Uch yillik Ma’lumotlar fani ta’lim yo‘nalishi (Data Science track) bakalavriat boshqaruv dasturi tarkibiga joylashtirilgan bo‘lib, matematika va statistika asoslaridan boshlab dasturlash, ma’lumotlar bazasini boshqarish, data mining, amaliy statistika, vizualizatsiya, sun’iy intellekt, ma’lumotlar etikasi va loyiha asosidagi amaliyotlargacha bosqichma-bosqich rivojlanadigan ko‘p vositali o‘quv dasturi tuzilmasidir. Ushbu tadqiqot mazkur ta’lim yo‘nalishini ikki mustaqil talaba kohortining yillik akademik ko‘rsatkichlari hamda bitiruvchilarning ma’lumotlar faniga munosabati, karyera moslashuvchanligi, kurslar haqidagi qarashlari va ochiq javobli fikr-mulohazalarini birgalikda qo‘llash orqali baholaydi.

Tadqiqotda birinchi kohort 18, ikkinchi kohort esa 30 talabadan iborat. Akademik ko‘rsatkichlar har ikki kohort uchun uch akademik yil davomida tahlil qilingan; bitiruvdan keyingi yarim tuzilmali so‘rovnoma esa dasturni tugatgan birinchi kohortning 18 nafar talabasiga qo‘llangan. Birinchi kohortda yillik o‘rtacha baholar mos ravishda 84,86, 87,14 va 85,60; ikkinchi kohortda 76,39, 78,74 va 79,25 deb xabar qilingan. Biroq ikki kohort taqsimotining xatti-harakati bir xil emas: birinchi kohortda standart og‘ish 6,64 dan 5,26 ga va 4,29 ga izchil kamaygan bo‘lsa, ikkinchi kohortda 6,42 dan 5,52 ga tushib, uchinchi yilda 7,22 ga ko‘tarilgan.

Bu akademik baholar faqat Ma’lumotlar fani kurslaridan olingan baholar emas. Ular har bir talabaning tegishli akademik yilda bakalavriat boshqaruv dasturida olgan barcha fanlari bo‘yicha yillik umumiy o‘rtacha bahosidir. Shu sababli kuzatilgan akademik naqshlar Ma’lumotlar fani o‘quv dasturi talabalarning baholarini oshirgan yoki natijalardagi o‘zgaruvchanlikni kamaytirgan degan to‘g‘ridan-to‘g‘ri sababiy dalil sifatida ishlatilmaydi.

Bitiruvchilarning Ma’lumotlar faniga munosabati bo‘yicha talabalar shkalasida (SOMADS) qabul qilingan foydalilik qiymatining o‘rtachasi 4,31, ma’lumotlar faniga qiziqish 4,07, o‘z samaradorligiga ishonch 3,87 va xavotir-xarajat o‘lchovi 2,69 ni tashkil etadi. Karyera moslashuvchanligi shkalasi (CAAS) natijalarida kelajakka yo‘nalish 4,32, nazorat 4,36, qiziquvchanlik 4,14 va ishonch 4,34 o‘rtacha ko‘rsatkichga ega. Asosiy maqolada qo‘llangan Likert turidagi shkalalarning aniq eng past va eng yuqori ball chegaralari berilmagani uchun bu ballar manbada mavjud bo‘lmagan shkala diapazoni faraz qilinib qayta talqin qilinmagan.

Ochiq javobli fikr-mulohazalar to‘rtta asosiy mavzuni ko‘rsatdi: analitik va amaliy kompetensiyalarning rivojlanishi, qo‘llab-quvvatlovchi o‘quv muhiti, keng mavzular doirasi bilan texnik chuqurlik o‘rtasidagi taranglik va ish yuklamasi/o‘qitish/kasbiy tayyorgarlik muammolari. Talabalar haqiqiy yoki realistik ma’lumotlar bilan bajarilgan loyihalarni, amaliy kurslarni, ko‘plab analitik vositalar bilan tanishishni va shaxsiy ko‘makni qadrlagan bo‘lsalar-da, Python, SQL, Power BI, matematika, statistika va dasturlash kabi ayrim texnik yo‘nalishlarda ko‘proq chuqurlik hamda boshlang‘ich darajadagi ishlar uchun kuchliroq amaliy tayyorgarlik ehtiyojini ham bildirganlar.

Tadqiqotning asosiy xabari shundan iboratki, boshqaruv yo‘nalishi talabalariga ma’lumotlar fanini o‘qitishda shunchaki ko‘proq dasturiy ta’minot yoki texnologiya qo‘shish yetarli bo‘lmasligi mumkin. Muallifning muhokamasiga ko‘ra, ko‘p vositali o‘quv dasturining ta’limiy qiymati vositalar sonidan ko‘ra ularning qaysi ketma-ketlikda joriy qilinishi, avval o‘rganilgan kompetensiyalarning qanday qayta qo‘llanishi, haqiqiy ma’lumotlar va loyihalar bilan qanday integratsiya qilinishi hamda texnik jihatdan qiynalayotgan talabalarga qanday uzluksiz pedagogik ko‘mak berilishiga bog‘liq bo‘lishi mumkin. Biroq tadqiqot kuzatuv va tavsifiy xarakterga ega bo‘lgani uchun bu o‘quv dasturi xususiyatlari natijalarni sababiy ravishda yuzaga keltirishini isbotlamaydi.

Tadqiqot muammosi va adabiyotdagi bo‘shliq

Ma’lumotlar fani ta’limi endilikda faqat kompyuter fanlari, matematika yoki muhandislik kabi an’anaviy STEM sohalarining mavzusi emas. Boshqaruv va ijtimoiy fanlar kabi yo‘nalishlarda ham talabalarning ma’lumotlarni tayyorlay olishi, tahlil qilishi, vizuallashtirishi, sharhlashi va qaror qabul qilish jarayonlarida foydalana olishi tobora muhimlashmoqda.

Biroq boshqaruv talabalari matematika, statistika va dasturlash bo‘yicha bir xil tayyorgarlikka ega emas. Ayrim talabalar ilgari texnik fanlarni o‘qigan bo‘lishi mumkin, boshqalari esa dasturlashni ilk bor universitetda boshlashi mumkin. Shu bilan birga, zamonaviy ma’lumotlar fani faqat asosiy statistika bilimini emas, balki ma’lumotlar bazasi tizimlari, dasturlash muhitlari, data mining, biznes analitikasi, vizualizatsiya va sun’iy intellekt vositalari o‘rtasida ishlay olishni ham talab qiladi.

Shu sababli o‘quv dasturini loyihalashda ikki maqsad o‘rtasida taranglik paydo bo‘ladi: dastur texnik jihatdan yetarlicha jiddiy bo‘lishi, biroq texnik tayyorgarligi cheklangan talabalar uchun mutlaqo yopiq bo‘lib qolmasligi kerak. Manba belgilagan adabiyotdagi bo‘shliq ham shu yerda namoyon bo‘ladi. Oldingi tadqiqotlar alohida ma’lumotlar fani kurslarini, muayyan texnologiyalarni yoki dastur tavsiflarini o‘rgangan bo‘lsa-da, ko‘plab kurslardan iborat integratsiyalashgan dastur davomida talabalarning akademik rivojlanishi, munosabati va tajribalarini birgalikda baholaydigan dastur darajasidagi empirik dalillar nisbatan cheklangan.

Tadqiqot savollari

1. Ma’lumotlar fani ta’lim yo‘nalishining ketma-ket yillarida qanday akademik rivojlanish naqshlari kuzatiladi va bu naqshlar ikki mustaqil kohortda qay darajada izchil?
2. Dasturni tugatgan talabalarning ma’lumotlar faniga munosabati va karyera moslashuvchanligi darajalari qanday?
3. Bitiruvchilar Ma’lumotlar fani ta’lim yo‘nalishidagi o‘quv tajribalarini, dasturning kuchli va qiyin jihatlarini hamda kelajakdagi kasbiy rivojlanishlari uchun ahamiyatini qanday baholaydilar?

Texnologiya bilan Boyitilgan Ko‘p Vositali Ma’lumotlar Fani O‘quv Dasturi Nima?

Ushbu tadqiqotda texnologiya bilan boyitilgan ko‘p vositali ma’lumotlar fani o‘quv dasturi — bitta dasturiy ta’minotni o‘rgatish o‘rniga matematika, statistika, ma’lumotlarni qayta ishlash, dasturlash, data mining, vizualizatsiya, sun’iy intellekt va loyiha ishlarini uch yil davomida o‘zaro bog‘langan o‘quv ketma-ketligida birlashtiradigan dastur darajasidagi ta’lim ekotizimidir; texnologiya bu yerda alohida qo‘shimcha vosita emas, balki turli kurslardagi analitik topshiriqlar va o‘quv faoliyatining bevosita qismidir.

Texnologiya bilan Boyitilgan Ta’lim tushunchasi

Manba Technology-Enhanced Learning (TEL) yondashuvini shaxsiylashtirilgan yoki moslashuvchan dasturiy tizim sifatida ta’riflamaydi. TEL bu yerda o‘quv dasturi darajasida ko‘rib chiqiladi. Kurs faoliyatlari, analitik vositalar, realistik topshiriqlar, loyiha ishlari va fikr-mulohaza mexanizmlari o‘zaro bog‘lanib, talabaning uch yil davomida tobora murakkabroq vazifalarni bajarishi ko‘zda tutiladi.

Bu farq muhim. Tadqiqotdagi TEL yondashuvi “talabaga algoritmik tarzda shaxsiylashtirilgan dars beradigan tizim” degani emas. Bu texnologiyani dars dizayni va o‘quv dasturi oqimi bilan integratsiya qilishni anglatadi.

Ko‘p vositali o‘rganish nega markazda?

Dasturning asosiy dizayn tamoyillaridan biri talabani faqat bitta analitik platformada ixtisoslashtirish o‘rniga turli vazifalarda turli vositalardan foydalanishga o‘rgatishdir. Manba bu yondashuvni real kasbiy ma’lumotlar tahlili ish oqimlariga o‘xshatadi; chunki professional tahlilchi bir loyihaning o‘zida ma’lumotlar bazasi, dasturlash, statistik tahlil, biznes analitikasi, vizualizatsiya va sun’iy intellekt vositalaridan birgalikda foydalanishi mumkin.

Masalan, ma’lumotlarni tayyorlash uchun SQL yoki Excel, statistik tahlil uchun SPSS yoki Python, data mining uchun WEKA, qarorlarni qo‘llab-quvvatlash va vizualizatsiya uchun Power BI, ilg‘or ma’lumotlarni qayta ishlash va mashinaviy o‘rganish uchun Python, ma’lumotlarni kashf etish yoki yordamchi vazifalar uchun turli generativ sun’iy intellekt vositalari ishlatiladi. Tadqiqot bu vositalarning faqat nomlarini bermaydi, balki turli kurslarda qanday o‘quv rolini bajarishini ham ko‘rsatadi.

Loyiha Asosida O‘qitish nima?

Project-Based Learning (PBL; Loyiha Asosida O‘qitish) — talabalar faqat nazariy tushuntirishni tinglash o‘rniga mazmunli va ko‘pincha real hayotni ifodalovchi muammolar ustida uzoqroq muddat ishlash orqali bilim hosil qiladigan o‘quv yondashuvidir. Ko‘rib chiqilgan Ma’lumotlar fani ta’lim yo‘nalishida talabalar real yoki realistik ma’lumotlar to‘plamlari bilan ishlaydi; analitik muammoni belgilaydi, ma’lumotlarni tayyorlaydi, mos usul va texnologik vositani tanlaydi, tahlilni amalga oshiradi, natijalarni sharhlaydi va taqdim etadi.

Loyihalar dastur davom etgani sari ko‘proq integratsiyalashadi. Uchinchi yil practicum va seminar kurslari oldingi fanlarda o‘rganilgan statistika, data mining, ma’lumotlarni qayta ishlash, dasturlash va vizualizatsiya ko‘nikmalarini bitta keng qamrovli analitik vazifa doirasida birlashtirish uchun ishlab chiqilgan.

Uch yillik o‘qitish mantig‘i

Birinchi yil matematika, statistika va boshqaruv asoslarini beradi. Manba 1-rasmda Basic Math, Statistics 1, Math va Excel kabi kurslarni keyingi ma’lumotlar fani fanlari uchun poydevor bo‘ladigan boshlang‘ich komponentlar sifatida ko‘rsatadi.

Ikkinchi yil metodologik chuqurlik va vositalardan foydalanishga urg‘u beradi. Data Mining, Statistics 2, Database Management and Data Processing, Applied Statistics, Python va Knowledge Management and Decision-Making kabi kurslar shu bosqichda o‘tiladi.

Uchinchi yil integratsiya va amaliyot bosqichiga o‘tadi. Data Applications in the Public Sector, Artificial Intelligence Applications in Analytics, Selected Topics in Data Science, Legal and Ethical Aspects of Data Science, Visualization for Business Analytics, Practicum va Seminar kurslari ilgari egallangan ko‘nikmalarni real hayot va kasbiy kontekstlarga olib chiqishni maqsad qiladi.

Kurslar, vositalar va o‘quv rollari

Ushbu jadvaldagi vositalar ro‘yxati tadqiqot o‘tkazilgan davrdagi manba o‘quv dasturini ifodalaydi. Verianla ularni hozirgi vositalar bo‘yicha tavsiya yoki bugun majburiy qo‘llanishi kerak bo‘lgan texnologiyalar ro‘yxati sifatida qayta talqin qilmaydi.

Ishtirokchilar kimlar edi?

Tadqiqotda ikki mustaqil kohort mavjud. Kohort 1 dasturni tugatgan va bitiruvdan keyingi so‘rovda ishtirok etgan 18 talabadan iborat. Kohort 2 dasturni tugatish bosqichida bo‘lgan 30 talabadan iborat bo‘lib, akademik natijalar va o‘quv trayektoriyalarini o‘rganishda ishlatilgan.

Kohort 1 da 10 nafar ayol talaba (%55,6) va 8 nafar erkak talaba (%44,4) bor. O‘rtacha yosh 25,11, standart og‘ish 3,07. Talabalarning %77,8 ida avvalgi akademik oliy ta’lim tajribasi yo‘q; qolganlarda ayrim akademik tajriba bo‘lsa-da, tugallangan daraja mavjud emas. Manbada talabalarning matematika bo‘yicha tayyorgarligi ham turlicha ekani qayd etilgan.

Akademik natijalar qanday o‘lchandi?

Har bir talaba uchun tugallangan har bir akademik yilning yillik umumiy o‘rtacha bahosi ishlatilgan. Bu o‘rtacha o‘sha yilda o‘tilgan barcha kurslarni qamrab oladi. Manba bu hisob kreditlarga og‘irlik berib amalga oshirilganmi yoki boshqa institutsional og‘irliklash usuli ishlatilganmi, asosiy matnda alohida tushuntirmaydi; shu sababli Verianla yangi og‘irliklash formulasini yaratmaydi.

Natijalar o‘rtacha, standart og‘ish, minimum va maksimum bilan umumlashtirilgan; taqsimotlarni ko‘rish uchun violin grafiklari, talabalarning yillar bo‘yicha individual o‘zgarishlarini ko‘rsatish uchun alohida chiziqli grafiklar ishlatilgan.

O‘rtacha va standart og‘ish nimani bildiradi?

O‘quv izohi: Quyidagi tenglamalar maqolaning original ilmiy formulalari emas; manbada ishlatilgan o‘rtacha va tanlama standart og‘ishi tushunchalarining standart matematik ta’riflaridir.

\[ \bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\bar{x}\) guruh o‘rtachasini, \(x_i\) har bir talabaning tegishli o‘lchovini, \(n\) esa talabalar sonini bildiradi. O‘rtacha guruhning markaziy darajasini bitta son bilan umumlashtiradi.

\[ s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}} \]

\(s\) tanlama standart og‘ishidir. U talaba qiymatlari guruh o‘rtachasi atrofida qanchalik tarqalganini ko‘rsatadi. O‘rtachasi bir xil bo‘lgan ikki guruhdan standart og‘ishi kichikroq bo‘lganida o‘lchovlar o‘rtacha atrofida zichroq jamlanadi. Biroq standart og‘ishning kamayishi o‘z-o‘zidan ta’lim talabalarni rivojlantirganini isbotlamaydi; u faqat taqsimot torayganini ko‘rsatadi.

Violin grafigi nima?

Violin grafigi taqsimotning faqat o‘rtachasini emas, balki qiymatlar qaysi hududlarda ko‘proq to‘planganini shakl kengligi orqali ko‘rsatadigan taqsimot grafigidir. Manba 2-rasmda ikki kohortning uch yil ichidagi baho taqsimotlarini violin grafiklari bilan ko‘rsatadi.

Manba individual xom baho taqsimotlarini jadval ko‘rinishida e’lon qilmagani uchun Verianla violinlarning aniq geometriyasini qayta yaratmaydi. Aniq taqqoslash uchun manba 3-jadvalidagi raqamli xulosalar asos qilib olinadi.

SOMADS nimani o‘lchaydi?

SOMADS tadqiqotda talabalarning ma’lumotlar faniga munosabatining to‘rtta o‘lchovini baholash uchun ishlatilgan:

• Interest in data science: ma’lumotlar faniga qiziqish,
• Utility value: talabaning ma’lumotlar fanini qay darajada foydali/qadrli deb bilishi,
• Self-efficacy: talabaning tegishli vazifalarni bajara olish qobiliyatiga doir o‘z qarashi,
• Anxiety-Cost: shkala doirasida xavotir va qabul qilingan xarajat bilan bog‘liq o‘lchov.

Har bir o‘lchovning balli shu o‘lchovga tegishli bandlar o‘rtachasini olish orqali hisoblangan. Manba bandlar Likert turida ekanini aytadi, biroq asosiy maqolada shkaladagi aniq minimum va maksimum javob variantlarini bermaydi.

Manbada bayon qilingan o‘lchov ballini hisoblashning matematik ochiq ko‘rinishi quyidagicha:

\[ S_d=\frac{1}{k}\sum_{j=1}^{k}x_j \]

\(S_d\) tegishli o‘lchovning kompozit balli; \(k\) shu o‘lchovga tegishli bandlar soni; \(x_j\) talabaning tegishli bandga bergan ballidir. Bu tenglama manbada raqamlangan original formula sifatida keltirilmagan; “bandlar o‘rtachasi olinadi” usulining matematik ifodasidir.

CAAS nimani o‘lchaydi?

Career Adapt-Abilities Scale (CAAS) ushbu tadqiqotda karyera moslashuvchanligini to‘rtta o‘lchovda ko‘rib chiqadi:

• Concern: kelajakka yo‘nalish,
• Control: o‘zini boshqarish va karyera ustidan nazorat hissi,
• Curiosity: imkoniyatlarni o‘rganish,
• Confidence: karyera vazifalarini bajarishga doir ishonch.

CAAS o‘lchov ballari ham tegishli bandlarning o‘rtachasini olish orqali hisoblangan. Yuqoriroq ball tegishli karyera moslashuvchanligi o‘lchovining kuchliroq qo‘llab-quvvatlanishini ko‘rsatishi aytiladi.

Cronbach Alfa Ushbu Tadqiqotda Nimani Ko‘rsatadi?

Cronbach alfa bir xil shkala o‘lchovini shakllantirish uchun birlashtirilgan bandlarning javoblar jihatidan qanchalik bir yo‘nalishda harakat qilishini baholaydigan ichki izchillik koeffitsiyentidir; ushbu tadqiqotda SOMADS va CAAS ning har bir quyi o‘lchovi uchun alohida hisoblangan, biroq alfa qiymati o‘z-o‘zidan shkala valid ekanini yoki o‘lchanayotgan xususiyat dastur tomonidan yuzaga keltirilganini isbotlovchi natija sifatida ishlatilmagan.

O‘quv izohi: Manba Cronbach alfa formulasini bosma tenglama ko‘rinishida bermaydi. Standart matematik ifoda:

\[ \alpha= \frac{k}{k-1} \left( 1-\frac{\sum_{i=1}^{k}\sigma_i^2}{\sigma_T^2} \right) \]

Bu yerda \(k\) bandlar soni, \(\sigma_i^2\) har bir bandning dispersiyasi va \(\sigma_T^2\) bandlar umumiy ballining dispersiyasidir. Koeffitsiyent bandlarning o‘zaro izchilligi haqida ma’lumot beradi; biroq yuqori alfa o‘z-o‘zidan shkala to‘g‘ri konstruktni o‘lchashini, talaba muvaffaqiyatini yoki dasturning sababiy ta’sirini isbotlamaydi.

Ochiq javobli fikrlar qanday tahlil qilindi?

Talabalardan dasturning uchta ijobiy va uchta salbiy jihatini aytish hamda javoblarini kamida ikki-uch jumla bilan tushuntirish so‘ralgan. Bu javoblar refleksiv tematik tahlil yondashuvi bilan o‘rganilgan.

Refleksiv tematik tahlilda tadqiqotchining talqin qiluvchi roli tahlilning tabiiy qismi deb qaraladi. Tadqiqotda kodlash va mavzularni rivojlantirish bitta tadqiqotchi tomonidan bajarilgani uchun kodlovchilararo ishonchlilik hisoblanmagan. Manba buni hisoblashdagi kamchilik sifatida yashirmaydi, balki qo‘llangan refleksiv tematik yondashuvning epistemologik mantiqi bilan tushuntiradi.

Tadqiqot Usuli va Natijalari

Tadqiqot dizaynining ma’lumot manbalari

Statistik yondashuv nega tavsifiy edi?

Tadqiqot kohortlari kichik va maqsad muayyan ta’lim dasturini baholashdir. Shu sababli tahlil keng populyatsiya haqida inferensiya qilish yoki gipoteza testi orqali sababiy ta’sirni ko‘rsatishga yo‘naltirilmagan. O‘rtacha, standart og‘ish, mediana, min–max qiymatlari, chastotalar va grafiklar ishlatilgan.

Manba p-qiymati, ishonch oralig‘i yoki effekt kattaligi asosida ikki kohort o‘rtasida inferensial ustunlik testini bildirmaydi. Shu sababli Verianla bu natijalarga keyinchalik statistik ahamiyatlilik testini qo‘shmaydi.

Akademik ko‘rsatkichlarning aniq natijalari

Kohort 1 o‘rtachasi birinchi yildan ikkinchi yilga ko‘tarilgan, uchinchi yilda 85,60 ga tushgan, biroq birinchi yil darajasidan yuqori qolgan. Standart og‘ish uch yil davomida 6,64 → 5,26 → 4,29 tarzida kamaygan.

Kohort 2 o‘rtachasi uch yil davomida 76,39 → 78,74 → 79,25 tarzida oshgan. Biroq standart og‘ish 6,42 → 5,52 → 7,22 tarzida o‘zgargan; ikkinchi yildagi torayishdan keyin uchinchi yilda taqsimot kengaygan.

Shu sababli “dastur davom etgani sari barcha talabalarning ko‘rsatkichlari bir-biriga yaqinlashdi” degan umumiy xulosa qo‘llab-quvvatlanmaydi. Faqat Kohort 1 da uch yil davomida izchil variatsiya torayishi kuzatiladi.

Individual talabalarning trayektoriyalari

Manba 3-rasmda har bir talabaning yillik umumiy o‘rtachasini uch yil davomida alohida chiziqlar bilan ko‘rsatadi. Birinchi yilda talabalar o‘rtasida sezilarli farq mavjud. Birinchi yilni nisbatan past o‘rtacha bilan boshlagan talabalarning katta qismida keyingi yillarda yuqoriroq o‘rtachalar kuzatilgan, boshlang‘ichda yuqori o‘rtachaga ega talabalar esa odatda yuqori darajasini saqlab qolgan.

Biroq manba bu individual chiziqlarning xom raqamli qiymatlarini jadval ko‘rinishida bermaydi. Verianla grafik piksellaridan aniq talaba baholarini ishlab chiqarmagani uchun 3-rasmni aynan qayta chizmaydi.

SOMADS natijalari

Manba bitiruvchilarning qabul qilingan foydalilik qiymati va ma’lumotlar faniga qiziqishini yuqori deb tavsiflaydi. O‘z samaradorligiga ishonch o‘rtachasi ham nisbatan yuqori bo‘lsa-da, SD=1,16 bilan javoblar orasida ko‘proq o‘zgaruvchanlikni ko‘rsatadi. Xavotir-Xarajat o‘lchovi to‘rtta SOMADS o‘lchovi ichida eng past o‘rtachaga ega.

Bu yerda “past xavotir” kabi qo‘shimcha talqin berishda shkalaning yo‘nalishi va asosiy maqolada berilmagan javob chegaralari hisobga olinishi kerak. Manba bu o‘lchovni Anxiety-Cost nomi bilan beradi va yuqoriroq ball tegishli konstruktning kuchliroq qabul qilinishini ko‘rsatishini aytadi; Verianla bundan ortiq psixometrik ma’no ishlab chiqarmaydi.

CAAS natijalari

To‘rtta CAAS o‘lchovining o‘rtachalari bir-biriga yaqin va manba ularni nisbatan yuqori karyera moslashuvchanligi deb talqin qiladi. Ichki izchillik koeffitsiyentlari esa bir xil emas: eng yuqori alfa Concern o‘lchovida 0,93, eng past qiymat Curiosity o‘lchovida 0,64. Verianla 0,64 qiymatini manbada yo‘q bo‘lgan qat’iy “muvaffaqiyatli/muvaffaqiyatsiz” chegaraga ko‘ra tasniflamaydi; faqat u boshqa o‘lchovlardan pastroq ekanini qayd etadi.

Talabalar qaysi kurslarni muhim va qiziqarli deb topdilar?

Applied Statistics ham muhimlik, ham qiziqish bo‘yicha eng ko‘p tanlangan kursdir. Practicum ayniqsa muhimlik kategoriyasida yuqori chastotaga ega. Python kursi sakkiz talaba tomonidan muhim deb topilgan bo‘lsa, faqat ikki talaba uni eng qiziqarli kurslar qatoriga kiritgan. Manba muhimlik va qiziqish o‘zaro bog‘liq, lekin aynan bir tushuncha emasligini alohida ta’kidlaydi.

Ochiq javobli fikr-mulohazada 1-mavzu: analitik va amaliy kompetensiyalar

Talabalar dastur analitik fikrlash, muammo yechish va ma’lumotlar bilan ishlash ko‘nikmalariga hissa qo‘shganini bildirishgan. Dasturlash tillari, analitik vositalar, sun’iy intellekt, mashinaviy o‘rganish va real ma’lumotlar bilan ishlash ijobiy tajribalar qatorida qayd etilgan. Loyihalarning haqiqiy ish vazifalariga o‘xshashi ham talabalar qadrlagan jihatlardan biri bo‘lgan.

2-mavzu: qo‘llab-quvvatlovchi o‘quv muhiti

Shaxsiy yo‘l-yo‘riq, kichik guruh muhiti, dastur rahbarining talabalarni kuzatib borishi va o‘qituvchilarning talaba muvaffaqiyatiga e’tibor berishi ijobiy jihatlar sifatida qayd etilgan. Biroq barcha o‘qitish tajribalari ijobiy emas. Ayrim talabalar ma’lum o‘qitish usullari tushunishdagi bo‘shliqlarni yuzaga keltirganini va murakkab mavzular har doim yetarlicha aniq tushuntirilmaganini bildirgan.

3-mavzu: kenglik bilan texnik chuqurlik o‘rtasidagi taranglik

Talabalar ko‘plab ma’lumotlar fani yo‘nalishlari bilan tanishishni qadrlagan bo‘lsalar-da, shu kenglikni cheklov sifatida ham ko‘rganlar. Fikr-mulohazalarda SQL, Python, Power BI, matematika, statistika va dasturlash kabi sohalarda ko‘proq chuqurlikka ehtiyoj qayd etilgan.

Bu topilma o‘quv dasturini loyihalashda “ko‘proq texnologiya = yaxshiroq dastur” degan chiziqli mantiq yetarli emasligini ko‘rsatadi. Muallif muhokamasida ham texnologiyalar sonidan ko‘ra qaysi vositalar asosiy deb tanlanishi, ular necha marta qayta qo‘llanishi va murakkabligi qanday bosqichlashtirilishi muhimligi ta’kidlanadi.

4-mavzu: ish yuklamasi, o‘qitishdagi qiyinchiliklar va bandlikka tayyorgarlik

Matematika, statistika, dasturlash, axborot tizimlari va boshqaruv kurslarining bir dasturda birlashishi ayrim talabalar tomonidan intensiv va qiyin deb baholangan. Ayniqsa dasturlash ba’zi talabalar uchun qiyinchilik tug‘dirgani qayd etilgan.

Talabalar bundan tashqari kuchliroq kasbiy-amaliy bog‘lanishni istaganlar. Real ma’lumotlar va zamonaviy vositalar bilan ko‘proq ishlash, boshlang‘ich darajadagi ish vazifalariga yaqinroq amaliy mashg‘ulotlar hamda nazariya bilan kasbiy amaliyot o‘rtasidagi aloqani mustahkamlash bo‘yicha takliflar ilgari surilgan.

Ushbu Tadqiqot Ma’lumotlar Fani O‘quv Dasturi Samarali Ekanini Isbotlaydimi?

Yo‘q. Tadqiqot o‘quv dasturi dizayniga mos ijobiy talaba qarashlari, ayrim akademik rivojlanish naqshlari va kuchli deb ko‘rilgan loyiha/amaliy komponentlarni xabar qiladi; biroq kuzatuv dizayni, kichik kohortlar, taqqoslash guruhining yo‘qligi, dasturdan oldingi munosabat o‘lchovlarining mavjud emasligi va yillik baholar barcha bakalavriat kurslarini qamrab olgani sababli bu natijalar Ma’lumotlar fani o‘quv dasturining ta’sirini sababiy tarzda isbotlamaydi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Uch yillik dastur statistika, dasturlash, ma’lumotlarni boshqarish, data mining, vizualizatsiya, sun’iy intellekt, etika va loyihalarni bosqichma-bosqich tuzilmada integratsiya qiladi.
• Ikki kohortning akademik rivojlanish naqshlari bir xil emas.
• Kohort 1 da yillik baholar taqsimoti uch yil davomida toraygan; Kohort 2 da esa uchinchi yilda yana kengaygan.
• Har ikki kohortda birinchi yildan keyingi o‘rtacha umumiy natija birinchi yil darajasiga nisbatan nisbatan barqaror yoki yuqoriroq.
• Bitiruvchilar ma’lumotlar fanining foydaliligi va unga bo‘lgan qiziqishlari haqida ijobiy baholar bildirganlar.
• Karyera moslashuvchanligi o‘lchovlari manba tomonidan nisbatan yuqori deb xabar qilingan.
• Applied Statistics va Practicum talabalar ayniqsa muhim deb bilgan kurslar qatorida.
• Loyihalar, real ma’lumotlar, ko‘p vositali ish va pedagogik qo‘llab-quvvatlash ijobiy mavzular qatorida.
• Texnik chuqurlik, dasturlash, ish yuklamasi, o‘qitish aniqligi va kasbiy tayyorgarlik yaxshilanishi kerak bo‘lgan yo‘nalishlar sifatida namoyon bo‘lgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Dastur akademik baholarni oshirgani sababiy ravishda ko‘rsatilmagan.
• Dastur yuqori karyera moslashuvchanligi ballarini yuzaga keltirgani ko‘rsatilmagan.
• Dasturni olmagan nazorat guruhiga nisbatan ustunlik ko‘rsatilmagan.
• Talabalarning dasturdan oldingi va keyingi munosabatlari o‘zgarishi o‘lchanmagan.
• Ikki kichik kohort natijalarini barcha boshqaruv talabalari uchun umumlashtirib bo‘lmaydi.
• Ko‘p vositalar bilan tanishish barcha talabalar har bir vositani mukammal o‘zlashtirganini anglatmaydi.
• Yuqori qiziqish yoki qabul qilingan foyda texnik kompetensiyaning obyektiv natija o‘lchovi emas.

O‘quv dasturi dizayni uchun xulosalar

Manba to‘rtta asosiy dastur dizayni xulosasini taqdim etadi. Birinchidan, talabalarning rivojlanishi bir xil deb qabul qilinmasligi va turli kohortlarda kuzatilishi kerak. Ikkinchidan, keng texnologik tanishuv bilan texnik chuqurlik o‘rtasida muvozanat o‘rnatilishi kerak. Muallif ayniqsa yangi vositalarni doimo qo‘shib borish o‘rniga talabalar qayta-qayta ishlatadigan asosiy texnologiyalarni aniqlashni tavsiya qiladi.

Uchinchidan, “amaliy o‘rganish” bilan “ishga tayyorlik” aynan bir narsa emas. Talabalar loyihalar va real ma’lumotlar bilan ishlashni qadrli deb topgan bo‘lsalar-da, ayrimlari baribir boshlang‘ich darajadagi ishlar uchun yanada aniqroq tayyorgarlikka ehtiyoj bildirgan.

To‘rtinchidan, akademik rivojlanish barcha texnik sohalarda bir xil o‘z samaradorligiga ishonchni kafolatlamaydi. Dasturlash va murakkab texnologiyalarda uzluksiz pedagogik qo‘llab-quvvatlash zarur.

Asosiy cheklovlar

Kichik va bitta muassasaga tegishli namuna: Faqat ikki kichik kohort va bitta muassasa o‘rganilgan; umumlashtirish imkoniyati cheklangan.

Kuzatuv dizayni: O‘quv dasturi xususiyatlari bilan talaba natijalari o‘rtasida sababiy munosabat o‘rnatib bo‘lmaydi.

Nazorat guruhi yo‘q: Xuddi shu boshqaruv dasturida Ma’lumotlar fani yo‘nalishini olmagan taqqoslovchi talabalar guruhi mavjud emas.

Dasturdan oldingi munosabat o‘lchovi yo‘q: Talabalarning SOMADS yoki CAAS ballari dastur boshlanishidan oldin qanday bo‘lgani noma’lum bo‘lgani uchun o‘zgarishni hisoblab bo‘lmaydi.

So‘rov faqat birinchi kohortda qo‘llangan: Munosabat va sifatli fikr-mulohaza natijalari ikkinchi kohortni ifodalamaydi.

O‘z-o‘zini hisobot qilishga asoslangan ma’lumotlar: Bitiruvchilarning fikrlari eslab qolish va javob berish moyilliklaridan ta’sirlanishi mumkin.

Sifatli tahlil bitta tadqiqotchi tomonidan bajarilgan: Tadqiqot refleksiv tematik tahlil yondashuvi sababli kodlovchilararo ishonchlilikni hisoblamagan.

Akademik ko‘rsatkichning qamrovi: Ishlatilgan yillik baholar faqat Ma’lumotlar fani kurslariga emas, barcha bakalavriat kurslariga tegishli; shu sababli Ma’lumotlar fani ta’lim yo‘nalishining bevosita akademik ta’sirini ajratmaydi.

Manba va Usul Haqida Izoh

Original sarlavha: Curriculum Design and Evaluation of Data Science Track for Management Students

Muallif: Anna Khalemsky.

Mualliflar tartibi: Yakka muallifli tadqiqot.

Teng hissa: Qo‘llanmaydi; bitta muallif mavjud.

Mas’ul muallif: Manbada alohida corresponding-author belgisi ko‘rsatilmagan; titul sahifasida yagona muallif Anna Khalemsky uchun elektron pochta va telefon aloqa ma’lumotlari berilgan.

Titul sahifasidagi muassasa: Management Department, Jerusalem Multidisciplinary College, Jerusalem 91010, Israel.

Etika bo‘limidagi muassasa yozilishi: Jerusalem Multidisciplinary Academic College. PDF ikki bo‘limda ushbu ikki inglizcha muassasa shaklidan foydalanadi; Verianla ulardan birini jim tarzda boshqasiga almashtirmaydi.

Jurnal: Education Sciences.

Nashriyotchi: MDPI.

Nashr ma’lumoti: 2026, Volume 16, Article 1676.

DOI: 10.3390/educsci16101676.

Rasmiy DOI havolasi: https://doi.org/10.3390/educsci16101676

Topshirilgan: 28 Avgust 2026.

Qayta ko‘rib chiqish: 4 Oktabr 2026.

Qabul qilingan: 5 Oktabr 2026.

Nashr: 9 Oktabr 2026.

Manba turi: Article / tadqiqot maqolasi. Tadqiqot ikki mustaqil kohortning akademik ma’lumotlari, standartlashtirilgan munosabat/karyera shkalalari va ochiq javobli sifatli fikr-mulohazalarni birlashtirgan ko‘p usulli dastur baholashidir.

Taqriz holati: Education Sciences jurnalida chop etilgan taqrizdan o‘tgan ilmiy maqola.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tashqi moliyalashtirish olinmagan.

Etika qo‘mitasi: Jerusalem Multidisciplinary Academic College Ethics Committee for Research on Human Subjects tomonidan tasdiqlangan; Referans No. 749, 6 Avgust 2026.

Ongli rozilik: Bitiruvdan keyingi so‘rovda qatnashgan barcha ishtirokchilardan elektron ongli rozilik olingan. Ishtirok etish ixtiyoriy.

Ma’lumotlar maxfiyligi: So‘rov javoblari shaxsni aniqlovchi ma’lumotlarsiz, akademik natijalar ma’lumotlari esa anonimlashtirilgan holda tahlil qilingan.

Ma’lumotlardan foydalanish imkoniyati: Ikki kohortning anonimlashtirilgan akademik ko‘rsatkich ma’lumotlari va ma’lumotlar to‘plami tavsifi Open Science Framework da e’lon qilingan: https://osf.io/5m7en/overview?view_only=ad3a85b182f346e0ac1fc32d12cf48eb

Qo‘shimcha materiallar: Table S1 SOMADS va CAAS natijalarini, Table S2 talabalar ijobiy/salbiy fikr-mulohazalarini, Table S3 esa Data Mining kursidagi amaliy loyihaning bosqichlari va baholash komponentlarini o‘z ichiga oladi.

Sun’iy intellektdan foydalanish bayonoti: Muallif generativ sun’iy intellekt vositalari maqolani tayyorlash vaqtida til tahriri, ifoda ravshanligi va matnni tashkil etishga ko‘mak berish maqsadida ishlatilganini; original ilmiy mazmun yaratish, ma’lumotlar tahlili, natijalarni sharhlash yoki xulosa gaplarini shakllantirishda ishlatilmaganini bildiradi. Tadqiqot dizayni, ma’lumot yig‘ish, tahlil, talqin va yakuniy mas’uliyat muallifga tegishli.

Manfaatlar to‘qnashuvi: Muallif manfaatlar to‘qnashuvini bildirmagan.

Muallif hissalari: PDF da alohida CRediT/Author Contributions bo‘limi mavjud emas. Tadqiqot yakka muallifli ekani haqidagi ma’lumotdan tashqari, manbada mavjud bo‘lmagan hissa rollari Verianla tomonidan qo‘shilmagan.

Asosiy metodologik chegara: Tahlil asosan tavsifiy. Ikki kichik kohort, bitta muassasa, nazorat guruhining yo‘qligi, dasturdan oldingi munosabat ma’lumotlarining mavjud emasligi va yillik baholar barcha bakalavriat kurslarini qamrab olishi sababiy talqinlarni cheklaydi.