетенттүүлүгү менен эпистемикалык жетилгендик бир эле түшүнүк эмес.
• AI сабаттуулугу текшерүү, методологиялык шек, булакты баалоо жана калибрленген ишеним компоненттерин камтышы керектиги жакталат.

Изилдөө колдобогон жыйынтыктар

• AI жоопторун текшерүү түздөн-түз эпистемикалык жетилгендикке себеп болорун далилдебейт.
• AI ды көбүрөөк колдонуу сынчыл ой жүгүртүүнү күчөтөрүн көрсөтпөйт.
• 216 адамдык ыктыярдуу тандалма бүт Казакстан калкын же дүйнөдөгү бардык AI колдонуучуларын өкүлчүлүктүү чагылдырарын көрсөтпөйт.
• Бир гана эпистемикалык көзөмөл суроосу эпистемикалык жетилгендикти толук өлчөй турганын көрсөтпөйт.
• Prompt негизиндеги үч бурчтук текшерүү эпистемикалык тууралыкты жогорулатат деп эмпирикалык түрдө сынабайт.
• Колдонуу максаты топторунун ортосундагы пайыздык айырмачылыктар статистикалык жактан маанилүү экенин көрсөтпөйт.
• Ар бир ынанымдуу AI жообу туура эмес же ар бир AI чыгарылышы жалган-ишенимдүү экенин ырастабайт.
• Ар бир текшерилбеген AI чыгарылышы келечектеги модель окутуу маалыматтарын булгайт деп көрсөтпөйт.

Изилдөөнүн чектөөлөрү

Тандалма ыктыярдуу жана ыктымалдуулукка негизделбеген. Ошондуктан жыйынтыктарды бардык AI колдонуучуларынын калктык параметрлери катары чечмелөөгө болбойт. Изилдөө кесилиштик болгондуктан, жоопту иштетүү стратегиясы эпистемикалык туруктуулукту жогорулатабы же ансыз деле сынчыл колдонуучулар текшерүү стратегияларын көбүрөөк тандайбы — муну ажыратууга мүмкүн эмес.

Эпистемикалык көзөмөл суроосу ынанымдуу баяндоо менен негизделген кабыл алуунун ортосундагы айырманы өлчөө үчүн колдонулган минималдуу көрсөткүч; ал эпистемикалык жетилгендиктин бардык жактарын өлчөбөйт. Авторлор келечекте реалдуу AI диалогдорун талдоону, татаалыраак эксперименттик тапшырмаларды, prompt стратегияларын өлчөөнү жана булак ишенимдүүлүгү, ырастоону текшерүү, тилдик сезгичтик жана калибрленген ишеним үчүн өзүнчө шкалаларды сунушташат.

Prompt негизиндеги үч бурчтук текшерүү анкета ичинде өзүнчө өзгөрмө катары өлчөнбөгөндүктөн, бул изилдөөнүн негизинде өз алдынча эмпирикалык божомолдоочу катары кабыл алынбашы керек.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: The Pseudo-Confidence Paradox: The Epistemic Gap in Everyday AI Use.

Авторлор: Lyazzat Tulbayevna Kurmanbayeva; Anar Saduakasovna Tanabayeva; Akmaral Ivanovna Doszhanova; Aidyn Aidaruly Olzhashov; Denis Bakarassov; Adilbek Knarovich Bisenbaev.

Жооптуу автор: Anar Saduakasovna Tanabayeva.

Мекемелер: Mukhametzhan Tynyshbayev ALT University; International Information Technology University; Al-Farabi Kazakh National University; International University of Engineering and Technology; Institute of Philosophy, Political Science and Religion Studies, Ministry of Science and Higher Education of the Republic of Kazakhstan; Tengrion LLP.

Журнал: Philosophies.

Басма: MDPI.

Библиографиялык жазуу: Philosophies 2026, 11(3), 97.

DOI: 10.3390/philosophies11030097.

Жарыяланган күнү: 16 июнь 2026. Макала 10 апрель 2026-жылы кабыл алынган, 25 май 2026-жылы кайра каралып, ошол эле күнү кабыл алынган.

Булак түрү: Рецензияланган изилдөө макаласы. Теориялык социалдык эпистемология алкагын бир жолку кесилиштик онлайн анкета менен айкалыштырган концептуалдык-эмпирикалык изилдөө.

Тандалма: Жалпы 216 анкета чогултулган. Изилдөө Казакстан Республикасында жашаган 18 жаштан жогорку катышуучулар менен жүргүзүлгөн. Тандалма ыктыярдуу жана ыктымалдуулукка негизделбеген. Жетишпеген жооптордон улам анализдердин жарактуу N маанилери өзгөрөт.

Маалымат топтоо: Өз алдынча толтурулуучу онлайн анкета, Google Forms.

Талдоо: Маалыматты тазалоо жана категориялык коддоодон кийин сыпаттамалык жыштык жана пайыздык бөлүштүрүүлөр, кайчылаш таблицалар, Pearson хи-квадрат тести жана Cramér's V колдонулган. Булак ыраазычылык бөлүмүндө маалыматтар IBM SPSS Statistics 27 колдонулуп кол менен иштетилгенин жана изилдөөдө LLM колдонулбаганын билдирет.

Негизги эмпирикалык жыйынтык: Жоопту иштетүү стратегиясы менен эпистемикалык тууралыктын ортосунда маанилүү байланыш табылган: \(\chi^2(4)=18.939,\ p=0.0008,\ V=0.305\). AI колдонуу жыштыгы менен эпистемикалык тууралыктын ортосунда маанилүү байланыш табылган эмес: \(\chi^2(4)=5.881,\ p=0.208,\ V=0.171\). Колдонуу максаты менен эпистемикалык тууралыктын салыштыруусу да салттуу маанилүүлүк чегине жеткен эмес: \(\chi^2(5)=9.311,\ p=0.097,\ V=0.214\).

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Маалымдалган макулдук: Булак анкетага катышуу ыктыярдуу жана жашыруун болгонун; катышуучулар изилдөөнүн максаты, купуялуулук жана каалаган убакта баш тартуу укугу тууралуу маалымдалганын жана анкетаны ыктыярдуу толтуруу аркылуу макулдук алынганын билдирет.

Маалыматтын жеткиликтүүлүгү: Жыйынтыктарды колдогон бириктирилген маалыматтар макалада берилгени, инсанды аныктоочу маалымат чогултулбаганы жана жалаң жалпы жыйынтыктар билдирилгени көрсөтүлгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен. Adilbek Knarovich Bisenbaev Tengrion LLPде иштегени, компания изилдөө дизайнында, маалымат топтоодо, талдоодо, чечмелөөдө, жазууда же жарыялоо чечиминде роль ойнобогону өзүнчө белгиленген.

Автордук салымдар: Концептуалдаштыруу A.K.B., A.S.T., L.T.K. жана A.I.D.; формалдык талдоо A.S.T. жана A.K.B.; баштапкы долбоор A.K.B., A.S.T. жана L.T.K.; ыкма D.B. жана A.K.B.; текшерүү жана визуалдаштыруу D.B. жана A.K.B.; изилдөө A.S.T., L.T.K., A.I.D. жана A.K.B.; ресурстар A.S.T. жана A.K.B.; маалыматтарды курациялоо A.K.B.; карап чыгуу/түзөтүү A.S.T., L.T.K., A.I.D., A.A.O. жана A.K.B.; жетекчилик L.T.K.; долбоорду башкаруу A.S.T.; каржылоо табуу A.S.T. жана A.K.B. деп билдирилген.

Булак ичиндеги этикалык билдирүү дал келбестиги: PDFтин Institutional Review Board Statement бөлүмү изилдөөнү “толугу менен концептуалдык”, “эмпирикалык компоненти жок” жана “адам катышуучуларын камтыбаган” иш катары сүрөттөйт. Бул билдирүү ошол эле макаланын ыкма бөлүмүндө баяндалган 216 катышуучулуу анкета жана андан кийинки маалымдалган макулдук билдирүүсү менен ачык түрдө дал келбейт. Verianla бул карама-каршылыкты үнсүз оңдобойт жана кайсы билдирүү редакциялык жактан туура экенине булактан тышкаркы өкүм чыгарбайт.

Булак ичиндеги сандык дал келбестик: Айрым баяндоо пайыздары менен 1–3-таблицалардагы пайыздардын ортосунда кичине айырмачылыктар бар. Verianla салыштыруу таблицаларында тиешелүү n жана жарактуу N маанилери менен кошо жарыяланган таблица пайыздарын сактаган; тексттеги башка маанилер булак ичиндеги айырма катары бааланган.

Негизги методологиялык чектөө: Кесилиштик дизайн себептүүлүктү көрсөтпөйт; ыктыярдуу жана өкүлчүлүктүү эмес тандалма бүт калкка жалпыланбайт; бир гана көзөмөл суроосу эпистемикалык жетилгендиктин баарын өлчөбөйт; prompt негизиндеги үч бурчтук текшерүү бул изилдөөдө эмпирикалык түрдө сыналган эмес.

Илимий колдонуу чеги: Бул Verianla тексти түпнуска изилдөөнүн түшүнүктөрүн, ыкмасын, сандык жыйынтыктарын жана чектөөлөрүн үйрөтүүчү түзүлүштө түшүндүрөт. Академиялык шилтеме, түпнуска суроо формулировкасы, кеңири теориялык талкуу жана адабият тизмеси үчүн түпнуска DOI жазуусу колдонулушу керек.