Mbinu ya Elimu Inayotegemea Umahiri kwa Matengenezo Mahiri, ni mfumo wa elimu unaounganisha mbinu za ufuatiliaji wa hali ya mashine, ufuatiliaji wa mbali unaotegemea Internet of Things (IoT), na utambuzi wa hitilafu unaosaidiwa na akili bandia zalishi ndani ya kazi halisi za uhandisi, huku ukitathmini si tu kama wanafunzi wanaweza kutumia teknolojia hizi bali pia uwezo wao wa kufasiri ushahidi wa kiufundi, kuunganisha vyanzo tofauti vya data na kuthibitisha kwa umakinifu matokeo ya akili bandia. Utafiti ni uchunguzi kifani wa maelezo na uchunguzi wa kundi moja uliofanywa na wanafunzi 31 wa Mechanical Engineering waliojiandikisha katika somo la Industrial Maintenance katika Universidad Autónoma de San Luis Potosí. Mafunzo yalijumuisha uchanganuzi wa mtetemo, thermografia ya infrared, ufuatiliaji wa akustiki, ufuatiliaji wa mbali unaotegemea IoT na utambuzi wa hitilafu unaosaidiwa na ChatGPT. Katika tathmini ya wakufunzi sita kwa kutumia rubriki ya uchanganuzi, Global Competency Index for Smart Maintenance (GCIIM) ilikuwa %72,86; tathmini ya kina ya akili bandia ilikuwa na alama ya wastani ya juu zaidi, huku utambuzi wa hitilafu ukiwa na ya chini zaidi. Hata hivyo, kwa kuwa hakukuwa na jaribio la awali wala kundi dhibiti, matokeo haya hayaonyeshi ni kiasi gani mbinu hiyo ilisababisha maendeleo kwa wanafunzi au kwamba wasifu ulioonekana ulitokana moja kwa moja na afua ya elimu.

Sifa bainifu ya utafiti ni kuiweka akili bandia zalishi si kama mashine huru ya kutoa majibu, bali kama msaada wa utambuzi unaopaswa kupimwa dhidi ya ushahidi wa majaribio. Wanafunzi walilinganisha utambuzi wa awali wa hitilafu uliotolewa na ChatGPT na data za mtetemo, thermografia, akustiki na IoT, wakatambua makosa yanayoweza kutokea na kutathmini wenyewe uhalali wa kiufundi wa mapendekezo.

Utendaji wa wanafunzi ulipimwa katika maeneo tisa ya umahiri. Tathmini ya kina ya akili bandia ilifikia wastani wa juu zaidi wa 3,45 ± 0,99, ilhali utambuzi wa hitilafu ulitoa matokeo ya chini zaidi ya 2,97 ± 1,17. Mawasiliano ya kiufundi na uwezo wa kukabiliana na teknolojia pia vilikuwa miongoni mwa maeneo yanayohitaji kuendelezwa.

Ingawa mtazamo wa jumla ulioripotiwa na wanafunzi kupitia dodoso ulionekana kuwa chanya kwa %75,04, hakukuwa na uhusiano wenye maana kati ya GCIIM inayotegemea utendaji na mtazamo wa wanafunzi (\(\rho=-0.040\), \(p=0.833\)). Matokeo haya yanaonyesha kuwa mtazamo chanya wa mwanafunzi kuhusu teknolojia au kujihisi tayari si sawa na umahiri uliothibitishwa na mwanafunzi huyo katika kazi halisi ya uhandisi.

Kwa nini matengenezo mahiri yanahitaji aina mpya za umahiri wa uhandisi?

Pamoja na Industry 4.0, uhandisi wa matengenezo unaondoka katika shughuli ya kubadilisha sehemu tu hitilafu inapotokea au kufuata ratiba ya huduma za mara kwa mara. Kwa kutumia vihisi, miundombinu ya IoT, ufuatiliaji endelevu wa hali na uchanganuzi wa data, hali ya kifizikia ya vifaa inaweza kufuatiliwa wakati wa uendeshaji na maamuzi ya matengenezo yanaweza kutegemezwa kwenye data iliyochunguzwa.

Mabadiliko haya yanahitaji mhandisi si tu kupima mtetemo au halijoto, bali pia kufasiri kwa pamoja ishara tofauti za kifizikia, kutathmini uaminifu wa data inayotoka mbali, kutofautisha mifumo inayoweza kusababisha hitilafu na kueleza uamuzi wake wa kiufundi.

Kuingia kwa akili bandia zalishi katika mazingira haya kunaongeza tabaka jingine la umahiri. Mfumo wa AI unaweza kutoa maelezo yanayoonekana kushawishi kitaalamu lakini yasiyolingana na ushahidi wa kifizikia. Kwa hiyo, swali muhimu katika elimu ya uhandisi si tu “je, mwanafunzi anaweza kutumia ChatGPT?” Swali kuu linakuwa “je, mwanafunzi anaweza kuthibitisha pendekezo la ChatGPT kwa ushahidi wa uhandisi uliopimwa?”

Mbinu Inayotegemea Umahiri katika Elimu ya Matengenezo Mahiri ni Nini?

Mbinu inayotegemea umahiri katika utafiti huu haidhanii tu kwamba mwanafunzi ana maarifa ya mada, bali inahitaji aonyeshe utendaji wa uhandisi unaoweza kuonekana katika maeneo tisa—mtetemo, thermografia, ufuatiliaji wa akustiki, data za IoT, utambuzi wa hitilafu, ujumuishaji wa taarifa, tathmini ya akili bandia, mawasiliano ya kiufundi na uwezo wa kukabiliana na teknolojia—na utendaji huo utathminiwe kwa rubriki ya pamoja ya uchanganuzi.

Pengo la fasihi ya utafiti

Utafiti chanzo unaeleza kuwa, ingawa kuna fasihi inayopanuka kuhusu Engineering Education 4.0, smart maintenance, IoT na akili bandia zalishi, maeneo haya mara nyingi yamechunguzwa kando. Hasa, ushahidi kuhusu mbinu za majaribio zinazounganisha ufuatiliaji wa hali, IoT, akili bandia zalishi na tathmini ya utendaji inayotegemea umahiri katika mfululizo mmoja wa elimu ni mdogo.

Utafiti unashughulikia pengo hili kwa mfumo jumuishi unaotathmini ndani ya utafiti mmoja utendaji uliothibitishwa wa wanafunzi na taarifa zao binafsi kuhusu uzoefu wa kujifunza.

Kwa nini muundo wa utafiti hauwezi kuthibitisha usababisho?

Utafiti ulitathmini hali ya mwisho wa mchakato wa elimu pekee. Alama za awali za GCIIM za wanafunzi hao hazijulikani na hakuna kundi tofauti la udhibiti lenye wanafunzi wanaofanana.

Kwa hiyo, hitimisho zifuatazo haziwezi kutolewa:

• “GCIIM ilikuwa X kabla ya mafunzo na ikawa %72,86 baada ya mafunzo.”
• “Mbinu iliongeza umahiri kwa asilimia fulani.”
• “Matumizi ya ChatGPT yaliboresha moja kwa moja fikra tunduizi za wanafunzi.”

Kauli iliyo na mipaka zaidi inayoungwa mkono na chanzo ni hii: Wasifu wa umahiri wa matengenezo mahiri uliothibitishwa baada ya afua kwa wanafunzi 31 walioshiriki katika shughuli hizi za elimu una wastani wa %72,86, na kuna tofauti dhahiri za wasifu kati ya maeneo mbalimbali ya umahiri.

Washiriki na muundo wa kozi

Moduli tano za mafunzo ya vitendo

Jumla ya muda wa moduli za vitendo ni takribani saa 16 za mawasiliano. Katika shughuli zilizoendeshwa na wakufunzi wawili, timu zote zilitumia vifaa, tafiti kifani na seti za data zilezile.

Uchanganuzi wa mtetemo ulitekelezwaje?

Wanafunzi walitumia kichanganuzi cha mtetemo kinachobebeka TIME7230 kwenye mashine kama lathe, milling, drill, grinder ya mashine na msumeno wa mkanda mlalo katika Manufacturing Laboratory.

Katika uchanganuzi, vipengele vya masafa bainifu vya 1×, 2× na 3× na harmoniki vilichunguzwa hasa. Wanafunzi walihusisha ishara hizi na mifumo inayoweza kusababisha hitilafu kama kutokuwa na mizani, kutopangika, kulegea kwa kimitambo, ulainishaji usiotosha, kasoro za bearing na matatizo ya transmission.

Matokeo ya mwanafunzi hayakuwa jedwali la vipimo pekee, bali ripoti ya kiufundi yenye tathmini ya utambuzi na pendekezo la matengenezo.

Thermografia ya infrared ilitumika vipi?

Katika ukaguzi wa thermografia, kamera ya joto FLK-TiS20+ ilitumika. Kamera ina uwezo wa picha wa 9 Hz. Injini, bearing, paneli za umeme, shafts na mifumo ya transmission zilichunguzwa.

Wanafunzi walichunguza mgawanyo wa halijoto unaohusishwa na joto kupita kiasi, msuguano, ulainishaji usiotosha, mzigo wa umeme kupita kiasi na matatizo ya kupooza; wakaweka thermogramu, viwango vya halijoto vya nukta, tafsiri ya utambuzi na pendekezo la matengenezo katika ripoti sanifu.

Ufuatiliaji wa akustiki ulifanywaje?

Katika moduli ya akustiki, CA 1310 Class 2 integrating sound level meter ilitumika. Viwango vya shinikizo la sauti vilipimwa katika maeneo yaliyowekwa mapema kwenye mashine za warsha; lengo lilikuwa kubainisha hali za mwanzo za uendeshaji na kugundua anomali zinazoweza kuhusishwa na uchakavu wa kimitambo, kutopangika, ukosefu wa ulainishaji, kulegea au matatizo ya uendeshaji.

Mfumo wa ufuatiliaji wa mbali unaotegemea IoT

Programu ya IoT ilitekelezwa kwenye mfumo wa pico-hydraulic wenye vihisi vya shinikizo, mtiririko, volteji, mkondo na nguvu. Kituo cha ufuatiliaji kilitegemea Arduino UNO R3 na kiliunganishwa na jukwaa la Arduino IoT Cloud.

Wanafunzi waliweza kufuatilia mfumo kwa mbali kupitia kompyuta binafsi, tablet au simu mahiri. Picha hai ya vifaa ilitolewa kwa wakati mmoja kupitia Microsoft Teams.

Vigezo vilivyofuatiliwa vilijumuisha mtiririko \(Q_1\) na \(Q_2\), shinikizo \(P_3\), volteji ya jenereta, mkondo wa umeme na pato la nguvu lililokokotolewa.

Data za vihisi kila sekunde 30 zilisafirishwa. Wanafunzi walifuatilia mienendo ya vigezo vya majimaji na umeme kwa muda, wakafasiri hali za uendeshaji na kuhusisha data na maamuzi ya matengenezo.

ChatGPT Ilitumikaje katika Utafiti Huu?

ChatGPT haikutumiwa kama mfumo wa kutoa uamuzi wa mwisho wa hitilafu badala ya wanafunzi, bali kama chombo cha kusaidia maamuzi kwa ajili ya kutengeneza utambuzi wa awali wa hitilafu kutokana na ushahidi wa mtetemo, thermografia, akustiki na IoT; wanafunzi walitakiwa kulinganisha pato la GPT-4o na ushahidi wa majaribio, kutambua makosa au mipaka na kukubali tu mapendekezo waliyoweza kuthibitisha kitaalamu.

Usanifishaji wa shughuli ya AI

Wanafunzi wote walifanya kazi na modeli ya GPT-4o katika kiolesura cha wavuti cha ChatGPT tarehe 6 Juni 2025. Watafiti waliwapa washiriki wote prompt ileile sanifu. Prompt pia ilichapishwa kando katika Supplementary Material S1.

Kwa kuwa katika kiolesura cha wavuti vigezo vya generation kama temperature, top-p na seed haviwezi kurekebishwa na mtumiaji, utafiti haukuvisanifisha wala kuvirekodi.

Kila mwanafunzi aliingiliana na chombo mara moja tu. Kwa hiyo utafiti huu si jaribio kuhusu:

• iterative prompting,
• prompt refinement,
• mwingiliano wa hatua nyingi wa mtumiaji unaofanana na chain-of-thought,
• ulinganisho wa modeli tofauti za generative AI

.

Mtiririko wa utambuzi unaosaidiwa na AI

1. Utafiti kifani wa matengenezo: Taarifa za vifaa, dalili za hitilafu na data za uendeshaji huchunguzwa.
2. Kuunda prompt: Mwanafunzi hubadilisha taarifa za kiufundi za kesi kuwa swali linalofaa kwa chombo cha generative AI.
3. Uchanganuzi wa utambuzi unaosaidiwa na AI: Sababu zinazowezekana na mapendekezo yaliyotolewa na modeli huchunguzwa.
4. Tathmini ya kina ya pato la AI: Mapendekezo huthibitishwa kwa vipimo na ushahidi wa majaribio; makosa au mipaka hutambuliwa.
5. Ripoti ya kiufundi: Mwanafunzi huhalalisha hitimisho lake la uhandisi na pendekezo la matengenezo.

Hatua muhimu ya kielimu katika mtiririko huu ni hatua ya nne. Mwanafunzi hatakiwi kuandika upya pato la AI pekee, bali kutumia ushahidi wa uhandisi kulipima.

Utafiti pia unaeleza kuwa wanafunzi hawakuingiza taarifa binafsi, za kitaaluma au zinazoweza kuwatambulisha katika ChatGPT. Mwingiliano ulipunguzwa kwa kesi sanifu za matengenezo na data za kiufundi zilizozalishwa katika shughuli za elimu.

Tathmini ya umahiri ilifanywaje?

Kila mwanafunzi aliandaa ripoti binafsi ya kiufundi baada ya mazoezi. Majina na taarifa za utambulisho ziliondolewa; ripoti zilibadilishwa kuwa misimbo ya washiriki isiyo na utambulisho ya RRF2_1–RRF2_31.

Wakufunzi sita wataalamu wa matengenezo ya viwandani walitathmini ripoti kwa kujitegemea kwa kutumia rubriki ileile ya uchanganuzi.

Kila umahiri ulitegemea viashiria vitano vya binary. “Kigezo kimetimizwa” kilipata 1, “hakijatimiza” 0. Hivyo kila umahiri ulikuwa katika kiwango cha 0–5, na jumla ya umahiri tisa ilikuwa 0–45.

GCIIM ni Nini na Inapima Nini?

Global Competency Index for Smart Maintenance (GCIIM) ni faharasa ya maelezo inayounganisha alama za rubriki zenye uzito sawa za umahiri tisa wa matengenezo mahiri kuwa alama moja ya jumla ya 0–45 na thamani yake ya asilimia; ndani ya utafiti inafupisha wasifu wa utendaji uliothibitishwa wa wanafunzi lakini si kiwango cha kimataifa cha umahiri kilichothibitishwa kwa kujitegemea.

Mantiki ya kukokotoa GCIIM

Muundo wa utoaji alama uliobainishwa katika chanzo unaweza kuonyeshwa kihisabati kama ifuatavyo:

\[ GCIIM_{\mathrm{puan}}=\sum_{j=1}^{9}C_j \]

Hapa \(C_j\) ni alama ya wastani ya wataathmini katika kiwango cha 0–5 kwa kila mmoja wa umahiri tisa.

Thamani ya juu kabisa ya jumla:

\[ 9\times5=45 \]

kwa hiyo thamani ya asilimia:

\[ GCIIM_{\%}= \frac{GCIIM_{\mathrm{puan}}}{45}\times100 \]

ni kama ilivyo hapo juu.

Umahiri wote ulipewa uzito sawa. Waandishi wanaeleza kuwa hili si ushahidi kwamba maeneo yote yana umuhimu sawa kitaaluma; kwa kuwa katika utafiti wa uchunguzi hakukuwa na msingi wa majaribio au kinadharia wa kuunga mkono uzito tofauti, suluhisho la wazi na linaloweza kulinganishwa lilichaguliwa.

Viwango vya GCIIM

Kategoria hizi hazikutolewa kutoka mfumo wa umahiri wa matengenezo mahiri uliothibitishwa awali, kiwango cha kitaifa cha sifa au mfumo rasmi wa alama wa chuo kikuu. Ziliundwa na waandishi kwa ajili tu ya kueleza matokeo katika utafiti huu wa uchunguzi.

Mtazamo wa wanafunzi ulitathminiwaje?

Mwisho wa mafunzo, wanafunzi walijibu dodoso lenye vipengee 22 vilivyopimwa kutoka 1 “sikubaliani kabisa” hadi 5 “nakubaliana kabisa”.

Dodoso liliandaliwa na waandishi kwa msingi wa umahiri uliolengwa katika mafunzo na fasihi husika, kisha likapitiwa na wataalamu wale wale sita kwa kufaa kwa maudhui na uwazi. Kwa kuwa lugha ya kwanza ya washiriki wote ilikuwa Kihispania, dodoso lilitolewa kwa Kihispania na tafsiri haikuhitajika.

Ubadilishaji wa alama ya jumla ya mtazamo kuwa asilimia:

\[ Algı_{\%}= \frac{\overline{x}_{22}}{5}\times100 \]

ulifanywa kwa mantiki hiyo. Hapa \(\overline{x}_{22}\) ni wastani wa alama za Likert za vipengee 22. Chanzo kinaripoti kuwa hakuna jibu la dodoso lililokosekana.

Uaminifu wa dodoso

Waandishi walitumia mgawo wa McDonald's omega kama kiashiria kikuu cha uthabiti wa ndani. Thamani ya 0,70 ilitumika kama mwongozo wa jumla wa kukubalika, si kama mpaka wa umuhimu wa kitakwimu.

Ingawa thamani za Cronbach alpha za vipimo vya umahiri wa kidijitali na akili bandia zilikuwa chini ya 0,70, thamani za omega zilikuwa juu ya 0,70. Hata hivyo, kwa kuwa sampuli ilikuwa na wanafunzi 31 pekee na dodoso halijapitia uthibitishaji rasmi wa kina wa kisaikometriki, migawo yote ya uaminifu inapaswa kufasiriwa kwa namna ya uchunguzi.

Je, Mwanafunzi Kujihisi Mwenye Umahiri ni Sawa na Utendaji Halisi?

Hapana; katika sampuli hii hakukuwa na uhusiano wenye maana kati ya GCIIM inayotegemea utendaji na alama ya jumla ya mtazamo wa wanafunzi katika dodoso la vipengee 22 (\(\rho=-0.040\), \(p=0.833\), \(n=31\)); kwa hiyo mtazamo chanya kuhusu teknolojia, motisha au ufahamu wa umuhimu wa taaluma hauwezi kutumiwa kama kiashiria cha moja kwa moja cha umahiri uliothibitishwa katika kazi halisi ya uhandisi.

Kwa nini vipimo hivi viwili vinapaswa kutenganishwa?

Rubriki ya uchanganuzi inategemea ripoti ya kiufundi na utendaji wa uhandisi uliotolewa na mwanafunzi. Dodoso la mtazamo wa mwanafunzi hupima taarifa binafsi ya mwanafunzi kuhusu teknolojia, maandalizi yake na mahitaji ya kitaaluma ya baadaye.

Ingawa vipimo vyote viwili vimebadilishwa kuwa asilimia:

• havijatumia kipimo kilekile,
• havipimi muundo uleule wa kisaikolojia au kielimu,
• haviwezi kutumiwa badala ya kimoja kwa kingine.

Hasa, alama zote za juu katika kipimo cha “changamoto za kitaaluma za baadaye” hazimaanishi kujihisi mwenye uwezo kwa njia chanya; baadhi ya vipengee vinaonyesha kukubali kwa mwanafunzi kwamba anahitaji kujiandaa zaidi katika siku zijazo.

Mbinu na Matokeo ya Utafiti

Mchakato wa jumla wa utafiti wa hatua tano

1. Shughuli za maandalizi,
2. utekelezaji wa mazoezi ya matengenezo mahiri,
3. tathmini ya umahiri kupitia ripoti za kiufundi na rubriki ya uchanganuzi,
4. utoaji wa dodoso la mtazamo wa wanafunzi,
5. uchanganuzi wa takwimu elezi.

Vifaa vikuu vya upimaji na ufuatiliaji vilivyotumika

Matokeo ya kiasi ya umahiri tisa

Kwa nini utambuzi wa hitilafu unaonekana kuwa mgumu zaidi?

Tafsiri ya mtetemo au thermografia inaweza kulenga kutambua muundo katika aina fulani ya kipimo. Kinyume chake, utambuzi halisi wa hitilafu unahitaji kuunganisha vyanzo tofauti vya taarifa, kujenga uhusiano wa sababu na matokeo, kutathmini maelezo mbadala na kutetea uamuzi wa matengenezo kitaalamu.

Katika mjadala wa chanzo, inaelezwa kwamba utambuzi wa hitilafu kuwa na ugumu mkubwa wa kiakili unaweza kuchangia alama ya wastani iliyo chini. Tafsiri hii si utaratibu uliotenganishwa moja kwa moja kwa majaribio katika utafiti; ni maelezo ya kielimu ya matokeo.

Matokeo ya GCIIM

Kategoria za wastani na juu kwa pamoja zinajumuisha takribani %77 ya wanafunzi. Hata hivyo, hii si asilimia ya wanafunzi walioufikia kiwango cha nje cha sifa kilichothibitishwa; ni mgawanyo elezi kulingana na uainishaji wa uchunguzi uliowekwa na waandishi.

Uaminifu kati ya wataathmini

Migawo hii inaonyesha makubaliano ya juu sana kati ya wataathmini kwa alama za jumla za rubriki. Hata hivyo, hakukuwa na kikao rasmi cha calibration/training wala blinding kabla ya tathmini. Pia, ICC ilikokotolewa kwa alama ya jumla ya 0–45, si katika kiwango cha kila kiashiria cha umahiri tisa.

Matokeo ya wanafunzi katika vipimo vinne vya mtazamo

Thamani ya juu zaidi iko katika kipimo cha changamoto za kitaaluma za baadaye. Matokeo haya yanaonyesha kuwa wanafunzi wanatambua kwa nguvu umuhimu wa smart maintenance, Industry 4.0 na akili bandia katika mazoezi ya uhandisi ya baadaye.

Kipimo cha chini zaidi ni mtazamo wa umahiri wa kiufundi. Hali hii inaashiria kuwa wanafunzi bado wanatambua hitaji la kujiendeleza katika eneo la kiufundi.

Uhusiano kati ya umahiri uliothibitishwa na mtazamo

\(p=0.833\), kulingana na njia ya kawaida ya umuhimu ya 0,05, inaonyesha kuwa hakuna uhusiano wenye maana. Mgawo wa uhusiano kuwa karibu sana na sifuri pia unaonyesha kuwa katika sampuli hii uhusiano wa mpangilio usio wa mstari ni dhaifu sana kwa vitendo.

Matokeo haya hayawezi kujumlishwa kuwa “mtazamo na umahiri kamwe havihusiani”. Yanaonyesha tu kwamba katika sampuli hii ya wanafunzi 31 na kwa zana hizi mbili za upimaji, uhusiano wenye maana haukuonekana.

Matokeo yanayoungwa mkono na utafiti

• Kuunganisha ufuatiliaji wa hali, IoT, generative AI na tathmini inayotegemea utendaji katika mfululizo mmoja wa elimu kunaonekana kutekelezeka.
• Thamani ya wastani ya GCIIM ya wanafunzi washiriki baada ya afua ni %72,86.
• Tathmini ya kina ya pato la akili bandia ina wastani wa juu zaidi miongoni mwa umahiri tisa.
• Utambuzi wa hitilafu, mawasiliano ya kiufundi na uwezo wa kukabiliana na teknolojia ni maeneo dhaifu kwa kulinganisha.
• Uaminifu wa ICC wa juu sana ulipatikana katika alama za jumla za rubriki za wataathmini sita.
• Wanafunzi kwa jumla walitathmini kwa njia chanya umuhimu wa kitaaluma wa smart maintenance, Industry 4.0 na AI.
• Utendaji uliothibitishwa na mtazamo wa kujiripoti haukuhusiana kwa maana katika sampuli hii.
• Kutumia AI kama chombo cha msaada kinachopaswa kuthibitishwa kwa ushahidi wa majaribio badala ya kubadilisha uamuzi wa mwanafunzi ni kanuni kuu ya muundo wa kielimu wa utafiti.

Matokeo yasiyoungwa mkono na utafiti

• Haiwezi kusemwa kwamba mbinu iliongeza umahiri wa wanafunzi kwa %72,86.
• Haijaonyeshwa kisababishi kwamba matumizi ya ChatGPT pekee yanaongeza fikra tunduizi.
• Matokeo hayawezi kujumlishwa moja kwa moja kwa wanafunzi wote wa uhandisi au vyuo vikuu vyote.
• Kategoria za chini/wastani/juu za GCIIM si mipaka ya kitaaluma ya umahiri iliyothibitishwa kimataifa.
• Alama ya jumla ya mtazamo ya %75,04 haimaanishi umahiri wa uhandisi uliothibitishwa.
• Thamani kubwa za ICC hazithibitishi uhalali rasmi wa kisaikometriki wa viashiria vyote vya rubriki.
• Mwingiliano mmoja wa GPT-4o hautoi hitimisho kuhusu athari za modeli tofauti, mikakati ya prompt au matumizi ya muda mrefu ya AI.
• Utafiti haukupima utendaji wa wahitimu katika eneo halisi la kazi la viwandani.

Mipaka

Sampuli ndogo ya taasisi moja: Utafiti ulifanywa katika intact cohort moja ya wanafunzi 31 katika chuo kikuu kimoja.

Kutokuwepo kwa jaribio la awali: Kiwango cha awali cha umahiri wa wanafunzi kabla ya mafunzo hakikupimwa.

Kutokuwepo kwa kundi dhibiti: Hakuna kundi linganishi la wanafunzi ambao hawakupokea mbinu hiyo katika kipindi kilekile.

Kikomo cha usababisho: Muundo huu hauwezi kuthibitisha kwamba mbinu ya elimu ilisababisha matokeo yaliyoonekana.

Utaratibu wa wataathmini: Ingawa ICC ilikuwa juu, hakukuwa na evaluator training, calibration au blinding rasmi.

Azimio la ICC: Uchanganuzi wa uaminifu ulifanywa kwa alama ya jumla ya 0–45, si katika kiwango cha vigezo vitano binafsi au umahiri tisa wa rubriki.

Hali ya kisaikometriki ya dodoso: Ingawa dodoso lilipitiwa na wataalamu, uthibitishaji rasmi wa kina wa kisaikometriki haukufanyika na \(n=31\) ni ndogo kwa makadirio ya uaminifu.

Hali ya AI: Modeli moja, prompt moja sanifu na mwingiliano mmoja wa mtumiaji vilitumika. Iterative prompting, prompt refinement au ulinganisho na LLM nyingine haukufanyika.

Mielekeo ya utafiti wa baadaye

Chanzo kinapendekeza uthibitishaji kwa sampuli kubwa zaidi, programu tofauti za uhandisi na taasisi nyingi za elimu ya juu.

Tafiti za longitudinal na makundi ya kulinganisha zinahitajika ili kupima jinsi umahiri hubadilika kwa kweli kwa muda.

Athari za mikakati tofauti ya mwingiliano wa akili bandia kwenye hoja za uchunguzi pia zinapaswa kuchunguzwa kando. Matokeo ya mwingiliano wa hatua nyingi, modeli tofauti au taratibu tofauti za uthibitishaji badala ya prompt sanifu ya mara moja bado hayajulikani.

Uchunguzi wa utendaji katika mazingira halisi ya viwandani, learning portfolio, uchunguzi wa moja kwa moja wa utendaji na tathmini katika hali halisi za matengenezo pia zinapendekezwa kama mbinu zinazoweza kukamilisha rubriki na dodoso lililopo.

Maelezo ya Chanzo na Mbinu

Utafiti asili: A Competency-Based Educational Methodology for Smart Maintenance: Integrating Condition Monitoring, IoT, and Generative Artificial Intelligence

Waandishi: Pedro Cruz-Alcantar; Rafael A. Figueroa-Diaz; Antonio J. Balvantín-García; Sergio Raúl Rojas-Ramírez; Oscar Alejandro García-Pérez; Isaac Compeán-Martinez; María Cruz del Rocío Terrones-Gurrola.

Mwandishi wa mawasiliano: María Cruz del Rocío Terrones-Gurrola.

Taasisi: Unidad Académica Multidisciplinaria Región Altiplano, Universidad Autónoma de San Luis Potosí; Department of Electrical and Electronic Engineering, Sonora Institute of Technology; Department of Mechanical Engineering, University of Guanajuato; Office of Graduate Studies, Universidad Aeronáutica en Querétaro.

Jarida: Education Sciences.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Education Sciences 2026, 16(8), 1287.

DOI: 10.3390/educsci16081287

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu; uchunguzi kifani wa elimu wa maelezo na uchunguzi.

Wahariri wa kitaaluma: Jordi Mogas Recalde na Vanessa Esteve-González.

Ilipokelewa: 3 Julai 2026.

Marekebisho: 4 Agosti 2026.

Ilikubaliwa: 8 Agosti 2026.

Ilichapishwa: 12 Agosti 2026.

Leseni: Creative Commons Attribution (CC BY).

Sampuli: Wanafunzi 31 wa Mechanical Engineering; umri 21–24; wanaume 24 na wanawake 7.

Muktadha wa elimu: Kozi ya Industrial Maintenance ya wiki 16; moduli tano za vitendo za smart-maintenance.

Jukwaa la AI: ChatGPT, GPT-4o; 6 Juni 2025; prompt sanifu na mwingiliano mmoja kwa wanafunzi wote.

Tathmini ya utendaji: Umahiri tisa, vigezo vitano vya binary kwa kila umahiri, jumla ya juu ya alama 45; wataathmini sita huru ambao ni wakufunzi.

Mtazamo wa wanafunzi: Dodoso la vipengee 22 lenye kiwango cha Likert cha alama tano katika vipimo vinne.

Takwimu: Marudio, asilimia, wastani, mkengeuko sanifu; ICC kati ya wataathmini; McDonald's omega; Cronbach's alpha; Spearman rank correlation kati ya GCIIM na mtazamo wa jumla.

Programu: IBM SPSS Statistics version 21.

Nyenzo za ziada: S1 prompt sanifu ya AI; Table S1 mfano wa mchakato wa utambuzi na uthibitishaji unaosaidiwa na AI; Table S2 rubriki kamili ya uchanganuzi; Table S3 dodoso la mtazamo; Table S4 takwimu za mtazamo kwa kila kipengee.

Ufadhili:Imeelezwa kuwa utafiti haukupata ufadhili wa nje.

Maadili:Utafiti ulisamehewa ukaguzi rasmi wa Institutional Review Board kwa kuwa ulikuwa utafiti wa elimu wenye hatari ndogo uliotumia rekodi zilizofichwa utambulisho zilizotokana na shughuli za kawaida za kozi za wanafunzi watu wazima wa chuo kikuu. Imeripotiwa kuwa barua ya msamaha wa taasisi ilitolewa Julai 2026. Wanafunzi walielezwa kuhusu matumizi ya utafiti, ushiriki ulikuwa wa hiari, na ridhaa ya mdomo ilipatikana kwa matumizi ya kazi zao za kozi zilizofichwa utambulisho katika utafiti. Ridhaa ya maandishi iliondolewa.

Upatikanaji wa data:Imeelezwa kuwa data zinazounga mkono matokeo zinapatikana kutoka kwa mwandishi wa mawasiliano kwa ombi linalofaa.

Mgongano wa maslahi:Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana: Pedro Cruz-Alcantar na María Cruz del Rocío Terrones-Gurrola; mbinu: Pedro Cruz-Alcantar, Rafael A. Figueroa-Diaz na Antonio J. Balvantín-García; uthibitishaji: Sergio Raúl Rojas-Ramírez na Oscar Alejandro García-Pérez; rasimu ya kwanza: Pedro Cruz-Alcantar; mapitio na uhariri: Pedro Cruz-Alcantar, Isaac Compeán-Martinez na María Cruz del Rocío Terrones-Gurrola. Imeelezwa kuwa waandishi wote walichangia mjadala wa matokeo na maandalizi ya makala.

Kikomo kikuu cha kimetodolojia: Utafiti huu ni uchunguzi kifani wa kundi moja, taasisi moja, wanafunzi 31, wa maelezo na uchunguzi ambao una tathmini ya baada ya afua pekee. Kwa kuwa hakuna jaribio la awali, kundi dhibiti wala ufuatiliaji wa longitudinal, athari ya kisababishi ya mbinu ya elimu au ukubwa wa mabadiliko ya umahiri hauwezi kuamuliwa. Shughuli ya AI imewekewa kikomo kwa mwingiliano mmoja wa GPT-4o na dodoso bado halijapitia uthibitishaji rasmi wa kina wa kisaikometriki.