Бул изилдөө, rüzgâr türbini өндүрүшi gibi жабыштыруу teknolojisinin daha yaygın ve deneyimli biçimde kullanıldığı sektörlerdeki bilginin, büyük деңиз конструкцияларыnın üretildiği кеме куруучу жайlere nasıl aktarılabileceğini tөсүшmaktadır. Изилдөөчүлөр, ар башка eğitim ve deneyim düzeylerine sahip кеме куруучу жай çalışanlarına ошол эле sabit içeriği sunmak yerine, колдонуучунун ön bilgisine ve verdiği kararlara göre değişebilen кейске негизделген bir акылдуу окутуу системасы geliştirmeyi önermektedir.

Önerilen sistemin merkezinde, чыныгы veya gerçekçi bir iş durumunu öyküleştiren eğitim vakaları бар. Kullanıcıya bir жабыштыруу problemi, fotoğraf, işlem bilgisi veya hasar örneği sunulmakta; колдонуучуdan olası nedeni ya da izlenecek кийинки adımı seçmesi istenmektedir. Sistem, колдонуучунун verdiği cevaba göre түшүндүрмө, ek bilgi, düzeltme ve alınabilecek каршы чараleri ыңгайлашуучу biçimde gösterecektir.

Изилдөө, klasik акылдуу окутуу системасы yapısını чоң тил моделдериyle birleştirmeyi planlamaktadır. Салттуу sistemde alan bilgisi, окуучу модели, öğretim süreci ve колдонуучу arayüzü gibi айкын bileşenler bulunurken; чоң тил моделиnin техникалык belgeler, araştırma makaleleri, kılavuzlar ve uzman görüşleri gibi dağınık kaynakları analiz ederek жабышуу alanına ait bir bilgi ontolojisi oluşturması düşünülmektedir. Açıklanabilir жасалма интеллектnın ise sistemin verdiği açıklamaların hangi bilgi yapısına dayandığını izlenebilir hâle getirmesi hedeflenmektedir.

Makaledeki örnek vaka, bindirmeli kayma deneyinde görülen adezif сынууyı ele almaktadır. Kullanıcıdan бетти тазалоо, жабыштыргычnın kullanım süresi, материалдык шайкештик ve эксперимент hızı gibi seçenekler arasından olası hata nedenlerini belirlemesi istenmektedir. Туура ve туура эмес cevaplara ар башка açıklamalar verilmesi, gerektiğinde бетти тазалоо, абразивдүү иштетүү, плазма иштетүү veya праймер колдонуу gibi каршы чараlerin önerilmesi planlanmaktadır.

Изилдөө bir sistem tasarım önerisi ve devam eden proje açıklamasıdır. Eğitim aracının programlanması, кеме куруучу жайye özgü билим базасыnın tamamlanması ve ар башка колдонуучу gruplarıyla мааниlendirilmesi henüz sonuçlandırılmamıştır. Ошондуктан изилдөө, жасалма интеллект destekli eğitimin öğrenme başarısını artırdığını gösterчыгуу учуkte; böyle bir sistemin nasıl yapılandırılabileceğine ilişkin kavramsal bir yol haritası sunmaktadır.

Araştırmanın ele aldığı негизги маселе

Yapıştırma teknolojisi çok sayıda sektörde kullanılmasına rağmen, ошол эле bilgi ар башка өндүрүш alanlarına doğrudan aktarılamamaktadır. Rüzgâr türbini parçalarının өндүрүшinde edinilen жабыштыруу deneyimi менен büyük gemi ve деңиз конструкцияларыnın өндүрүш ortamı arasında malzeme, geometri, изилдөө alanı, işlem sırası, kalite güvencesi ve өндүрүш kültürü bakımından маанилүү farklılıklar бар.

Tersanelerde büyük metal yapıların birleştirilmesinde салттуу катары kaynak yöntemleri baskındır. Yapıştırma teknolojisine geçildiğinde çalışanların гана yeni bir malzemenin kullanımını öğrenmesi yeterli değildir. Төмөнкү konuların birlikte anlaşılması керек:

• Yüzeylerin nasıl hazırlanacağı,
• Hangi жабыштыргычnın hangi altlıkla uyumlu болгону,
• Karıştırma, uygulama ve катуулашуу sürelerinin nasıl yönetileceği,
• Температура, nem ve kirlenme gibi çevresel koşulların etkisi,
• İşlem adımlarının hangi sırayla uygulanacağı,
• Bağlantı hatalarının ve сынуу türlerinin nasıl tanınacağı,
• Kalite kontrol ve düzeltici işlem kararlarının nasıl verileceği.

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

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

Bilginin aktarılması yerine yapılandırılması

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

Ошондуктан изилдөөчүлөр, гана metin veya ders videosu sunan doğrusal bir e-öğrenme ortamının yeterli olmayacağını savunmaktadır. Kullanıcı, чыныгы iş durumuna benzeyen bir problemle karşılaşmalı; seçenekleri мааниlendirmeli, bir karar vermeli ve kararının sonucunu görmelidir.

Vaka tabanlı eğitim bu ihtiyaca karşılık vermektedir. Her vaka:

• Bir anlatı veya изилдөө bağlamı,
• Bir ya da daha fazla durum түшүндүрмөсү,
• Metin, fotoğraf, video veya ses gibi мазмунler,
• Soru, seçim veya görev gibi өз ара аракеттенүү öğeleri,
• Olası кийинки adımlar,
• Туура ve туура эмес kararların sonuçları,
• Түшүндүрмө ve düzeltici кайтарым байланыш

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

Hedef grup neden tek tip değildir?

Tersanelerde жабыштыруу teknolojisiyle ilgili eğitim alabilecek колдонуучуların mesleki görevleri ve ön bilgileri ошол эле değildir. Изилдөөda dört temel колдонуучу profili tanımlanmaktadır:

Bir башталыш düzeyindeki çalışan менен deneyimli bir mühendis ошол эле түшүндүрмө derinliğine, ошол эле sayıda seçeneğe veya ошол эле навигация özgürlüğüne ihtiyaç duymaz. Ошондуктан sistemin мазмун, görev ve кайтарым байланышleri колдонуучу modeline göre değiştirmesi planlanmaktadır.

İç farklılaştırma dijital sistemde nasıl uygulanabilir?

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

Uyarlama üç temel unsur üzerinde gerçekleştirilebilir:

Başlangıçta ve изилдөө sırasında ыңгайлаштыруу

Makale iki zamanlama biçimi tanımlamaktadır:

Önceden yapılan ыңгайлаштыруу

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

Изилдөө sırasında yapılan ыңгайлаштыруу

Sistem, колдонуучунун verdiği cevapları ve izlediği yolu мааниlendirerek кийинки içeriği anlık катары değiştirir. Туура эмес bir karar ek açıklamaya veya daha temel bir içeriğe yönlendirebilir; туура bir karar ise daha karmaşık bir görev açabilir.

Изилдөө, bu iki yaklaşımın birlikte kullanılabileceğini belirtmektedir. Böylece колдонуучу башталыш bilgisine ылайыктуу bir vakayla başlar, fakat eğitim ilerledikçe чыныгы performansına göre ар башка bir yol izler.

Akıllı окутуу системасы hangi bileşenlerden oluşmaktadır?

Изилдөөчүлөр, önerilen sistemi klasik акылдуу окутуу системасы mimarisine dayandırmaktadır. Makalede dört temel компонент belirtilmektedir:

Изилдөө, klasik kurallar ve ön koşullarla çalışan bu yapıya чоң тил моделдериnin esnekliğini eklemeyi önermektedir. Buna göre чоң тил модели serbestçe bütün öğretim kararlarını veren tek компонент olmayacaktır. Ön ve son шарттары belirli мазмун yapıları, sistemin kontrollü bölümünü oluşturacaktır.

Büyük dil modeli hangi görevler үчүн düşünülmektedir?

Yapışma alanındaki bilgiler tek ve standartlaştırılmış bir маалымат tabanında жок. Bilgiler ар башка biçimlerde dağılmıştır:

• Техникалык kılavuzlar,
• Malzeme маалымат бетları,
• Proses tanımları,
• Araştırma makaleleri,
• Uzman görüşmeleri,
• Ар башка sektörlerdeki uygulama dokümanları,
• Салттуу gemi өндүрүш süreçlerine ait kaynaklar.

Изилдөөчүлөр bu malzemelerin өзгөчө катары uyarlanmış bir чоң тил модели tarafından taranmasını ve bilgiler arasındaki ilişkilerin çıkarılmasını planlamaktadır. Amaç, жабышуу alanına ait bir ontoloji oluşturmaktır.

Bu ontoloji төмөнкү türden ilişkileri temsil edebilir:

• Bir malzemenin hangi жабыштыргычlarla uyumlu болгону,
• Belirli bir бет hazırlığının hangi kirlenme türlerine karşı kullanıldığı,
• Bir hatanın hangi belirtilerle ilişkili болгону,
• Bir işlem adımının hangi ön koşullara bağlı болгону,
• Туура эмес bir kararın hangi техникалык sonuca yol açabileceği.

Бирок изилдөөda kullanılacak чоң тил моделиnin adı, mimarisi, eğitim yöntemi, belge sayısı, маалымат temizleme süreci veya doğrulama yöntemi açıklanmamıştır. Ontolojinin henüz tamamlanmadığı ve кеме куруучу жай koşullarına uyarlanma aşamasında болгону belirtilmektedir.

Açıklanabilir жасалма интеллектnın önerilen rolü

Изилдөө, түшүндүрүлө турган жасалма интеллектnın bilgi yapısını izlemek ve sistemin ürettiği daha ayrıntılı cevapları desteklemek үчүн kullanılabileceğini belirtmektedir. Bu yaklaşımın amacı, колдонуучунун гана “туура” veya “туура эмес” sonucu görmesi değil, kararın nedenini anlayabilmesidir.

Örneğin sistem:

• Bir seçeneğin neden туура эмес болгонун,
• Hangi malzeme veya işlem kuralının ihlal edildiğini,
• Туура эмес kararın olası sonucunu,
• Hangi düzeltici önlemin uygulanabileceğini

açıklayabilir.

Ошону менен бирге makalede açıklanabilirlik yönteminin техникалык biçimi verilчыгуу учуktedir. Kaynak belgesi gösterimi, bilgi grafiği yolu, kural zinciri, güven puanı veya модель gerekçesinin nasıl doğrulanacağı açıklanmamıştır.

Örnek vaka: bindirmeli kayma deneyinde adezif сынуу

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

Deneyden sonra жабыштыргыч tabakasının bağlantının bir бетinden temiz biçimde ayrıldığı ve бетde çok az kalıntı bıraktığı gözlenmektedir. Bu görünüm adezif сынуу катары tanımlanmaktadır.

Сүрөт 1: İlk мазмун ekranı

Altıncı бетdaki Сүрөт 1, ilk eğitim ekranını bileşenlerine ayırmaktadır. Ekranda:

• Laboratuvar deneyini tanımlayan bir anlatı,
• Adezif сынууyı açıklayan durum bilgisi,
• Kullanıcıdan görseli incelemesini isteyen ilk görev,
• Kırılmış жабыштыруу numunesine ait fotoğraf,
• Soru ve yardım düğmesi,
• Arka plan bilgisi düğmesi,
• Кийинки бетya geçiş öğesi

бар.

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

Сүрөт 2: Çoktan seçmeli өз ара аракеттенүү

Ошол эле бетdaki Сүрөт 2’de колдонуучуdan adezif сынууnın olası nedenlerini seçmesi istenmektedir. Sunulan seçenekler şunlardır:

• Yüzeyin жабыштыруу öncesinde ылайыктуу biçimde temizlenчыгуу учуsi,
• İkinci бет yapıştırılmadan önce жабыштыргычnın kullanılabilir süresinin aşılması,
• Yapıştırıcının altlık malzemesiyle uyumlu olmaması,
• Механикалык deneyin çok yüksek hızda gerçekleştirilmesi.

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

Сүрөт 3: Туура ve туура эмес cevaplara кайтарым байланыш

Yedinci бетdaki Сүрөт 3, iki ар башка cevap үчүн örnek кайтарым байланыш көрсөтөт:

• Yüzeyin ылайыктуу temizlenчыгуу учуsi туура neden катары işaretlenmekte; yağ, gres veya tozun бетin ıslanmasını engellediği ve бет enerjisini düşürdüğü açıklanmaktadır.
• Эксперимент hızının çok yüksek olması туура эмес seçenek катары işaretlenmekte; yüksek hızın görünen туруктуулукı etkileyebilmesine rağmen tek başına araпайызki adezif сынууnın tipik nedeni olmadığı belirtilmektedir.

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

Karşı önlemlerin öğretim sürecine eklenmesi

Изилдөөda гана hata nedeninin açıklanmasıyla yetinilmeyip düzeltici işlem de önerilmektedir. Yüzeyin temizlenчыгуу учуsi örneğinde sistemin şu tür каршы чараler sunması planlanmaktadır:

• Ылайыктуу çözücüyle бетти тазалоо,
• Механикалык абразивдүү иштетүү,
• Plazma бет işlemi,
• Astar uygulaması.

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

Vakanın özetleme ve билим өткөрүү aşaması

Örnek vaka sonunda adezif сынууnın, жабыштыргыч менен бет arasında yetersiz bağ oluştuğunu gösterdiği özetlenmektedir. Tipik nedenler arasında:

• Yetersiz бет hazırlığı,
• Yapıştırıcının kullanılabilir süresinin aşılması,
• Yapıştırıcı менен altlık arasındaki malzeme uyumsuzluğu

sayılmaktadır.

Kullanıcıya ayrıca şu temel öğrenme noktaları verilmektedir:

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

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

Yapışma ontolojisinin neden gerekli болгону

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

Örneğin ontolojide төмөнкү ilişkilerin kurulması gerekebilir:

Ön ve son koşulların tanımlanması, eğitim sisteminin колдонуучунун seçtiği işlemin mevcut durumda uygulanabilir olup olmadığını мааниlendirmesine yardımcı болушу мүмкүн.

Sistemin mevcut geliştirme durumu

Изилдөөnın tөсүшma bölümünde sistemin hâlen geliştirme aşamasında болгону açıkça belirtilmektedir. Mevcut мазмун:

• Metin ve görsel ağırlıklıdır.
• Yapışma alanına ait bir ontoloji ve süreç zincirleri kullanmaktadır.
• Adezif ve kohezyon kavramları gibi башталыш bilgileri içermektedir.
• Ар башка бетlerin mikroskobik görünüşlerini ele almaktadır.
• Metal yapıların yapıştırılması үчүн изилдөө alanının hazırlanması gibi süreçleri kapsamaktadır.

Бирок ontoloji ve süreçler büyük ölçüde башка uygulama alanlarından alınmıştır. Büyük деңиз конструкцияларыnın üretildiği кеме куруучу жай ortamına özgü parametreler henüz bütünüyle sisteme aktarılmamıştır.

Planlanan кийинки aşamalar

Изилдөөda gelecek adımlar şu şekilde tanımlanmaktadır:

1. Programlama bölümünün tamamlanması,
2. Vaka tabanlı eğitim мазмунlerinin genişletilmesi,
3. Bilgi tabanının кеме куруучу жайye özgü koşullarla zenginleştirilmesi,
4. Büyük dil modeli bileşeninin mevcut materyalle eğitilmesi veya uyarlanması,
5. Sistemin ар башка hedef колдонуучу gruplarıyla denenmesi,
6. Değerlendirme sonuçlarına göre мазмун ve arayüzün yeniden düzenlenmesi.

Изилдөөnın күчтүү жактары

• Tek tip колдонуучу varsayımı yerine çok ар башка eğitim ve deneyim düzeylerini dikkate almaktadır.
• Malzeme bilgisi менен işlem bilgisini birbirinden ayırmaktadır.
• Navigasyonu гана arayüz işlevi değil, öğrenilecek süreç bilgisinin parçası катары ele almaktadır.
• Башталыш ыңгайлаштырууsı менен изилдөө sırasında ыңгайлаштырууyı ayırt etmektedir.
• Klasik акылдуу окутуу системасы yapısının kontrol кылууга болот kurallarını чоң тил моделдериnin esnekliğiyle birleştirmeyi amaçlamaktadır.
• Туура эмес cevabın гана reddedilmesi yerine nedeninin ve каршы чараin açıklanmasını önermektedir.
• Техникалык dokümanlardan yapılandırılmış ontoloji çıkarma ihtiyacını ачык biçimde tanımlamaktadır.
• Projenin henüz tamamlanmadığını ve колдонуучу мааниlendirmesinin gelecekte yapılacağını gizleчыгуу учуktedir.

Изилдөөnın негизги чектөөлөрү

• Изилдөө hakem мааниlendirmesinden geçmemiş bir preprinttir.
• Tamamlanmış bir yazılım ürünü veya çalışan sistem doğrulaması sunulmamaktadır.
• Kullanıcı araştırması, örneklem sayısı veya hedef grubun чыныгы ihtiyaçlarını ölçen saha verisi жок.
• Öğrenme başarısını ölçen ön test, son test veya kontrol grubu uygulanmamıştır.
• Салттуу eğitim, standart e-öğrenme ve önerilen ITS arasında karşılaştırma yapılmamıştır.
• LLM’nin modeli, sürümü, bağlam yapısı, eğitim verisi veya изилдөө maliyeti belirtilmemiştir.
• Belge seçimi, маалымат temizliği, bilgi çıkarımı ve ontoloji өндүрүш yöntemi açıklanmamıştır.
• Oluşturulan ontolojinin kavram, ilişki veya kural sayısı берилген эмес.
• Alan uzmanlarının жасалма интеллект tarafından çıkarılan bilgileri nasıl doğrulayacağı tanımlanmamıştır.
• Туура эмес bilgi өндүрүшi, halüsinasyon, kaynak çelişkisi veya güncelliğini kaybetmiş talimatların nasıl yönetileceği açıklanmamıştır.
• Açıklanabilir жасалма интеллектdan söz edilmesine rağmen kullanılacak түшүндүрмө ve izlenebilirlik yöntemi gösterilmemiştir.
• Öğrenci modelinde hangi verilerin tutulacağı ve uzmanlık düzeyinin nasıl hesaplanacağı belirtilmemiştir.
• Kişisel öğrenme verilerinin gizliliği ve saklama шарттары tөсүшılmamıştır.
• Tersane gibi güvenlik açısından kritik bir ortamda туура эмес eğitim önerilerinin nasıl engelleneceği açıklanmamıştır.
• İlgili endüstri standartları, sertifikasyon gereklilikleri ve uzman onay süreçleri sisteme bağlanmamıştır.
• Сүрөтler, çalışan arayüzlerden elde edilmiş колдонуучу ekranları değil, kavramsal taslaklardır.
• Vaka örnekleri ağırlıklı катары metin ve görsele dayanmaktadır; video, simülasyon veya fiziksel uygulama eğitimi henüz gösterilmemiştir.

Metin içindeki tutarlılık sorunları

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

Daha маанилүү bir tutarsızlık, бетти тазалоо örneğinde görülmektedir. Сүрөт 3’te “бет ылайыктуу biçimde temizlenmedi” seçeneği туура cevap катары gösterilmektedir. Мунун тескерисинче hemen кийинки metinsel örnekte ошол эле seçenek “колдонуучунун туура эмес cevabı” катары yazılmıştır. Devamındaki техникалык түшүндүрмө ve önerilen каршы чара, бетти тазалооnin gerçekten ылайыктуу neden болгонун колдойт. Eğitim içeriği uygulanmadan önce bu tür çelişkilerin alan uzmanlarınca giderilmesi керек.

Изилдөө neyi колдойт?

• Yapışma bilgisinin кейске негизделген senaryolar hâlinde yapılandırılabileceğini көрсөтөт.
• İçerik, өз ара аракеттенүү ve навигацияun өзүнчө өзүнчө uyarlanabileceği bir tasarım çerçevesi sunmaktadır.
• Ар башка максаттуу топlar үчүн ар башка түшүндүрмө ve karar derinliklerine ihtiyaç болгонун ortaya koymaktadır.
• Klasik акылдуу окутуу системасы bileşenlerinin жабышуу eğitimine uygulanabileceğini kavramsal катары көрсөтөт.
• Büyük dil modellerinin dağınık техникалык kaynakların yapılandırılmasında kullanılabileceğine ilişkin bir proje yaklaşımı önermektedir.
• Туура ve туура эмес cevaplar үчүн түшүндүрмө ve каршы чара içeren örnek bir eğitim akışı sunmaktadır.

Изилдөө neyi gösterчыгуу учуktedir?

• Жасалма интеллект destekli eğitimin öğrenme başarısını artırdığını эксперименттик катары gösterчыгуу учуktedir.
• Sistemin колдонуучуların hata oranını azalttığını veya жабыштыруу kalitesini yükselttiğini далилдебейт.
• Büyük dil modelinin техникалык belgelerden туура ve eksiksiz ontoloji ürettiğini doğrulamamaktadır.
• Açıklanabilir жасалма интеллект bileşeninin güvenilir veya колдонуучу tarafından anlaşılır болгонун ölçчыгуу учуktedir.
• Sistemin кеме куруучу жай çalışanları tarafından kullanılabilirliğini, kabulünü veya erişilebilirliğini мааниlendirчыгуу учуktedir.
• Önerilen yaklaşımın салттуу uzman eğitiminden daha etkili veya ekonomik болгонун gösterчыгуу учуktedir.
• Жасалма интеллект tarafından önerilen каршы чараlerin endüstri standartlarına otomatik катары ылайыктуу olacağını garanti etчыгуу учуktedir.
• Dijital eğitimin uygulamalı laboratuvar ve işbaşı eğitiminin yerini alabileceğini ileri süren bir табылга sunmamaktadır.

Bilimsel ve endüstriyel önemi

Изилдөөnın bilimsel önemi, жабышуу teknolojisi, öğretim tasarımı ve жасалма интеллект alanlarını ortak bir problem üzerinde buluşturmasıdır. Өзгөчө karar sıralamasını ve навигацияu prosedürel bilginin parçası катары ele alması, гана bilgi kartları sunan салттуу e-öğrenme sistemlerinden daha kapsamlı bir yaklaşım önermektedir.

Endüstriyel açıdan önerilen sistem, ар башка vardiyalarda ve ар башка deneyim düzeylerinde çalışan personelin standartlaştırılmış temel bilgiye erişmesini kolaylaştırabilir. Eğitim vakaları туура biçimde doğrulanırsa бет hazırlığı, жабыштыргыч seçimi, işlem süresi ve hasar tanıma gibi konularda destek sağlayabilir.

Ошону менен бирге büyük деңиз конструкцияларыndaki жабыштыруу işlemleri güvenlik açısından kritik болушу мүмкүн. Ошондуктан gelecekteki sistemin:

• Her техникалык түшүндүрмө үчүн kaynak ve sürüm bilgisi göstermesi,
• Uzman onayı olmadan güvenlik kritik talimat üretчыгуу учуsi,
• Endüstri standartlarındaki değişiklikleri izleyebilmesi,
• Belirsiz veya çelişkili durumda колдонуучуyı yetkili uzmana yönlendirmesi,
• Dijital eğitimi uygulamalı yeterlilik мааниlendirmesiyle tamamlaması

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

Изилдөөnın Yöntemi ve Bulguları

Araştırma ve geliştirme yaklaşımı

Hedef gruplara göre olası ыңгайлаштыруу

Bu tablo, изилдөөнүн açıkladığı ыңгайлаштыруу mantığının техникалык özetidir. Makalede bu seviyelere ait tamamlanmış колдонуучу modeli veya puanlama sistemi sunulmamaktadır.

Örnek eğitim vakasının akışı

Сүрөтlerin техникалык мааниlendirmesi

Изилдөөda sunulan bulguların niteliği

Makaledeki “табылгалар” эксперименттик sonuçlardan ziyade tasarım kararları ve geliştirme gereksinimleridir:

• Hedef grubun ар башка uzmanlık düzeylerine ayrılması gerektiği belirlenmiştir.
• Yapışma bilgisinin malzeme, kimya, süreç, чыныгы ve kural bileşenlerine ayrılabileceği öne sürülmüştür.
• Vaka tabanlı eğitim, bu ар башка bilgi türlerini bağlam içinde birleştirmek үчүн ылайыктуу байкалган.
• İçerik ve навигацияun өзүнчө ыңгайлаштыруу alanları болгону белгиленген.
• Салттуу ITS yapısının чоң тил модели ve түшүндүрүлө турган жасалма интеллектyla genişletilmesi planlanmıştır.
• Mevcut билим базасыnın кеме куруучу жай ortamı үчүн henüz yeterli olmadığı kabul жасалган.
• Ар башка максаттуу топlarla gelecekte колдонуучу testleri yapılması gerektiği sonucuna varılmıştır.

Изилдөөda bulunmayan эксперименттик unsurlar

Ошондуктан изилдөө, önerilen sistemin etkililiğini мааниlendiren ampirik bir eğitim araştırması катары değil, sistem gereksinimlerini ve tasarım yaklaşımını açıklayan erken aşama bir proje metni катары okunmalıdır.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

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

Sorumlu/iletişim yazarı: SSRN kayıt бетsında Linda Fröck “Contact Author” катары gösterilmektedir. PDF’de sorumlu yazar işareti veya iletişim e-postası жок.

Биргелешкен биринчи авторлук veya eş katkı: Belirtilmemiştir.

PDF’de belirtilen мекемеlar:

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

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

DOI:10.2139/ssrn.6947714

Resmî SSRN kaydı:SSRN изилдөө бетsı

SSRN yayımlanma tarihi: 15 Haziran 2026.

Жарыяланган жылы: 2026.

Бет sayısı: 10.

Булак түрү: Жасалма интеллект destekli eğitim, akıllı öğretim sistemleri, кейске негизделген öğrenme ve жабышуу teknolojisi alanlarında kavramsal araştırma preprinti.

Журнал: Hakemli bir dergi adı, cilt, sayı veya makale numarası жок.

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

Басмакана: Өзүнчө bir akademik yayınevi doğrulanmamıştır.

Жарыялоо платформасы: SSRN.

Рецензия статусу: Изилдөө рецензиядан өткөн эмес. Her бетda “This preprint research paper has not been peer reviewed” uyarısı бар.

Каржылоо: Изилдөөda finansman beyanı жок.

Кызыкчылыктар кагылышы: Өзүнчө bir çıkar çatışması beyanı жок.

Маалымат ve kod erişimi: Маалымат seti, kaynak kod, модель dosyası, ontoloji veya çalışan eğitim sistemi үчүн ачык erişim bağlantısı берилген эмес.

Bu Türkçe anlatım, изилдөөнүн tamamı; максаттуу топ analizi, мазмун yapılandırma yaklaşımı, акылдуу окутуу системасы bileşenleri, чоң тил модели ve түшүндүрүлө турган жасалма интеллект önerileri, üç arayüz taslağı, örnek жабышуу hatası vakası, tөсүшma bölümü ve kaynakça birlikte incelenerek даярдалган. Изилдөөda bulunmayan колдонуучу testi, öğrenme başarısı, sistem doğruluğu veya endüstriyel uygulama sonucu eklenmemiştir.

Изилдөөnın en маанилүү sınırlılığı, önerilen yapının henüz колдонуучуlarla sınanmamış olmasıdır. Büyük dil modelinin ve түшүндүрүлө турган жасалма интеллект bileşeninin nasıl uygulanacağı, doğrulanacağı ve güvenlik açısından nasıl sınırlandırılacağı da henüz техникалык ayrıntılarıyla ortaya konmamıştır.

Ошондуктан изилдөө, жасалма интеллект destekli кейске негизделген жабышуу eğitiminin etkili болгонун kanıtlayan bir жыйынтык raporu değil; böyle bir sistemin geliştirilmesi үчүн hedef kitleyi, мазмун yapısını ve yazılım bileşenlerini tanımlayan erken aşama bir tasarım önerisidir.