Ushbu tadqiqot dasturiy muhandislik talabalarining nafaqat dasturlashni o‘rganish, balki dastur ishlab chiqadigan soha mohiyatini va ushbu sohani modellashtirish usullarini qisqa vaqt ichida o‘zlashtirish muammosiga qaratilgan. Tadqiqotda 29 nafar magistratura talabasi kriptovalyuta arbitraji sohasidagi asosiy moliyaviy tushunchalarni hamda Sohaga yo‘naltirilgan loyihalash (Domain-Driven Design, DDD) yondashuvini o‘rganish uchun dars materiallari bilan maxsus sozlangan ChatGPT repetitoridan foydalangan.

Tajriba Karnegi Mellon universiteti Silikon vodiysi (Carnegie Mellon University Silicon Valley) filialidagi funksional dasturlash fanining ikki haftalik loyihalash (dizayn) bosqichida o‘tkazilgan. Talabalar guruhlarga bo‘lingan holda “ArbitrageGainer” nomli avtomatlashtirilgan kripto-arbitraj tizimini ishlab chiqish uchun avval moliya sohasini tushunishlari, so‘ngra voqealar bo‘roni (event storming), buyruqlar, tashqi tizimlar, ish jarayonlari va cheklangan kontekstlar (bounded contexts) kabi DDD elementlarini belgilashlari talab etilgan.

Maxsus sun’iy intellekt o‘qituvchisi GPT-3.5 Turbo asosida yaratilgan bo‘lib, unga ma’ruza slaydlari, loyiha talablari va namunaviy talabalar loyihasi bilimi yuklangan. Talabalarga uchta alohida darsdan oldingi topshiriqda ikkitadan standart so‘rov (prompt) berilgan, suhbatlar tarixini eksport qilish hamda qisqa bilim nazorati hisobotlarini topshirish yuklatilgan. Shu tariqa 174 ta standart so‘rov-javob juftligi hosil bo‘lgan. Tadqiqotchi ularning 60 tasini (34,5 foizini) qatlamli tasodifiy tanlanma asosida baholagan.

Javoblarning aniqlik (to‘g‘rilik) ko‘rsatkichi 98,9%, mavzuga moslik ko‘rsatkichi 92,2% va pedagogik qimmat ko‘rsatkichi 89,4% deb qayd etilgan. Kognitiv yuklama (tushunarlilik) bo‘yicha 82,78% olingan bo‘lsa, talabani ruhlantirish va keyingi qadamga yo‘naltirish (qo‘llab-quvvatlash) atigi 37,78% ni tashkil etgan. Tekshirilgan 60 ta javobda tadqiqotchi tomonidan “gallyutsinatsiya yoki noto‘g‘ri ma’lumot” deb tasniflangan holat topilmagan; faqat ikkita javobda talabani jiddiy chalg‘itmaydigan kichik noaniqlik aniqlangan.

Talabalarning sun’iy intellekt yordamida soha bilimlarini egallash va DDD ni qo‘llash bo‘yicha o‘z-o‘ziga ishonchi (self-efficacy) mashg‘ulotlardan so‘ng statistik jihatdan sezilarli darajada oshgan. Biroq tadqiqotda nazorat guruhi mavjud emas. Sun’iy intellekt topshiriqlari qisqa ma’ruzalar, jamoaviy amaliyotlar, majburiy bilim nazorati va baholash rag‘bati bilan bir davrda amalga oshirilgan. Shu sababli ishonchning ortishi faqatgina sun’iy intellekt o‘qituvchisiga bog‘liq deb bo‘lmaydi.

Tadqiqotning eng muhim amaliy natijasi sun’iy intellekt repetitorining muvaffaqiyat foizlaridan ko‘ra, o‘qituvchilar uchun ishlab chiqilgan 17 banddan iborat amaliy qo‘llanmadir (playbook). Dars materiallaridan tuzilgan nazoratli bilimlar bazasidan foydalanish, javoblar uzunligi va tafsilotini cheklash, misollarni oldindan saralash, notanish jargonlarni taqiqlash, talabani bitta aniq mantiqiy savolga yo‘naltirish va mashg‘ulotni kichik dars bahosi bilan rag‘batlantirish asosiy tavsiyalar qatoriga kiradi.

Tadqiqotning asosiy muammosi nima?

Dasturiy ta’minot muhandisligi ta’limi faqat dasturlash tillari va kod yozishni o‘rgatish bilan cheklanmaydi. Dasturchi o‘zi yechim yaratayotgan soha (moliya, tibbiyot, ishlab chiqarish yoki logistika) tushunchalari, qoidalari va chegaralarini tushunishi shart. Aks holda to‘g‘ri talablar modeli va dastur arxitekturasini qurish imkonsiz bo‘ladi.

Bu holat ta’lim jarayonida ikkita jiddiy to‘siqni keltirib chiqaradi:

• Talabalar dasturlash metodologiyalari bilan bir qatorda o‘zlari uchun mutlaqo yangi bo‘lgan amaliy sohani ham qisqa muddatda o‘zlashtirishlari lozim;
• O‘qituvchining dars vaqtida har bir talaba yoki guruhga individual tushuntirish va tezkor teskari aloqa berish imkoniyati cheklangan.

Tadqiqot savollari:

1. Sun’iy intellekt yordamida o‘rganish talabalarni dizayn bosqichiga tayyorlashda qanchalik yuqori sifatli yordam bera oldi?
2. Pedagogik qiymat, kognitiv yuk va qo‘llab-quvvatlash nuqtai nazaridan sun’iy intellekt repetitorining javoblari qanday sifatga ega bo‘ldi?
3. Ta’lim muhitida sun’iy intellekt yordamidagi o‘rganish samaradorligini qaysi o‘qitish amaliyotlari oshirishi mumkin?

Dars va loyiha konteksti

Uyg‘unlashtirish 2024-yil kuzgi semestridagi 12 kreditlik funksional dasturlash magistratura kursida amalga oshirilgan (Carnegie Mellon Silicon Valley). Talabalar 3–4 kishilik guruhlarda “ArbitrageGainer” deb nomlangan avtomatlashtirilgan kriptovalyuta arbitraj tizimini loyihalashtirganlar.

Sohaga yo‘naltirilgan loyihalash (DDD) dastur tuzilmasi va tilini biznes sohasi tushunchalari bilan uyg‘unlashtirishni ta’minlaydi. O‘quv jarayonida 30 daqiqalik qisqa ma’ruzalar ortidan Miro doskasida quyidagi amaliyotlar bajarilgan:

• Voqealar bo‘roni (event storming) orqali biznes voqealarini aniqlash;
• Voqealarni xronologik tartibga solish;
• Voqealarni chaqiruvchi buyruqlarni (commands) chiqarish;
• Tizim doirasidan tashqaridagi tashqi tizimlarni (birjalar, bozor ma’lumotlari APIlari) belgilash;
• Cheklangan kontekstlarni (bounded contexts) tuzish.

Ishtirokchilar va dastlabki bilim darajasi

Kursni yakunlagan barcha 29 nafar talaba tadqiqotda qatnashgan (15 nafari kompyuter fanlari, 4 nafari ECE, 3 nafari dasturiy muhandislik, 7 nafari boshqa sohalar).

Moliya bo‘yicha talabalarning 69 foizi, DDD bo‘yicha esa 77 foizi o‘z bilimini “yo‘q” yoki “juda kam” deb baholagan.

Maxsus ChatGPT o‘qituvchisining tuzilishi

Repetitor GPT-3.5 Turbo asosida sozlangan. Tizimga ma’ruza slaydlari, loyiha talablari va namunaviy DDD loyihasi kiritilgan. O‘qituvchi ma’ruza boshlanishidan avval beshta sinovdan o‘tkazilib, 4-versiyada dondurilgan (muzlatilgan).

Har bir talaba 3 ta dars oldi mashg‘ulotida 2 tadan standart so‘rov yuborgan (jami \(29 \times 3 \times 2 = 174\) ta juftlik). Ulardan 60 tasi (34,5 foizi) tahlil uchun qatlamli tasodifiy tanlab olingan.

Baholash mezonlari va natijalar

Har bir javob 0 dan 3 gacha bo‘lgan shkalada 5 ta mezon bo‘yicha baholangan:

Mustaqillik tekshiruvi uchun ikkita o‘qituvchi yordamchisi 15 ta suhbatni baholagan (Vaznli Koen kappasi: \(\kappa=0{,}76\) va \(\kappa=0{,}78\)).

Natijalar talqini

• To‘g‘rilik (98,9%): 60 ta javobdan 58 tasi mutlaqo to‘g‘ri, 2 tasida kichik noaniqlik bo‘lgan; hech qanday qo‘pol gallyutsinatsiya uchramagan.
• Kognitiv yuk (82,78%): Javoblarning haddan tashqari uzunligi, kirish va xulosada bir xil gaplarning takrorlanishi hamda tushuntirilmagan jargonlar yuklamani oshirgan.
• Qo‘llab-quvvatlashning pastligi (37,78%): Model asosan sovuqqon, neytral ma’lumot beruvchi ohangda javob qaytargan; talabani ruhlantirish yoki keyingi savolga undash deyarli kuzatilmagan.

O‘z-o‘ziga ishonch (Self-efficacy) o‘sishi

• Yakor soha bo‘yicha AI orqali bilim olish ishonchi: \(F(1,22)=24{,}41, p<0{,}001, \eta_p^2=0{,}53, d_z \approx 1{,}03\) (katta o‘sish).
• AI orqali DDD loyihalash ishonchi: \(F(1,21)=14{,}81, p<0{,}001, \eta_p^2=0{,}41, d_z \approx 0{,}82\).
• Umumiy DDD modellashtirish ishonchi: \(F(1,21)=45{,}82, p<0{,}001, \eta_p^2=0{,}69, d_z \approx 1{,}44\).

Bu ishonch ortishi faqat AI vositasidan emas, balki qisqa ma’ruzalar va jamoaviy amaliyotlar bilan birgalikda yuzaga kelgan.

O‘qituvchilar uchun 17 ta amaliy qoida (Playbook)

Eng yuqori samarali 5 ta qoida:

1. P7 - Bilimlar bazasini puxta tuzish: Dars slaydlari va loyiha talablarini kiritish orqali aniqlikni ta’minlash.
2. P2 - Javob uzunligini cheklash: Modelga 2 ta qisqa xatboshidan oshmaslik talabini qo‘yish.
3. P8 - Takrorlashni taqiqlash: Kirish va xulosada ayni gaplarni qaytarmaslik.
4. P9 - Bitta aniq davomiy savol berish: Talabani keyingi mantiqiy bosqichga yo‘naltirish.
5. P4 - Namunaviy misollarni oldindan tanlash: Tizimga eng yaxshi 1–3 ta kontekstli misolni kiritish.

Tadqiqotning metodologiyasi va natijalari

Manba va metodologiya eslatmasi

To‘liq asl nomi: From Domain Understanding to Design Readiness: a playbook for GenAI-supported learning in Software Engineering

Muallif: Rafal Wlodarski (Carnegie Mellon University Silicon Valley).

Konferensiya: ACM Symposium on the Foundations of Software Engineering (FSE Companion ’26), Monreal, Kanada.

DOI: 10.1145/3803437.3805783 (ACM DOI) / 10.48550/arXiv.2604.00120 (arXiv preprint).

Nashr yili: 2026.

Taqriz holati: Taqrizdan o‘tgan konferensiya maqolasi (ACM FSE 2026).

Rasmiy havola:ACM Digital Library sahifasi

Ushbu Verianla maqolasi yuklangan PDF matni, metodologiyasi va baholash natijalari asosida tayyorlangan. Tadqiqot AI repetitori inson o‘qituvchining o‘rnini bosa olishini emas, balki dizaynga tayyorgarlikda samarali qo‘shimcha vosita bo‘lishini ko‘rsatadi.