Жасалма интеллект билим берүү ассистенти — үйрөнүүчүлөр менен суроо-жооп, кайтарым байланыш, багыттоо, тапшырма, сунуш, визуалдаштыруу, үн же башка өз ара аракеттенүү формалары аркылуу байланышып, үйрөнүү процессин колдогон жасалма интеллектке негизделген системалардын жалпы классы. Fatmah Alqarni жана кесиптештеринин системалуу сереби бул системаларда үйрөнүү эки негизги механизм аркылуу кандайча жүрөрүн изилдейт: ачык үйрөнүү жана жашыруун үйрөнүү.

Ачык үйрөнүүдө колдонуучу түшүндүрмө угуу, суроо берүү, кайтарым байланыш алуу, тапшырманы аткаруу же кадам-кадам багыттоону ээрчүү сыяктуу аң-сезимдүү үйрөнүү процессине кирет. Жашыруун үйрөнүүдө болсо билим же көндүм колдонуучу түздөн-түз “азыр үйрөнүп жатам” деген максатты көздөбөгөн өз ара аракеттенүү учурунда; сынап көрүү, кайтарым байланышты байкоо, система менен сүйлөшүү же тапшырма аткаруу аркылуу өнүгөт.

Изилдөөчүлөр 2000–2024-жылдар аралыгында жарыяланган 38 эмгекти системалуу түрдө карап чыгышкан. Эмгектердин %79у негизинен ачык үйрөнүүнү, %21и болсо жашыруун үйрөнүүнү колдогон механизмдерди көрсөткөн. Жазуу түрүндөгү өз ара аракеттенүү %45 менен эң кеңири байланыш формасы; андан кийин %34 менен визуалдаштыруу, %12 менен аракетке негизделген өз ара аракеттенүү жана %9 менен үн турат.

Сереп ошондой эле AI билим берүү системаларынын техникалык эволюциясын көрсөтөт. Эрежеге негизделген чатботтордон машиналык үйрөнүү системаларына, билим базаларынан онтологияларга жана акыркы мезгилде чоң тил моделдери менен генеративдик AI системаларына өтүү байкалат. Бирок 38 эмгектин төртөөндө гана LLM же генеративдик AI болушу, учурдагы жыйынтыктар негизинен LLM кеңири жайыла электеги адабиятты чагылдырарын көрсөтөт.

Ачык үйрөнүү менен жашыруун үйрөнүүнүн негизги айырмасы эмнеде?

Ачык үйрөнүүдө адам билим алууга аң-сезимдүү түрдө багытталат жана түшүндүрмө, окутуу, суроо, багыттоо же кайтарым байланыш сыяктуу түз үйрөнүү механизмдери менен өз ара аракеттенет. Жашыруун үйрөнүүдө болсо билим жана көндүм адам түздөн-түз үйрөнүү максатын көздөбөстөн, тапшырма аткаруу, системаны изилдөө, натыйжаларды байкоо же диалог учурунда тажрыйба топтоо процессинде өнүгөт. Эмгектеги классификация колдонулган интерфейс өзгөчөлүгүнө гана эмес, ошол эле өзгөчөлүк колдонуучу үчүн кандай үйрөнүү функциясын аткарарына негизделет.

Ачык үйрөнүүнүн он бир өз ара аракеттенүү өзгөчөлүгү

Сереп ачык үйрөнүү үчүн он бир негизги өз ара аракеттенүү өзгөчөлүгүн аныктайт:

1. Суроо берүү: Үйрөнүүчүнүн түздөн-түз маалымат же түшүндүрмө сурашы.
2. Ооба/жок суроолору: Айрыкча эрте куракта же татаалдыгы төмөн өз ара аракеттенүүдө когнитивдик жүктү азайткан түзүмдүү жооптор.
3. Көп варианттуу суроолор: Үйрөнүүчүнү белгилүү варианттардын арасынан баалоо жүргүзүүгө багыттаган түзүм.
4. Суроолорго жооп берүү: Quiz, грамматика, сөз байлыгы же тема боюнча баалоо сыяктуу түзүмдүү жооп түзүү процесстери.
5. Багыттоо: Айрыкча башталгыч колдонуучулар үчүн кадам-кадам окутуу.
6. Эскертүү билдирүүлөрү: Каталар же тобокелдүү кадамдар тууралуу реалдуу убакытта билдирүү.
7. Тапшырма түзүү же тапшырма чечүү: Үйрөнүүчүнүн көйгөй чечүү же продукт түзүү аркылуу активдүү үйрөнүшү.
8. Сунуштар: AI тарабынан ишарат, сунуш же тиешелүү материал берилиши.
9. Эске салуу / эскертүү: Жакындаган тапшырмалар же талаптар тууралуу колдонуучуга билдирүү.
10. Кайтарым байланыш: Колдонуучунун көрсөткүчүн баалоо жана кийинки кадамга багыттоо.
11. Түзөтүлүүчү кайтарым байланыш: Колдонуучунун AI кайтарым байланышынан кийин өзүнүн чыгышын кайра түзөтүп, жакшырта алышы.

Булактын 10-бетиндеги 5-сүрөт ушул он бир механизмди бирдиктүү ачык үйрөнүү таксономиясынын алдында бириктирет. Бул жердеги маанилүү жагдай — механизмдер “интерфейс өзгөчөлүгү” катары гана эмес, колдонуучунун аң-сезимдүү түрдө билим алышына кызмат кылган үйрөнүү жүрүм-турумдары катары бааланат.

Суроо берүү эмне үчүн маалымат издөөнүн өзү гана эмес?

Каралган системаларда суроо берүү жооп алуунун гана функциясын аткарбайт. Айрым AI билим берүү ассистенттери студенттин суроолоруна жооп берүү менен чектелбейт; берилген жоопко жараша кыйыныраак тапшырмаларды, түзөтүүчү мазмунду же жаңы үйрөнүү кадамдарын сунуштайт. Ошондуктан суроо-жооп механизми маалыматка жетүүдөн тартып үйрөнүү жолун динамикалык багыттоого чейин кеңейген функцияга ээ болушу мүмкүн.

Багыттоо качан көйгөйгө айланышы мүмкүн?

Кадам-кадам багыттоо айрыкча башталгыч деңгээлдеги студенттер үчүн ката санын азайтып, техникалык тапшырмаларды жеткиликтүүрөөк кыла алат. Бирок авторлор өтө түзүмдөлгөн багыттоо өз алдынча ой жүгүртүү жөндөмдөрүн төмөндөтүшү мүмкүн экенин да талкуулашат. Ошондуктан AI билим берүү ассистенти туура жолду гана көрсөтпөстөн, үйрөнүүчүнүн өз чечимин түзүү жөндөмүн канчалык сактай турганы да маанилүү.

Кайтарым байланыш эмне үчүн борбордук механизм?

Кайтарым байланыш каралган адабиятта программалоодон тил үйрөтүүгө, инженердик маселелерди чечүүдөн дизайн билимине чейин ар түрдүү тармактарда кайталанган механизм. AI синтаксис каталарын көрсөтө алат, чечимдин кадамы туура же туура эмес экенин билдире алат, студентти татаалыраак мазмунга багыттай алат же колдонуучуга өз дизайнын кайра баалоого жардам бере алат. Серептин маанилүү тыянактарынын бири — кайтарым байланыш “туура/туура эмес” чечимин берген акыркы баскыч гана эмес, үйрөнүү процессин үзгүлтүксүз багыттаган өз ара аракеттенүү механизми.

Жашыруун үйрөнүүнүн төрт негизги механизми

Эмгек жашыруун үйрөнүүнү төрт негизги өзгөчөлүк боюнча классификациялайт:

• суроо берүү,
• суроолорго жооп берүү,
• иш-аракет же тапшырма аткаруу,
• кайтарым байланыш.

Бир караганда бул өзгөчөлүктөрдүн айрымдары ачык үйрөнүү категориясында да кездешет. Мунун себеби классификация катасы эмес. Авторлордун критерийи өз ара аракеттенүүнүн көрүнүшү эмес, анын функционалдык ролу. Колдонуучу “бир теманы үйрөнүү” максатында суроо берсе, бул ачык үйрөнүү; табигый диалог ичинде өзү байкабастан көйгөй чечүү жөндөмүн өнүктүрсө, ошол эле суроо-жооп формасы жашыруун үйрөнүүгө кызмат кыла алат.

AI системасы бир эле өз ара аракеттенүү менен ачык да, жашыруун да үйрөнүүнү кантип колдой алат?

Бир эле интерфейс өзгөчөлүгү колдонуучунун максатына жана өз ара аракеттенүү контекстине жараша ар башка үйрөнүү функцияларын аткара алат. Мисалы, AI катаны түшүндүргөндө аң-сезимдүү түшүнүк үйрөнүүнү колдосо, бул ачык үйрөнүү; колдонуучу ар кандай киргизүүлөрдү сынап, системанын натыйжаларын байкоо аркылуу үлгүнү интуитивдүү үйрөнсө, бул жашыруун үйрөнүү. Ошондуктан эмгек “chatbot”, “feedback” же “question answering” белгисин өзүнчө үйрөнүү түрүнүн көрсөткүчү катары кабыл албайт.

Иш-аракет аркылуу жашыруун үйрөнүү

Жашыруун үйрөнүүдө айрыкча практикалык тапшырмалар маанилүү. Каралган системаларда студенттер визуалдык программалоо куралдарын колдонуп алгоритмдик жүрүм-турумдарды изилдешкен, машиналык үйрөнүү моделдерин үйрөтүп натыйжаларын байкашкан же AI системасына жаңы маалыматтарды үйрөтүп, системанын кийинки реакцияларын карашкан. Колдонуучу бул жерде теориялык түшүндүрмөнү түз окубастан, тажрыйба менен натыйжанын ортосундагы байланышты байкоо аркылуу концептуалдык түзүмдү өнүктүрө алат.

Жашыруун кайтарым байланыш

Жашыруун кайтарым байланышта система колдонуучунун жүрүм-турумуна жооп берет, бирок бул жооп сөзсүз “окутуучу түшүндүрмө” түрүндө болбойт. Мисалы, колдонуучу ар кандай дизайн киргизүүлөрүн берип, AI чыгышындагы өзгөрүүнү байкай алат же сүйлөшүү системасы айтылышка жооп берип, колдонуучунун өз көрсөткүчүн ылайыкташтыруусуна алып келиши мүмкүн. Үйрөнүү бул жерде түшүндүрмөнү түз жеткирүүдөн көрө сынап көрүү, байкоо жана оңдоо циклинде жүрөт.

Ачык үйрөнүү эмне үчүн адабиятта үстөмдүк кылат?

34 эмгек толук классификацияланган талдоодо 27 эмгек ачык, 7 эмгек жашыруун үйрөнүү үстөм болгон топко киргизилген. Бул тиешелүүлүгүнө жараша %79 жана %21 бөлүштүрүлүшүнө туура келет. Эрте мезгилдеги эмгектер айрыкча түзүмдүү суроо-жооп жана кайтарым байланышка көңүл бурганы; 2019–2020-жылдардын айланасында болсо үн негизиндеги системалар жана тажрыйба аркылуу үйрөнүү ыкмалары менен жашыруун механизмдердин көрүнүктүүлүгү артканы байкалат.

2021–2024 мезгилинде LLM интеграциялары башталганда чек ара көбүрөөк өтмө болуп калат. Анткени генеративдик системалар бир жагынан түз түшүндүрмө жана окутуу бере алса, экинчи жагынан колдонуучуларга ар түрдүү суроолор, киргизүүлөр жана чыгыштар менен тажрыйба жүргүзүүгө мүмкүнчүлүк берет.

AI билим берүү ассистенттеринин төрт колдонуу ыкмасы

Эмгек техникалык колдонмолорду төрт негизги топко бөлөт:

Эрежеге негизделген чатбот менен AI чатботтун айырмасы

Серепте эрежеге негизделген чатботтор алдын ала аныкталган эрежелер менен иштеген, азыраак ийкемдүү, бирок көзөмөлдөнүүчү системалар катары; AI чатботтор болсо билим жана контексттен үйрөнүп, татаалыраак кырдаалдарга ыңгайлаша алган, бирок жүрүм-турумун алдын ала айтууга кыйыныраак системалар катары салыштырылат. Эрежеге негизделген системалар жөнөкөй сценарийлерде жогорку көзөмөлдү камсыз кылганы менен, үйрөнүүчүлөрдүн ачык суроолоруна жооп берүү мүмкүнчүлүгү чектелүү.

Билим кайда сакталат жана кантип жаңыртылат?

Каралган системаларда билим маалымат базаларында, билим базаларында, маалымат топтомдорунда, онтологияларда же башка түзүмдөлгөн сактагычтарда сакталат. Айрым системалар статикалык билим базаларын колдонсо, айрымдары колдонуучунун кайтарым байланышы же жаңы маалыматтар менен динамикалык түрдө жаңыртылат.

Мисалы, айрым сунуш системаларында онтологиялар студенттердин, жогорку билим берүү варианттарынын жана кесиптердин ортосундагы байланыштарды көрсөтүү үчүн колдонулат. Айрым чатботтордо ар түрдүү маалымат базалары студенттин көрсөткүчтөрүн, сабактын мазмунун жана күнүмдүк маектешүү жоопторун өз-өзүнчө сактайт. Бул архитектуралык айырмачылыктар системанын актуалдуу билимге канчалык ыңгайлаша аларына түздөн-түз таасир этет.

Колдонулган AI ыкмалары кантип өзгөргөн?

Серептин убакыттык талдоосу AI билим берүү системаларынын техникалык архитектурасындагы өзгөрүүнү ачык көрсөтөт. 2000–2015 мезгилиндеги көптөгөн эмгектерде билимди сактоо жана жаңыртуу механизмдери кеңири баяндалган эмес, ал эми өз ара аракеттенүү негизинен жазуу же визуалдык формада калган.

2016–2020 мезгилинде маалымат базасы менен колдоого алынган түзүмдөр кеңири жайыла баштап, динамикалык билим жаңыртуусу пайда болуп, терең нейрон тармактары, cooperative contextual bandits жана көзөмөлдөнгөн машиналык үйрөнүү сыяктуу ар түрдүү ыкмалар колдонула баштаган.

2021–2024 мезгилинде болсо GPT негизиндеги системалар, чоң тил моделдери, генеративдик AI API'лери жана көп модалдуу өз ара аракеттенүү бирге кездешет. COFFEE, AutoSpark, DesignPrompt жана Q-Module-Bot сыяктуу системалар бул өтүүнүн булакта каралган мисалдарынын арасында.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Системалуу сереп кантип жүргүзүлгөн?

Изилдөө PRISMA 2020 принциптерине ылайык жүргүзүлүп, snowballing ыкмасы менен кеңейтилген. Сереп протоколу Open Science Framework платформасында ретроспективдүү түрдө катталган.

Алгачкы издөөлөр 2022-жылдын июнь–сентябрь айларында жүргүзүлүп, 2023-жылдын ноябрында жаңыртылган жана LLM негизиндеги билим берүү ассистенттериндеги тез өнүгүүлөрдү камтуу үчүн 2024-жылдын сентябрь–декабрь айларында кошумча издөө жүргүзүлгөн.

Издөө булактары төмөнкүлөр:

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

16.335 жазуудан 38 эмгекке кантип жетишкен?

Башында жалпы 16.335 жазуу аныкталган. Алардын 15.900ү Google Scholar автоматтык издөөсүнөн; калгандары ACM, IEEE, MDPI, Springer жана Taylor & Francis платформаларында жүргүзүлгөн кол издөөсүнөн алынган.

Скринингге чейин 5.685 кайталанган жазуу жана дата чыпкалары аркылуу 2.500 жазуу чыгарылып, аталыш скринингине 8.150 жазуу калган. Алардын 8.030у чыгарылгандан кийин 120 эмгек калып, алдыга жана артка snowballing менен табылган 11 жазуу кошулганда 131 отчет баалоого алынган.

Аннотация жана корутунду скринингинде 73 эмгек чыгарылып, 58 эмгек толук тексттин ылайыктуулугун баалоого өткөн. Киргизүү жана чыгаруу критерийлери колдонулгандан кийин дагы 20 эмгек чыгарылып, акыркы системалуу серепке 38 эмгек киргизилген. Булактын 4-бетиндеги PRISMA 2020 агым схемасы бул процессти кеңири көрсөтөт. :chatgpt-content-reference{index="6"}

Маалымат чыгарууда кайсы өзгөрмөлөр колдонулган?

38 эмгектин 34үндө толук маалымат чыгаруу жүргүзүлгөн. Төрт эмгек изилдөөнүн мотивациялык мисалында гана колдонулган. Толук чыгарууда төмөнкү 15 өзгөрмө каралган:

1. жарыяланган жыл,
2. жарыя түрү,
3. басмачы,
4. тармак,
5. ачык же жашыруун үйрөнүү түрү,
6. өз ара аракеттенүү өзгөчөлүктөрү,
7. колдонуу ыкмасы,
8. билимди көрсөтүү жана жаңыртуу ыкмасы,
9. максаттуу колдонуучу тобу,
10. алгоритмдер жана техникалар,
11. жазуу, үн, визуалдык же аракетке негизделген өз ара аракеттенүү,
12. баалоо ыкмасы,
13. маалымат чогултуу ыкмасы,
14. катышуучулардын саны,
15. өлчөмдөр.

Эмгектер кайсы мезгилдерде көбүрөөк топтолгон?

2000–2024-жылдардагы жарыялардын бөлүштүрүлүшүндө алгачкы жылдары аз сандагы эмгектер кездешсе, 2010-жылдары өсүү башталып, айкын чоку 2019–2020 мезгилинде пайда болгон. Каралган булактардын %50си журнал макаласы, %43ү конференциялык жарыя жана %7си веб-булак. Булактын 5-бетиндеги 3-сүрөт бул бөлүштүрүүнү жыл жана жарыя түрү боюнча көрсөтөт. :chatgpt-content-reference{index="7"}

Негизги сандык жыйынтыктар

Өз ара аракеттенүү үлүштөрүн чечмелөөдө маанилүү методологиялык жагдай бар: бир эмгек бир нече өз ара аракеттенүү түрүн камтышы мүмкүн болгондуктан, пайыздар бири-бирин жокко чыгарган эмгек топтору эмес. Жазуу түрүндөгү өз ара аракеттенүү 25 эмгекте, визуалдаштыруу 19 эмгекте, аракет 7 эмгекте жана үн 5 эмгекте кездешкен; пайыздар жалпы өз ара аракеттенүү мисалдарын нормалдаштыруу аркылуу эсептелген.

AI билим берүү ассистенттеринде үн аркылуу өз ара аракеттенүү эмне үчүн дагы эле чектелүү?

Серепте үн негизиндеги өз ара аракеттенүү жалпы өз ара аракеттенүү мисалдарынын болгону %9ун түзөт жана жазуу байланышы менен визуалдаштыруудан кыйла артта калат. Каралган системаларда Alexa жана окшош үн ассистенттери айрым үйрөнүү сценарийлеринде колдонулганы менен, изилдөө адабиятынын көпчүлүгү дагы деле текст жана визуалдык интерфейстерге негизделген. Эмгек муну үн аркылуу өз ара аракеттенүү билим берүүдө натыйжасыз деген мааниде чечмелебейт; тескерисинче, үндүн адабиятта жетиштүү көрсөтүлбөгөнүн билдирет.

Жазуу түрүндөгү өз ара аракеттенүү: %45

Текстке негизделген өз ара аракеттенүү эң кеңири таралган форма. Колдонуучу системага суроо бере алат, маалымат сурай алат, кайтарым байланыш жөнөтө алат же тапшырма жоопторун түзө алат. Текстке негизделген системаларды техникалык жактан ишке ашыруу салыштырмалуу оңой болушу жана чатбот архитектуралары менен түз шайкеш келиши булакта байкалган бул кеңири таралуунун контексттеринин бири.

Визуалдаштыруу: %34

Визуалдаштыруу татаал AI же техникалык процесстерди тезирээк түшүнүүгө жардам берген экинчи эң кеңири өз ара аракеттенүү формасы. Булакта айрыкча машиналык үйрөнүү түшүнүктөрү, компьютердик коопсуздук, программалоо, маалымат түзүмдөрү жана дизайн сыяктуу тармактарда визуалдык кайтарым байланыш колдонулган мисалдар бар.

Аракетке негизделген өз ара аракеттенүү: %12

Аракетке негизделген системаларда колдонуучу текстти гана окубайт; схема түзөт, алгоритмди өзгөртөт, визуалды редакциялайт же башка аракетти аткарып, пайда болгон натыйжаны байкайт. Мындай системалар айрыкча практикалык жана жашыруун үйрөнүү үчүн маанилүү.

Үн аркылуу өз ара аракеттенүү: %9

Үн айрыкча кичинекей балдар, тил үйрөнүүчүлөр же клавиатура колдонуу үйрөнүү процессин татаалдаштырган контексттерде пайдалуу болушу мүмкүн. Каралган эмгектерде Alexa жана Amazon Echo Dot сыяктуу системалардын үн киргизүүнү текстке айлантып, билим берүү өз ара аракеттенүүсүндө колдонулган мисалдары бар.

LLM жана генеративдик AI бул көрүнүштү кантип өзгөртөт?

Чоң тил моделдери жана генеративдик AI эрежеге негизделген системалардын алдын ала аныкталган өз ара аракеттенүү түзүмүнөн көбүрөөк ийкемдүү жана контекстке сезимтал моделге өтүүнү камсыз кылат. Булакта каралган жаңы системаларда ChatGPT, GPT-3.5, GPT-4/GPT-4V, OpenAI API'лери жана CLIP сыяктуу технологиялар колдонулат.

LLM негизиндеги системалар ачык үйрөнүүнү түшүнүктү түшүндүрүү, динамикалык суроо-жооп, багытталган суроо берүү жана жекелештирилген кайтарым байланыш менен колдой алат. Жашыруун үйрөнүү болсо колдонуучунун суроолорун өзгөртүп, жаңы киргизүүлөрдү сынап жана AI чыгыштарындагы айырмачылыктарды байкоосу аркылуу жүрүшү мүмкүн.

Ошондуктан LLMдер ачык жана жашыруун үйрөнүүнүн ортосундагы чек араны көбүрөөк өтмө кылат. Колдонуучу бир эле диалог ичинде түз түшүндүрмө да ала алат, система менен тажрыйба жүргүзүп жатып өзү байкабастан жаңы концептуалдык байланыштарды да үйрөнө алат.

Генеративдик AIнин билим берүү үчүн жаңы тобокелдиги эмнеде?

Ийкемдүүлүк жаңы баалоо көйгөйлөрүн да алып келет. Салттуу системаларда тууралык, тапшырманы бүтүрүү же колдонууга ыңгайлуулук сыяктуу өлчөмдөр жетиштүү болушу мүмкүн, ал эми генеративдик системаларда түзүлгөн жооптун ишенимдүүлүгү жана тууралыгы өзүнчө бааланышы керек. Булак айрыкча hallucination тобокелдигине көңүл бурат: туура эмес, бирок ишендирерлик түшүндүрмө студент тарабынан суроосуз кабыл алынса, үйрөнүү процессине терс таасир тийгизиши мүмкүн.

Бул тобокелдик саламаттык сактоо, коопсуздук жана купуялуулук сыяктуу туура эмес багыттоо чоң кесепеттерге алып келиши мүмкүн болгон тармактарда андан да маанилүү. Ошондуктан авторлор LLM негизиндеги билим берүү ассистенттеринде күчтүү guardrail'дер жана кеңири баалоо процесстери керек деп эсептешет.

RAG эмне үчүн келечектеги багыттардын бири катары көрсөтүлөт?

Серепте көптөгөн эски системалар статикалык билим базаларына таянып, тез өнүгүп жаткан тармактарга жетиштүү ылдамдыкта ыңгайлаша албаганы айтылат. Авторлор келечекте билимди көрсөтүү өз ара аракеттенүү логикасынан бөлүнгөн, жаңыртыла турган архитектураларды колдонууну сунушташат. Retrieval-Augmented Generation (RAG) генеративдик жоопторду текшерилген билим булактарына негиздөө үчүн сунушталган ыкмалардын бири.

Баалоо ыкмаларындагы негизги көйгөй

Каралган эмгектердин көпчүлүгүндө эксперименттик баалоо колдонулуп, көптөгөн изилдөөлөр сандык жана сапаттык ыкмаларды чогуу колдонгон. Бирок үлгү көлөмдөрү, изилдөө мөөнөттөрү жана колдонулган өлчөмдөр арасында чоң айырмачылыктар бар.

Айрым эмгектер кыска мөөнөттүү семинар же бир эле сессиянын негизинде бааланган. Кичинекей үлгүлөр, катышуучулардын ар түрдүүлүгүнүн чектелиши жана узак мөөнөттүү үйрөнүү натыйжаларынын өлчөнбөшү күчтүү жалпылоолорду жасоону кыйындатат.

Ишенимдүү баалоо кантип жүргүзүлүшү керек?

Авторлор узак мөөнөттүү изилдөөлөр керек экенин баса белгилешет. Студенттин билим, жүрүм-турум жана көндүм өнүгүүсүн, мисалы, бир академиялык семестр бою көзөмөлдөө кыска мөөнөттүү колдонууга ыңгайлуулук тесттерине караганда алда канча күчтүү далил бере алат.

Баалоо канааттануу же колдонууга ыңгайлуулук менен гана чектелбеши керек; билим алуу, туура эмес түшүнүктөрдүн калыптанышы жана сакталып калуу сыяктуу үйрөнүүгө мүнөздүү натыйжаларды да өлчөшү керек. LLM негизиндеги системаларда буга эксперттик баалоо, ишенимдүү булактар менен автоматтык текшерүү жана AI жоопторунун тууралыгын талдоо да кошулушу керек.

Төрт негизги изилдөө боштугу

1. Сүйлөшүүгө негизделген ыңгайлашуу: Көптөгөн системалар ачык суроолорго, жекелештирилген кайтарым байланышка жана итеративдүү диалогго жетиштүү ыңгайлаша албайт.
2. Билимди көрсөтүү жана архитектура: Көптөгөн эмгектер билимдин кайда сакталарын же кантип жаңыртыларын жетиштүү баяндабайт.
3. Гетерогендүү AI ыкмаларын интеграциялоо: Системалар көбүнчө бир үстөм техникага таянат; келечекте ML, LLM, билим базалары жана башка механизмдер бирге колдонулган гибрид архитектуралар керек болушу мүмкүн.
4. Ишенимдүү баалоо алкактары: Кыска мөөнөттүү, кичинекей үлгүлүү жана гетерогендүү өлчөө ыкмалары узак мөөнөттүү үйрөнүү таасирлерин аныктоону кыйындатат.

Изилдөөнүн негизги чектөөлөрү

Сереп англис тилинде жарыяланган эмгектерди гана камтыгандыктан, тилдик бир жактуулук тобокелдиги бар. Ачык жана жашыруун үйрөнүү классификациясы билим берүү илимдериндеги теориялык аныктамаларга негизделсе да, изилдөөчүнүн чечмелөөсүн камтыгандыктан белгилүү деңгээлде субъективдүү болушу мүмкүн.

Андан да маанилүүсү, 38 эмгектин төртөөсү гана LLM же генеративдик AI камтыйт. Демек, таксономиянын чоң бөлүгү ChatGPT жана ага окшош генеративдик системалар билим берүүдө тез жайыла электеги технологиялык мезгилди чагылдырат. Авторлор келечекте LLM негизиндеги билим берүү ассистенттерин гана изилдеген өзүнчө системалуу серептер керек экенин белгилешет. :chatgpt-content-reference{index="8"}

Изилдөө колдогон жана колдобогон тыянактар

Изилдөө колдогон тыянактар: AI билим берүү ассистенттериндеги үйрөнүү механизмдерин ачык жана жашыруун формаларда классификациялоого болот; ачык үйрөнүү каралган адабиятта көбүрөөк таралган; текст жана визуалдаштыруу эң көп колдонулган өз ара аракеттенүү формалары; техникалык архитектуралар убакыт өтүшү менен эрежеге негизделген системалардан ML жана LLM негизиндеги түзүмдөргө өнүккөн; азыркы баалоо практикалары олуттуу деңгээлде гетерогендүү.

Изилдөө колдобогон тыянактар: %79 ачык үйрөнүү үлүшү ачык үйрөнүү жашыруун үйрөнүүдөн “жакшыраак” экенин көрсөтпөйт. %9 үн колдонулушу да үн системалары азыраак натыйжалуу экенин далилдебейт. Изилдөө ошондой эле LLM негизиндеги билим берүү ассистенттери салттуу системалардан сөзсүз натыйжалуураак экенин көрсөтпөйт. Бул изилдөө мета-анализ болбогондуктан, бирдиктүү бириктирилген үйрөнүү таасиринин көлөмүн эсептебейт.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

DOI:10.3390/ai7050160

Макала түрү: Системалуу сереп.

Жөнөтүлгөн: 26 февраль 2026. Ревизия: 6 апрель 2026. Кабыл алуу: 16 апрель 2026. Жарыя: 1 май 2026.

Мекемелер: Cardiff University, Улуу Британия; King Saud University, Сауд Арабиясы.

Ыкма: PRISMA 2020 көрсөтмөсү жана алдыга/артка snowballing ыкмасы колдонулган. Системалуу серепке 38 эмгек киргизилип, 34 эмгек үчүн толук маалымат чыгаруу жүргүзүлгөн. Каралган жарыялар 2000–2024 мезгилин камтыйт.

Каржылоо: Изилдөө жарым-жартылай EPSRC PETRAS, EP/S035362/1 тарабынан колдоого алынган. :chatgpt-content-reference{index="9"}

Маалыматтардын жеткиликтүүлүгү: Эмгектерден чыгарылып жана коддолгон маалыматтар; киргизилген эмгектердин тизмеси, үйрөнүү түрлөрү, колдонуу ыкмалары жана баалоо өзгөчөлүктөрү менен кошо кошумча материалдарда берилген. :chatgpt-content-reference{index="10"}

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

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

Методологиялык чек: Изилдөө мета-анализ эмес жана AI билим берүү ассистенттеринин үйрөнүүгө бирдиктүү бириктирилген таасир көлөмүн эсептебейт. Авторлор эмгек деңгээлинде формалдуу risk-of-bias баалоосун жүргүзүшкөн эмес; ошондуктан сандык пайыздарды так таасир өлчөмдөрүнөн көрө адабияттагы жалпы сапаттык тенденциялар катары чечмелөөнү сунушташкан. :chatgpt-content-reference{index="12"}

Verianla ыкма эскертүүсү: Бул кыргызча текст булак системалуу серептин илимий мазмунун үйрөтүүгө ылайыктуу түзүмдө кайра уюштурат. Булак тексттин сүйлөм жана абзац берүү формасы көчүрүлгөн эмес; PRISMA процесси, таксономия, сандык бөлүштүрүүлөр, техникалык колдонуу түрлөрү, изилдөө боштуктары жана чектөөлөр булак мааниси сакталган түрдө көз карандысыз кыргызча баяндоо менен уюштурулган.