Sun’iy intellekt qo‘llab-quvvatlaydigan ta’lim assistentlari faqat o‘quvchiga savolning javobini beradigan tizimlar emas. Ayrimlari bevosita tushuntirish, yo‘naltirish, ogohlantirish yoki fikr-mulohaza berib, o‘rganishni ongli tarzda qo‘llab-quvvatlaydi, boshqalari esa foydalanuvchining tajriba qilib ko‘rishi, savol berishi, tizim chiqishini kuzatishi yoki biror faoliyatni bajarishi davomida o‘zi sezmagan holda bilim va ko‘nikma egallashiga vositachilik qiladi. Ushbu tizimli sharh 2000–2024 yillarda chop etilgan 38 tadqiqotni ko‘rib chiqib, AI ta’lim assistentlaridagi bu ikki o‘rganish shaklini ochiq o‘rganish va yashirin o‘rganish sifatida yagona taksonomiya ostida tasniflaydi.

Sharhdagi 38 tadqiqotning 34 tasi barcha o‘zgaruvchilar bo‘yicha batafsil ma’lumot ajratib olishga kiritilgan; qolgan to‘rtta tadqiqot faqat tadqiqotning motivatsion misolida ishlatilgan. To‘liq ajratib olish bajarilgan 34 tadqiqotning 27 tasi asosan ochiq o‘rganish, 7 tasi esa yashirin o‘rganish mexanizmlarini qo‘llab-quvvatlaydigan tizimlar sifatida tasniflangan. Bu taqsimot mos ravishda taxminan %79 va %21 ga to‘g‘ri keladi. Bu yerdagi foizlar AI tizimlarining o‘rganishdagi muvaffaqiyati yoki ta’limdagi ta’sir kattaligi emas; ular tizimli sharhda o‘rganilgan tizimlar qaysi o‘rganish mexanizmiga tasniflanganini ko‘rsatadigan tadqiqotlar taqsimotidir.

Ochiq o‘rganish uchun tadqiqotchilar 11 ta o‘zaro ta’sir xususiyatini aniqlagan: savol berish, ha/yo‘q savollari, ko‘p variantli savollar, savollarga javob berish, yo‘naltirish, ogohlantirish xabarlari, vazifa yaratish yoki yechish, tavsiyalar, bildirishnomalar, fikr-mulohaza va fikr-mulohazani tahrirlash. Yashirin o‘rganishda esa to‘rtta asosiy xususiyat aniqlangan: savol berish, savollarga javob berish, faoliyatni bajarish va fikr-mulohaza. Bir xil yuzaki o‘zaro ta’sir, masalan “fikr-mulohaza”, foydalanuvchining ongli o‘rganish maqsadi bor-yo‘qligiga va tadqiqotdagi funksiyasiga qarab ikkala toifada ham uchrashi mumkin.

O‘zaro ta’sir modalliklarida yozma aloqa eng keng tarqalgan shakldir. Tadqiqotchilar 25 tadqiqotda yozma, 19 tasida vizual, 7 tasida harakatga asoslangan va 5 tasida nutqqa asoslangan o‘zaro ta’sirni aniqlagan. Bitta tadqiqot bir nechta modallikni o‘z ichiga olishi mumkinligi sababli, bu guruhlar bir-birini istisno qilmaydi. Jami 56 modallik holati bo‘yicha normallashtirilgan taqsimot yozma o‘zaro ta’sir uchun %45, vizualizatsiya uchun %34, harakat uchun %12 va nutq uchun %9 ni tashkil etadi.

Sharh ayni paytda muhim dolzarblik chegarasini ham ko‘rsatadi. Ko‘rib chiqilgan 38 tadqiqotning faqat to‘rttasida LLM yoki generativ sun’iy intellekt ishlatilgan. Shuning uchun taksonomiya bugun tez ommalashayotgan LLM asosidagi ta’lim assistentlarini qisman qamrab olsa-da, dalillar bazasining katta qismi qoidaga asoslangan tizimlar, klassik mashinaviy o‘rganish, intellektual o‘qitish tizimlari, chatbotlar va oldingi davrdagi AI vositalaridan iborat.

Ochiq o‘rganish bilan yashirin o‘rganish o‘rtasidagi asosiy farq nima?

Tadqiqotdagi asosiy farq foydalanuvchining o‘rganish jarayonidagi ongli niyatidir. Ochiq o‘rganishda foydalanuvchi tushuntirish, ko‘rsatma, savol, fikr-mulohaza yoki ta’lim vazifasi orqali bevosita o‘rganishga yo‘naltiriladi. Yashirin o‘rganishda esa bilim yoki ko‘nikma foydalanuvchi biror faoliyatni bajarayotganda, AI bilan suhbatlashayotganda, chiqishni kuzatayotganda yoki sinov–xato yo‘li bilan o‘zaro ta’sir qilayotganda bilvosita egallanadi.

Tadqiqotchilar bu farqni faqat interfeys shakliga qarab belgilamagan. Masalan, “savol berish” yoki “fikr-mulohaza” ham ochiq, ham yashirin o‘rganishda uchrashi mumkin. Tasnifni belgilaydigan omil tegishli tadqiqotda o‘zaro ta’sirning qaysi funksiyani bajarishidir. Foydalanuvchi ongli ravishda ma’lumot olish uchun savol bersa, bu ochiq o‘rganishga; tabiiy o‘zaro ta’sir davomida o‘zi sezmagan holda ko‘nikma rivojlantirsa, yashirin o‘rganishga tasniflanishi mumkin.

Ochiq o‘rganishda aniqlangan 11 mexanizm

Sharh fikr-mulohazani ayniqsa markaziy mexanizm sifatida ko‘radi. Dasturlash ta’limida sintaksis yoki bajarilish vaqtidagi xatolar, muhandislikda masala yechish bosqichlarining to‘g‘riligi, til ta’limida grammatika xatolari va dizayn ishlarida past sifatli eskizni yaxshilash kabi juda turli qo‘llanish sohalarida fikr-mulohaza uchraydi.

Biroq tadqiqotchilar har bir ochiq o‘rganish xususiyatini avtomatik ravishda ijobiy deb hisoblamaydi. Masalan, bosqichma-bosqich yo‘naltirish yangi foydalanuvchilarning xatolarini kamaytirishi mumkinligi, biroq haddan tashqari tuzilmali yordam mustaqil fikrlashning susayishi xavfini tug‘dirishi mumkinligi muhokama qilinadi. Xuddi shuningdek, faqat “xato qildingiz” degan xabar xatoning sababini tushuntirmasa, chuqur konseptual o‘rganish uchun yetarli bo‘lmasligi mumkin.

Yashirin o‘rganishda aniqlangan to‘rtta mexanizm

Faoliyatni bajarish ayniqsa AI ta’limi sohasida ajralib chiqqan. O‘quvchilarning vizual dasturlash muhitlarida algoritmlar bilan ishlashi, kod yozmasdan mashinaviy o‘rganish tasnifini sinashi yoki bolalarning suhbat agentiga hayvonlar haqida ma’lumot o‘rgatib, keyin tizim bergan javoblarni kuzatishi kabi misollar shu guruhga kiritilgan.

Ko‘rib chiqilgan adabiyot vaqt o‘tishi bilan qanday o‘zgargan?

Sharh 2000–2024 davrida aniq tarixiy o‘zgarishni kuzatadi. Dastlabki tadqiqotlarning ko‘pi dasturlash, savodxonlik va tuzilmali o‘qitish kontekstlarida ochiq o‘rganish xususiyatlariga e’tibor qaratgan. 2019–2020 yillar atrofida ovozga asoslangan tizimlar va faoliyat orqali o‘rganish misollari bilan yashirin o‘rganish ko‘proq ko‘rina boshlagan.

2021–2024 davrida esa LLM va generativ sun’iy intellekt ishlatadigan tizimlar paydo bo‘la boshlagan. Tadqiqotchilar bu davrda ochiq va yashirin o‘rganish o‘rtasidagi chegaralar kamroq keskinlashganini; bir xil tizim ham bevosita tushuntirish va fikr-mulohaza, ham izlanish va tajriba orqali o‘rganishni qo‘llab-quvvatlashi mumkinligini ta’kidlaydi.

Biroq ushbu tarixiy talqinning muhim cheklovi bor: tizimli sharhda faqat to‘rtta LLM/GenAI tadqiqoti mavjud. Shu sababli LLM davridagi o‘rganish mexanizmlarining tarqalishi yoki samaradorligi haqida kuchli miqdoriy xulosa chiqarish mumkin emas.

AI ta’lim assistentlari qanday shakllarda qo‘llangan?

Tadqiqot qo‘llash yondashuvlarini to‘rtta asosiy guruhga ajratadi:

1. Suhbatga asoslangan AI: chatbot yoki conversational agent kabi foydalanuvchi bilan tabiiy til orqali o‘zaro ta’sir qiladigan tizimlar.
2. AI tizimlari: interaktiv tizimlar, intellektual o‘qitish tizimlari, ta’lim platformalari va tavsiya tizimlari.
3. AI assistance: o‘quvchi yoki dizaynerning vazifasini yengillashtiradigan yordamchi tizimlar.
4. AI vositalari: dasturlash, sxema, vizualizatsiya, AI ni o‘qitish yoki dizayn kabi muayyan vazifalarni qo‘llab-quvvatlaydigan vositalar.

Bilim qanday saqlanadi va yangilanadi?

Ko‘rib chiqilgan tizimlarning bilim arxitekturalari juda geterogendir. Ayrimlari statik yoki dinamik ma’lumotlar bazalari, ayrimlari bilim bazalari, ontologiyalar yoki ma’lumotlar to‘plamlaridan foydalanadi, ko‘plab dastlabki davr tadqiqotlari esa bilim ombori yoki yangilash mexanizmi tafsilotlarini bildirmagan.

Masalan, ayrim chatbotlar foydalanuvchi kiritishini dialog menejeri orqali bilim bazasidagi mazmun bilan moslashtirsa, tavsiya tizimlari o‘quvchi, oliy ta’lim va ish haqidagi ma’lumotlarni ontologiyalar orqali ifodalashi mumkin. Yangi tizimlarda dinamik foydalanuvchi o‘zaro ta’sirlari qayd etiladi yoki LLM asosidagi generatsiya tuzilmali bilim manbalari bilan birgalikda ishlatiladi.

Mualliflar ko‘rsatgan tadqiqot bo‘shliqlaridan biri aynan shu nuqtadir: ko‘plab tadqiqotlar bilim bazasi statikmi yoki dinamikmi, yoki yangilash strategiyasi qanday ishlashini yetarlicha tushuntirmaydi.

Qaysi algoritmlar ishlatilgan?

Sharhda yagona ustun algoritm yo‘q. Ko‘rib chiqilgan tizimlar tabiiy tilni qayta ishlash, mashinaviy o‘rganish, chuqur neyron tarmoqlar, qaror daraxtlari, tavsiya algoritmlari, kontekstual bandit usullari, tasvirni tanish, klasterlash, bilim grafiklari va yangi davrda LLM/GenAI komponentlaridan foydalangan.

Misollar orasida Dialogflow va Rasa asosidagi suhbat tizimlari, J48 qaror daraxtidan foydalanadigan ta’lim platformasi, cooperative contextual bandit ishlatadigan dizayn yordamchisi, tasvirni qayta ishlash va chuqur o‘rganishga asoslangan eskizni o‘zgartirish tizimi hamda GPT/ChatGPT yoki OpenAI APIlaridan foydalanadigan 2024 davridagi ta’lim/dizayn tizimlari mavjud.

Shuning uchun tadqiqot “ta’limdagi eng yaxshi algoritm mana shu” degan xulosaga kelmaydi. Bir xil o‘rganish mexanizmi bir-biridan ancha farq qiladigan texnik arxitekturalar bilan amalga oshirilishi mumkin.

Foydalanuvchilar AI bilan eng ko‘p qanday o‘zaro ta’sir qiladi?

Yozma o‘zaro ta’sir eng keng tarqalgan modallikdir. Ammo foiz qiymatlari tadqiqotlar sonining bevosita foizi emas; bitta tadqiqot bir nechta modallikka ega bo‘lishi mumkinligi uchun ular jami o‘zaro ta’sir holatlari bo‘yicha normallashtirilgan.

Manbaning 6-jadvalida ustun “Number of Papers” deb nomlangan bo‘lsa-da, kataklarda %45, %9, %12 va %34 ko‘rinishidagi foizlar berilgan. Xuddi shu bo‘limning izoh matni esa haqiqiy tadqiqot sonlarini 25, 5, 7 va 19 deb ko‘rsatadi. Shu sababli Verianla jadvalida ikkala ma’lumot alohida ustunlarda saqlangan.

LLMlar ta’lim assistentlarini qanday o‘zgartirmoqda?

Sharhga ko‘ra, LLM va generativ sun’iy intellekt qat’iy qoidalar va cheklangan javob oqimlariga tayangan eski ta’lim tizimlaridan ko‘proq moslashuvchan, kontekstga sezgir va suhbatga ochiq tizimlarga o‘tish imkonini beradi. Ko‘rib chiqilgan yangi tizimlarda LLMlar foydalanuvchi savollariga dinamik javob berish, tushuntirish yaratish, dizayn tavsiyasini taqdim etish va turli modalliklar o‘rtasida o‘zaro ta’sir qurish maqsadida ishlatilgan.

Mualliflar bu moslashuvchanlik ochiq o‘rganishda shaxsiylashtirilgan tushuntirish, yo‘naltirilgan savol va adaptiv fikr-mulohazani; yashirin o‘rganishda esa tajriba qilib ko‘rish, savol shaklini o‘zgartirish va tizim chiqishini kuzatish orqali o‘rganishni qo‘llab-quvvatlashi mumkinligini ta’kidlaydi.

Biroq tadqiqot LLM asosidagi ta’lim assistentlari an’anaviy usullardan umuman samaraliroq ekanini ko‘rsatadigan meta-tahlil o‘tkazmagan. Bundan tashqari, faqat to‘rtta kiritilgan tadqiqot LLM/GenAI ishlatgan. Shuning uchun LLM bo‘limidagi ko‘plab kelajak yo‘nalishlari mavjud sharhning kuchli qiyosiy ta’sir dalilidan ko‘ra rivojlanayotgan tadqiqot sohasi bo‘yicha sintez va tavsiyadir.

LLM asosidagi ta’limda asosiy xavf nima?

Manba tadqiqot LLMlarning moslashuvchanligi yangi baholash muammosini yuzaga keltirishini ta’kidlaydi. Klassik tizimlarda aniqlik, vazifani bajarish yoki foydalanish qulayligi kabi o‘lchovlar yetarli deb qaralishi mumkin bo‘lsa, generativ tizimlarda javobning faktik to‘g‘riligi va ishonchliligi alohida baholanishi kerak.

Mualliflar ayniqsa gallyutsinatsiya xavfiga e’tibor qaratadi. Noto‘g‘ri AI javobining tanqidiy baholashsiz qabul qilinishi o‘rganuvchilarni chalg‘itishi mumkin; bu xavf maxfiylik, xavfsizlik va sog‘liqni saqlash kabi noto‘g‘ri yo‘naltirish jiddiy oqibatlarga olib kelishi mumkin bo‘lgan sohalarda yanada muhim. Shu sababli LLM asosidagi ta’lim assistentlari uchun himoya mexanizmlari va ishonchli ma’lumotga asoslangan tekshirish tavsiya etiladi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Ko‘rib chiqilgan AI ta’lim assistentlarida ochiq o‘rganish mexanizmlari yashirin o‘rganishga qaraganda ko‘proq namoyon bo‘lgan.
• To‘liq ajratib olingan 34 tadqiqotning 27 tasi ochiq, 7 tasi yashirin o‘rganish ustunligi bo‘yicha tasniflangan.
• Ochiq o‘rganish uchun 11, yashirin o‘rganish uchun to‘rtta o‘zaro ta’sir mexanizmidan iborat taksonomiya yaratilgan.
• Bir xil o‘zaro ta’sir xususiyati funksiyasiga qarab ochiq yoki yashirin o‘rganishda turli rollarni bajarishi mumkin.
• Yozma o‘zaro ta’sir ko‘rib chiqilgan tizimlarda eng ko‘p uchraydigan modallikdir.
• Nutqqa asoslangan o‘zaro ta’sir ko‘rib chiqilgan adabiyotda nisbatan kam namoyon bo‘lgan.
• Bilimni saqlash va yangilash usullari ko‘plab tadqiqotlarda yetarli darajada hisobot qilinmagan.
• Baholash yondashuvlari tadqiqot dizayni, namuna, muddat va o‘lchovlar jihatidan juda geterogendir.
• LLM/GenAI tizimlari ko‘rib chiqilgan adabiyotning faqat kichik qismini tashkil qilgani sababli, yangi avlod ta’lim assistentlari uchun qo‘shimcha tizimli tadqiqot zarur.

Tadqiqot qo‘llab-quvvatlamaydigan yoki sinamagan xulosalar

• %79 qiymati AI ta’lim assistentlari %79 samarali degani emas.
• Ochiq o‘rganish yashirin o‘rganishdan pedagogik jihatdan muvaffaqiyatliroq ekani isbotlanmagan.
• Yozma o‘zaro ta’sir ovozli yoki vizual o‘zaro ta’sirdan samaraliroq ekani ko‘rsatilmagan; faqat ko‘proq ishlatilgani aniqlangan.
• LLM asosidagi ta’lim assistentlari qoidaga asoslangan yoki klassik mashinaviy o‘rganish tizimlaridan umuman ustun ekani isbotlanmagan.
• Tadqiqot umumiy ta’sir kattaligini hisoblaydigan meta-tahlil emas.
• 38 tadqiqotning barchasi bir xil sifat darajasida emas va rasmiy tadqiqot darajasidagi risk-of-bias baholashi bajarilmagan.
• Qisqa muddatli foydalanish qulayligi yoki ishtirok natijalari uzoq muddatli o‘rganish yutug‘i sifatida qabul qilinmasligi kerak.
• Taklif qilingan taksonomiya barcha madaniyatlar, ta’lim darajalari, tillar va kelajakdagi AI arxitekturalari uchun to‘liq ekani ko‘rsatilmagan.

Turkiya nuqtai nazaridan bu nimani anglatadi?

Ushbu tizimli sharh Turkiyaga xos o‘quvchi populyatsiyasini yoki turk tilidagi ta’lim assistentlarini alohida tahlil guruhi sifatida baholamaydi. Shu sababli %79–%21 taqsimoti yoki modallik foizlarini Turkiyadagi maktablar, universitetlar yoki ta’lim texnologiyalarining bevosita profili sifatida talqin qilib bo‘lmaydi.

Shunga qaramay, tadqiqot Turkiyada ishlab chiqiladigan AI ta’lim assistenti faqat “qaysi model ishlatiladi?” degan savol bilan loyihalanmasligi kerakligini ko‘rsatadigan foydali ramka beradi. Tizim o‘rganishni bevositami yoki bilvositami qo‘llab-quvvatlashi, qaysi fikr-mulohaza shakllaridan foydalanishi, bilim qanday yangilanishi, yozuv–vizual–ovoz–harakat modalliklari qanday birlashtirilishi va o‘rganish yutug‘i uzoq muddatda qanday tasdiqlanishi alohida dizayn qarorlaridir. Bular manba tadqiqotdan kelib chiqqan dizayn o‘lchovlari; Turkiyada qo‘shimcha mahalliy eksperimental tekshirish talab etadi.

Tadqiqotning Usuli va Topilmalari

Tizimli sharh qanday o‘tkazilgan?

Tadqiqot PRISMA 2020 hisobot ramkasi va dasturiy injiniring adabiyotida ishlatiladigan snowballing usullariga tayangan. Dastlabki qidiruvlar 2022 yil iyun–sentyabr oylarida o‘tkazilgan, 2023 yil noyabrda yangilangan va LLM asosidagi ta’lim assistentlaridagi rivojlanishni qamrab olish maqsadida 2024 yil sentyabr–dekabr oylarida qo‘shimcha qidiruv bajarilgan.

Qidiruvlar Google Scholar, ACM Digital Library, IEEE Xplore, MDPI, Springer va Taylor & Francis manbalarida o‘tkazilgan. Tadqiqotchilar avtomatik qidiruv, qo‘lda qidiruv va oldinga/orqaga snowballing usullarini birgalikda qo‘llagan.

Dastlabki skriningda jami 16.335 yozuv aniqlangan:

5685 takror yozuv va sana filtri bilan 2500 yozuv chiqarilgandan keyin 8150 yozuv sarlavha skriningiga qolgan. Sarlavha bosqichida 8030 yozuv chiqarilgan. Qolgan 120 yozuvga snowballing orqali 11 yozuv qo‘shilib, to‘liq matn uchun 131 hisobot qidirilgan va barcha hisobotlar olingan. Annotatsiya va xulosa ko‘rib chiqilishidan keyin 73 tadqiqot chiqarilgan; 58 tadqiqot to‘liq matn muvofiqlik baholashiga olingan va ulardan 20 tasi chiqarilgach, yakuniy sharhga 38 tadqiqot kiritilgan.

20 ta to‘liq matn nima uchun chiqarildi?

Nega 38 tadqiqotning faqat 34 tasi to‘liq tahlil qilindi?

Tadqiqotchilar kiritilgan 38 tadqiqotning 34 tasi uchun chop etilgan yil, soha, o‘rganish turi, o‘zaro ta’sir mexanizmi, qo‘llash yondashuvi, bilimni ifodalash, foydalanuvchi guruhi, algoritm, o‘zaro ta’sir modalligi, baholash yondashuvi, ma’lumot yig‘ish usuli, ishtirokchilar soni va o‘lchovlar kabi 15 o‘zgaruvchini to‘liq ajratib olgan.

Qolgan to‘rtta tadqiqot faqat 3-bo‘limdagi motivatsion misolni qo‘llab-quvvatlash uchun ishlatilgan va to‘liq ma’lumot ajratib olishga kiritilmagan. Shu sababli ochiq/yashirin o‘rganish taqsimotida ishlatiladigan 27 va 7 tadqiqot yig‘indisining 34 bo‘lishi usul bo‘limiga mos keladi.

Bu farq, ayniqsa, annotatsiyadagi “38 tadqiqot” ifodasi bilan “%79 / %21” natijalari bir jumlada ko‘rinishi sababli muhim. Foizlar arifmetik jihatdan to‘liq ajratib olingan 34 tadqiqotga asoslangan:

\[ \frac{27}{34}\times100 \approx 79.4\% \]

\[ \frac{7}{34}\times100 \approx 20.6\% \]

Maqola ularni yaxlitlab %79 va %21 sifatida hisobot qiladi.

Tadqiqotlarning nashr turlari

Manbaning 3-rasmida ko‘rib chiqilgan adabiyotning %50 jurnal maqolasi, %43 konferensiya nashri va %7 veb-sayt manbasi sifatida ko‘rsatilgan. Nashrlar soni ayniqsa 2019–2020 davrida sezilarli oshgani; keyin biroz kamaygan bo‘lsa-da, dastlabki davrlardan yuqorida qolganini qayd etadi.

Ushbu taqsimot sohaning o‘sish tendensiyasini ko‘rsatadi, biroq nashrlar sonidagi o‘zgarish o‘rganish samaradorligi vaqt o‘tishi bilan oshganini anglatmaydi.

Baholash usullari qanchalik kuchli?

Sharhda tadqiqotlarning katta qismi eksperimental baholashdan foydalangani va miqdoriy hamda sifat usullarini birgalikda qo‘llaydigan aralash dizaynlar keng tarqalganini ko‘rish mumkin. Ishtirokchilar soni esa juda o‘zgaruvchan: ayrim tadqiqotlar faqat 6–16 kishilik kichik foydalanuvchi tadqiqotlariga tayanadi, boshqa bir chatbot tadqiqotida esa 14.000 foydalanuvchi o‘zaro ta’siri hisobot qilingan.

O‘lchanadigan natijalar ham standart emas. Tadqiqotlar foydalanish qulayligi, vazifa vaqti, o‘quvchi ishonchi, o‘rganish yutug‘i, muammo yechish xatti-harakati, ishtirok, foydalanuvchi qoniqishi, AI bilimi, dizayn sifati yoki model aniqligi kabi juda turli o‘lchovlardan foydalangan.

Bu geterogenlik sababli tizimli sharh barcha tadqiqotlarni bitta o‘rganish ta’sir kattaligiga birlashtirmagan. Mualliflar ta’kidlaganidek, mavjud dalil aniq miqdoriy samaradorlik foizlaridan ko‘ra umumiy dizayn va tadqiqot tendensiyalarini ko‘rsatadi.

Rasmiy risk-of-bias baholashi o‘tkazilganmi?

Yo‘q. Tadqiqot formal tadqiqot darajasidagi risk-of-bias baholashini bajarmaganini ochiq aytadi. Tadqiqotchilar buning o‘rniga skrining va tanlash natijalarini boshqa mualliflar ko‘rib chiqishi hamda boshida birgina nashriyotga bog‘liq qidiruv qilish o‘rniga Google Scholar dan foydalanish kabi jarayon choralarini qo‘llagan.

Bu choralar tadqiqot jarayonini kuchaytirishi mumkin, ammo tadqiqot darajasidagi metodologik sifat baholashining o‘rnini bosa olmaydi. Shu sababli sharhdagi kichik namunali yoki cheklangan baholashli tadqiqotlar bilan kuchliroq dizaynlarning dalil og‘irligi miqdoriy tarzda ajratilmagan.

Skrining jarayonida kim qanday vazifa bajargan?

Usul bo‘limida skrining va tanlash jarayoni birinchi muallif tomonidan bajarilgani, to‘rtinchi muallif esa har bosqichda ko‘rib chiqib va tasdiqlagani aytiladi. Xatarni kamaytirish izohining boshqa qismida esa tadqiqot tanlovlari ikkinchi va to‘rtinchi mualliflar bilan ko‘rib chiqilib muhokama qilingani yoziladi. Bu bayonotlar albatta bir-birini inkor qilmasa-da, bosqichlardagi mustaqil baholovchi roli batafsil inter-rater koeffitsienti yoki ikki tomonlama ko‘r skrining protokoli bilan hisobot qilinmaganini ko‘rsatadi.

Protokol qachon ro‘yxatdan o‘tkazilgan?

Sharh protokoli Open Science Framework da `8x4ed` ro‘yxat identifikatori bilan retrospektiv tarzda ro‘yxatdan o‘tkazilgani bildiriladi. Retrospektiv ro‘yxat sharh usuli uchun shaffoflik qaydini beradi; biroq tadqiqot boshlanishidan oldin bajarilgan prospektiv protokol ro‘yxati bilan bir xil metodologik himoyani bermaydi.

LLM davrining dalili nega cheklangan?

Tadqiqotning o‘z cheklovlar bo‘limida 38 tadqiqotning faqat to‘rttasida LLM yoki generativ AI ishlatilgani aniq aytiladi. Shu sababli yaratilgan ochiq/yashirin o‘rganish taksonomiyasi asosan LLM keng tarqalishidan oldingi AI ta’lim tizimlarini aks ettiradi.

Mualliflar kelajakda faqat LLM asosidagi ta’lim texnikalarini ko‘rib chiqadigan alohida tizimli sharh zamonaviy AI ta’lim assistentlaridagi o‘rganish mexanizmlarini yanada vakillik qiladigan tarzda tasniflashi mumkinligini taklif etadi.

Kelajak tadqiqotlari uchun to‘rtta asosiy bo‘shliq

1. Suhbatga asoslangan moslashuvchanlik: Yanada ochiq dialog, shaxsiylashtirilgan fikr-mulohaza va iterativ o‘zaro ta’sir ehtiyoji.
2. Bilimni ifodalash va arxitektura: Statik bilim bazalari chegarasidan chiqadigan, tekshiriladigan va yangilanadigan bilim arxitekturalari.
3. Geterogen AI yondashuvlarini integratsiyalash: Mashinaviy o‘rganish, tuzilmali bilim va LLM asosidagi suhbat qatlamlarini birga ishlata oladigan gibrid tizimlar.
4. Kuchliroq baholash: Bir seanslik foydalanish qulayligi testlari o‘rniga uzoq muddatli o‘rganish yutug‘i, noto‘g‘ri tushunish va ishonchlilik o‘lchovlari.

Bilim arxitekturasi nuqtai nazaridan tadqiqot retrieval-augmented generation (RAG) yondashuvini generativ chiqishlarni tasdiqlangan bilim manbalariga tayantirish uchun kelajakda baholanishi mumkin bo‘lgan usullardan biri sifatida ko‘rsatadi. Bu sharhda qiyosiy tarzda tasdiqlangan ustun usul emas, balki kelajakka qaratilgan arxitektura taklifidir.

Manba va Usul Izohi

Moliyalashtirish va qo‘llab-quvvatlash

Tadqiqot qisman EPSRC PETRAS dasturi tomonidan `EP/S035362/1` loyiha raqami bilan qo‘llab-quvvatlangan. Minnatdorchilik bo‘limida, shuningdek, Najran University tomonidan taqdim etilgan stipendiya va qo‘llab-quvvatlash qayd etilgan.

Ma’lumotlarning mavjudligi

Tadqiqotda yaratilgan ma’lumotlar kiritilgan tadqiqotlardan ajratib olingan va kodlangan ma’lumotlardir. Kiritilgan tadqiqotlar ro‘yxati hamda o‘rganish turi, qo‘llash yondashuvi va baholash xususiyatlari kabi ajratib olingan o‘zgaruvchilar Supplementary Materials ichida berilgani bildiriladi.

Etika va manfaatlar to‘qnashuvi

Institutional Review Board va xabardor rozilik maydonlari manbada “qo‘llanilmaydi” deb ko‘rsatilgan. Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Mualliflar hissalari

Konseptuallashtirish: Fatmah Alqarni va Charith Perera. Metodologiya: Fatmah Alqarni, Charith Perera va Nada Alhirabi. Formal tahlil: Fatmah Alqarni. Ma’lumotlarni tartibga solish: Fatmah Alqarni. Dastlabki qoralama: Fatmah Alqarni. Ko‘rib chiqish va tahrirlash: Fatmah Alqarni, Charith Perera va Nada Alhirabi. Review: Omer Rana. Nazorat: Charith Perera va Omer Rana. Moliyalashtirishni olish: Charith Perera.

Manba ichidagi va metodologik e’tibor nuqtalari

• 38 tadqiqot yakuniy sharhga kiritilgan bo‘lsa-da, faqat 34 tadqiqot to‘liq ma’lumot ajratib olishga kiritilgan.
• %79 ochiq / %21 yashirin o‘rganish taqsimotining haqiqiy maxraji 34; bu nisbatlar ta’lim samaradorligi emas.
• Rasmiy tadqiqot darajasidagi risk-of-bias baholashi o‘tkazilmagan.
• Sharh protokoli prospektiv emas, retrospektiv tarzda ro‘yxatdan o‘tkazilgan.
• Faqat ingliz tilidagi tadqiqotlar kiritilgani sababli til tarafkashligi ehtimoli mavjud.
• Ochiq/yashirin o‘rganish tasnifi nazariy ta’riflarga tayansa-da, mualliflar tasnifda subyektiv unsur borligini tan oladi.
• Bitta tadqiqot faqat bitta ustun o‘rganish turiga biriktirilgan; biroq o‘zaro ta’sir xususiyatlari ochiq va yashirin toifalar o‘rtasida ustma-ust tushishi mumkin.
• O‘zaro ta’sir foizlari bir-birini istisno qiluvchi tadqiqot foizlari emas; jami modallik holatlari bo‘yicha normallashtirilgan.
• 6-jadvaldagi “Number of Papers” ustunida son o‘rniga foizlarning ko‘rsatilishi manbada tahririy taqdimot noaniqligini keltirib chiqaradi.
• Tadqiqotlarning baholash dizaynlari, namuna hajmlari, muddatlari va o‘lchovlari juda geterogendir.
• Ko‘plab tadqiqotlar qisqa muddatli tajriba yoki bir seanslik workshop ishlatgan; uzoq muddatli o‘rganish ta’siri haqidagi dalil cheklangan.
• 38 tadqiqotning faqat to‘rttasida LLM yoki generativ sun’iy intellekt ishlatilgani sababli, natijalar zamonaviy LLM ta’lim assistentlarini to‘liq ifodalamaydi.
• Meta-analitik ta’sir kattaligi hisoblanmagani uchun turli AI ta’lim yondashuvlarining qiyosiy pedagogik ustunligi aniqlanmagan.

Tadqiqotning eng ishonchli xulosasi shuki, sun’iy intellekt ta’lim assistentlari yagona texnologik toifa emas va o‘rganish ko‘magini faqat ishlatiladigan AI algoritmiga qarab tushunib bo‘lmaydi. Foydalanuvchi AI bilan qanday o‘zaro ta’sir qilishi, yordam ongli o‘qitishmi yoki tajriba orqali bilvosita o‘rganishmi, bilim qanday ifodalanishi, tizim qanday yangilanishi va o‘rganish ta’siri qanday baholanishi birgalikda ko‘rib chiqilishi kerak.

Bunga qarshi ravishda, tadqiqot AI ta’lim assistentlari umuman an’anaviy o‘qitishdan ustun ekanini yoki LLMlar ta’limda muvaffaqiyatliroq ekanini isbotlamaydi. Manba mualliflarining o‘z bahosi ham mavjud adabiyotda uzoqroq muddatli, kattaroq va xilma-xil foydalanuvchi guruhlariga asoslangan, o‘rganish yutug‘ini bevosita o‘lchaydigan va LLM chiqishlarining to‘g‘riligini tekshiradigan kuchliroq baholash ramkalariga ehtiyoj borligi tomonida.