Maxfiylikka eʼtiborli erta ogohlantirish tizimi — talabaning demografik xususiyatlari yoki oldingi akademik tarixi kabi sezgirroq maʼlumotlardan foydalanmasdan, taʼlimni boshqarish tizimidagi xulq-atvor naqshlaridan akademik xavf signalini hosil qilishga urinadigan prognozlash yondashuvidir. Hon-Sun Chiu, Adam Wong va Tung-Lok Wong tadqiqoti Hong Kong Polytechnic University tarkibidagi 236 bakalavriat fanidan olingan 1,7 milliondan ortiq Blackboard o‘zaro taʼsir yozuvlaridan foydalanib, talabalarning semestr oxiridagi natija toifalarini dastlabki haftalarda prognozlashni o‘rganadi.

Tadqiqotning o‘ziga xos jihatlaridan biri talabalar LMSdan foydalanishining xom qiymatlarini fanlar bo‘yicha bevosita taqqoslash o‘rniga rank-based engagement features, yaʼni fan ichidagi nisbiy ishtirok o‘rinlaridan foydalanishidir. Masalan, talaba Blackboardga necha kun kirgani, necha sessiya bajargani yoki necha marta bosgani alohida ishlatilmaydi; buning o‘rniga uning shu fandagi boshqa talabalar orasidagi o‘rni hisoblanadi.

Bu yondashuvning sababi aniq: Blackboarddan 10 soat foydalanish to‘liq auditoriyada o‘tiladigan fan uchun juda yuqori, intensiv onlayn faoliyat talab qiladigan boshqa fan uchun esa past bo‘lishi mumkin. Shuning uchun xom bosish yoki vaqt qiymatlari turli fanlarda bir xil maʼnoni anglatmasligi mumkin. Nisbiy o‘rinlash talabaning o‘z fani kontekstidagi xulqini ifodalab, turli fanlarni yanada mazmunli taqqoslashni ko‘zlaydi.

Random Forest tasniflagichi bilan bajarilgan tahlilda umumiy modelning aniqlik va F1 ko‘rsatkichlari uchinchi o‘quv haftasidan boshlab %90 dan oshgan. Bu semestr yakuniy imtihonlari yoki baholar hali shakllanmasdan turib akademik xavf nuqtai nazaridan foydalanish mumkin bo‘lgan erta signalni hosil qilish mumkin bo‘lishi ehtimolini ko‘rsatadi.

Biroq modelning yuqori aniqligi qo‘llab-quvvatlash aralashuvi talabalar muvaffaqiyatini oshirganini ko‘rsatmaydi. Tadqiqotchilar hech qanday erta maslahat, shaxsiylashtirilgan fikr-mulohaza yoki boshqa qo‘llab-quvvatlash aralashuvining taʼsirini sinamagan. Tadqiqot ko‘rsatgan narsa erta prognoz qilish mumkinligidir; shu prognoz asosida amalga oshiriladigan aralashuvlar haqiqatan samarali bo‘ladimi-yo‘qmi, kelajakda alohida o‘rganilishi kerak.

Universitetlar nega talabani uchinchi haftada aniqlashni xohlaydi?

Anʼanaviy akademik xavfni aniqlash ko‘pincha talaba past imtihon bahosi olganidan, topshiriqlarni topshirishni o‘tkazib yuborganidan yoki dars qoldirishi yaqqol ko‘ringanidan keyin ishga tushadi. Bunday vaziyatda yordam uchun foydalanish mumkin bo‘lgan vaqtning muhim qismi yo‘qotilgan bo‘lishi mumkin.

Taʼlimni boshqarish tizimlari esa talabaning fan bilan aloqasiga doir ancha erta xulq-atvor izlarini hosil qiladi. Talabaning Blackboardga qaysi kunlari kirgani, nechta sessiya bajargani, nechta kontentga bosgani va tizimda qancha vaqt qolgani kabi maʼlumotlar birinchi imtihon o‘tkazilishidan oldin paydo bo‘ladi.

Ushbu tadqiqotning asosiy savoli quyidagicha:

Talabaning shaxsiy demografik tarixi yoki eski baholaridan foydalanmasdan, faqat LMSdagi dastlabki davr xulq-atvoriga qarab semestr oxirida xavf ostida bo‘lish-bo‘lmasligini prognozlash mumkinmi?

Maʼlumot qayerdan keladi?

Tadqiqot The Hong Kong Polytechnic University tarkibidagi School of Professional Education and Executive Development muhitida o‘tkazilgan.

Maʼlumotlar to‘plami to‘rtta akademik bo‘limdagi fanlarni qamrab oladi:

• Business and Hospitality Management,
• Languages and Communication,
• Science, Engineering and Health Studies,
• Social Sciences, Humanities and Design.

2023–2024 o‘quv yilining ikkinchi semestridagi 236 bakalavriat fani tadqiqotga kiritilgan. Fanlar auditoriya, onlayn va gibrid taʼlim shakllarini, shuningdek imtihonli va imtihonsiz turli baholash tuzilmalarini o‘z ichiga oladi.

Blackboard talaba faoliyati jurnallaridan 1,7 milliondan ortiq yozuv ajratib olingan.

Talabaning Ko‘p Bosishi Uning Muvaffaqiyatli Bo‘lishini Anglatadimi?

Yo‘q. Maqolaning muhim natijalaridan biri ham shu.

Turli fanlarda LMSdan foydalanish usullari keskin farqlangani sababli xom faoliyat qiymatlari bilan fan baholari o‘rtasidagi korrelyatsiyalar umuman past. Masalan, ayrim fanlarda talabalar materialning muhim qismini auditoriyada o‘zlashtirishi mumkin; boshqa bir fanda esa deyarli barcha faoliyat Blackboard orqali bajarilishi mumkin.

Shu sababli “ko‘proq bosish = yuqoriroq muvaffaqiyat” kabi universal qoida tuzish to‘g‘ri emas.

Maqolaning 14. sahifasidagi taqqoslashlar to‘rtta akademik bo‘limning barchasida xom LMS xususiyatlari bilan baholar o‘rtasidagi korrelyatsiyalar pastligini ko‘rsatadi. Masalan, platformaga kirilgan kunlar soni bilan fan bahosi o‘rtasidagi korrelyatsiya taxminan 0,142–0,203 oralig‘ida o‘zgaradi, ayrim bosish intensivligi o‘zgaruvchilarida esa hatto manfiy qiymatlar ham ko‘rinadi.

Bunga qarshi ravishda, o‘sha sahifadagi talaba faoliyatini baho toifalari bo‘yicha ko‘rsatuvchi grafik yuqoriroq baho olgan talabalar odatda tizimga tez-tez kirish, ko‘proq sessiya bajarish va ko‘proq o‘zaro taʼsir qilishga moyilligini ko‘rsatadi.

Bu ikki natija bir-biriga zid emas. Umumiy xulq-atvor naqshi mavjud; ammo xom sonlarning maʼnosi har bir fanning o‘z tuzilishiga bog‘liq.

Rank-Based Engagement Xususiyatlari Nima?

Tadqiqotchilar taklif qilgan yechim talabaning mutlaq LMS faolligini emas, shu fandagi boshqa talabalarga nisbatan nisbiy o‘rnini hisoblashdir.

Shunday qilib, talabaning “20 marta kirdi” degan maʼlumotidan ko‘ra, o‘z fanidagi talabalarning muhim qismidan ko‘proq yoki kamroq o‘zaro taʼsir qilgani haqidagi maʼlumot ishlatiladi.

Bu o‘zgartirish fanlar o‘rtasidagi LMSdan foydalanish intensivligidagi farqlarni qisman standartlashtirishni maqsad qiladi.

Nega vaqtning o‘zi ishonchli emas?

Tadqiqotchilar ayniqsa LMSdagi umumiy vaqt muammoli bo‘lishi mumkinligini taʼkidlaydi.

Talaba Blackboardda faylni ochib, kompyuterini yoqilgan holda qoldirishi mumkin. Tizim uzoq kirish vaqtini qayd etsa-da, talaba material bilan amalda o‘zaro taʼsir qilmayotgan bo‘lishi mumkin.

Shu sababli tadqiqotchilar faqat vaqtga tayanmagan va Index o‘zgaruvchisida kirish kuni, sessiyalar soni va umumiy bosishlar sonini birlashtirgan.

Tizimga umuman kirmagan talabalar bilan nima bo‘ladi?

Rank asosidagi yondashuvning yana bir afzalligi — dastlabki haftalarda Blackboardga umuman kirmagan talabalar maʼlumotlar to‘plamidan yo‘qolib ketmaydi.

Xom xususiyatlar yondashuvida faoliyat yozuvi bo‘lmagan talaba ayrim tahlillarda yetishmayotgan qiymat sabab chiqarib tashlanishi mumkin. Ushbu tadqiqotda bunday talabalar o‘z fanidagi eng past rank qiymatiga joylashtirilib, maʼlumotlar to‘plamida saqlanadi.

Erta ogohlantirish tizimlari nuqtai nazaridan bu ayniqsa muhim; chunki LMSda hech qanday faoliyat ko‘rsatmaslikning o‘zi potensial ishtirokdan chekinish signali bo‘lishi mumkin.

“Maxfiylikka Eʼtiborli” Iborasi Aslida Nimani Anglatadi?

Tadqiqot talabalarning:

• jinsini,
• yoshini,
• ijtimoiy-iqtisodiy holatini,
• oldingi akademik tarixini,
• eski GPA yoki baho yozuvlarini

prognoz modelining kirishi sifatida ishlatmaydi.

Asosiy maʼlumot manbai talabaning LMS ichidagi xulq-atvoridir.

Shu sababli yondashuv ko‘plab taʼlimiy prognozlash tizimlariga qaraganda kamroq shaxsiy maʼlumotdan foydalanadi va maʼlumotlarni minimallashtirish tamoyiliga yaqinroqdir.

Biroq bu yerda muhim terminologik chegara mavjud. Maqolaning o‘zi ham LMS xulq-atvor maʼlumotlari potensial ravishda shaxsni aniqlashi mumkinligini tan oladi.

Shuning uchun bu yerda ishlatilgan “privacy-conscious” iborasi:

“Talaba maxfiyligini matematik tarzda kafolatlaydigan tizim” degani emas.

Tadqiqotda differential privacy yoki federated learning kabi formal privacy-preserving mexanizmlar qo‘llanmagan. Mualliflar o‘z yondashuvini ularga nisbatan soddaroq va muassasa miqyosida amalda joriy etish mumkin bo‘lgan maʼlumotlarni minimallashtirish muqobili sifatida joylashtiradi.

Xavf Ostidagi Talaba Qanday Taʼriflandi?

Talabalar semestr oxiridagi fan baholariga ko‘ra uch sinfga ajratilgan:

Xavf ostidagi talabalar jami maʼlumotlar to‘plamining taxminan %5 ini tashkil qiladi.

Bu nisbat mashinaviy o‘rganishda muhim muammo tug‘diradi: model faqat ko‘pchilik guruhni prognozlab ham yuqoridek ko‘rinadigan aniqlik hosil qilishi mumkin.

SMOTE Nega Ishlatildi?

Maʼlumotlar to‘plamida ham xavf ostidagi, ham juda yuqori natijali talabalar ko‘pchilikka nisbatan kam. Bu holat sinflar nomutanosibligi deb ataladi.

Tadqiqotchilar bu muammoni kamaytirish uchun Synthetic Minority Over-sampling Technique, yaʼni SMOTE dan foydalangan.

SMOTE kam sonli sinfning mavjud namunalarini shunchaki nusxalash o‘rniga, shu namunalarning xususiyatlaridan yangi sintetik o‘quv namunalarini hosil qiladi.

Metodologik jihatdan muhim nuqta shuki: tadqiqotchilar avval o‘quv va test maʼlumotlarini ajratgan, SMOTE ni faqat o‘quv to‘plamiga qo‘llagan.

Shu tariqa sintetik yaratilgan namunalarning test to‘plamiga sizib kirib, model natijasini sunʼiy ravishda oshirib yuborishining oldini olishga harakat qilingan.

Tadqiqot Usuli va Natijalari

Ishlatilgan modellar

Tadqiqotda uchta asosiy model ishlatilgan:

• Random Forest Regressor,
• Multiple Linear Regression,
• Random Forest Classifier.

Regressiya modellari talabaning natijasini uzluksiz qiymat sifatida prognozlash uchun taqqoslangan. Random Forest Regressor chiziqli regressiyaga qaraganda yuqoriroq R² va pastroq o‘rtacha kvadrat xatoni ko‘rsatgan.

Biroq tadqiqotning asosiy diqqat markazi regressiya emas, balki talabalarni uchta natija toifasiga ajratadigan Random Forest tasnifidir.

Xususiyatlar qanday tanlandi?

Modelda ishlatilishi mumkin bo‘lgan o‘zgaruvchilar SelectKBest usuli bilan baholangan.

Maqolaning 17. sahifasidagi namuna SelectKBest chiqishi va keyingi taqqoslash rank asosidagi xususiyatlar xom LMS xususiyatlariga qaraganda odatda yuqoriroq tanlov ballarini olganini ko‘rsatadi.

Maqolaning 18. sahifasidagi grafikda ham o‘quv haftalari o‘tishi bilan rank asosidagi xususiyatlarning tanlanish ulushi xom xususiyatlarga nisbatan sezilarli darajada yuqori bo‘lib qolganini ko‘rish mumkin.

Shu sababli keyingi asosiy prognoz modellarida rank asosidagi xususiyatlar afzal ko‘rilgan.

Birinchi sinov: katta fanlar

Birinchi natija baholashi imtihon mavjud va sinf hajmi 80 dan katta bo‘lgan 16 yirik fanda o‘tkazilgan.

Bu quyi namuna 2341 talabani qamrab oladi.

Maʼlumotlar talaba darajasida tabaqalangan holda %70 o‘quv va %30 test to‘plamiga ajratilgan; bir talabaning maʼlumotlari ikki tomonga ham tarqalib ketmasligiga eʼtibor berilgan. O‘quv qismi ichida besh karrali kross-validatsiya ishlatilgan va SMOTE faqat o‘quv maʼlumotlariga qo‘llangan.

Ushbu birinchi tasnifda rank asosidagi xususiyatlardan foydalanilganda Random Forest Classifier ning ham aniqligi, ham F1 ko‘rsatkichi %80 dan oshgan.

Model barcha 236 fanga qanday kengaytirildi?

Turli fanlarda nafaqat talaba xulqi, balki o‘qitish va baholash tuzilmalari ham farq qiladi. Tadqiqotchilar shu sababli beshta rank asosidagi o‘zgaruvchiga uchta fan konteksti o‘zgaruvchisini qo‘shgan:

• EXAM: fanda imtihon bor-yo‘qligi,
• MODE: auditoriya, onlayn yoki gibrid taʼlim,
• DIVISION: fan tegishli bo‘lgan akademik bo‘lim.

Shunday qilib, asosiy modelda jami sakkizta kirish ishlatilgan.

Uchinchi Haftada %90 dan Yuqori Prognoz Haqiqatan Olinganmi?

Ha; ushbu tadqiqotning o‘z test tuzilmasi doirasida barcha 236 fanni qamrab olgan Random Forest tasnifining aniqlik va F1 ko‘rsatkichlari uchinchi o‘quv haftasidan boshlab %90 dan oshgan.

Manbadagi Jadval 6 tadqiqotning umumiy natija oralig‘ini taxminan %87–93 aniqlik deb umumlashtiradi.

Maqolaning 22. sahifasidagi barcha 236 fanni qamrab olgan grafik ham birinchi haftadan uchinchi haftagacha tez natija o‘sishini va undan keyin %90 dan yuqorida qoladigan egri chiziqni ko‘rsatadi.

Bu natija erta akademik xavfni aniqlash yakuniy baholar yoki semestr oxiridagi imtihonlar shakllanmasidan oldin amalga oshirilishi mumkinligini ko‘rsatadi.

Nega dastlabki ikki hafta yomonroq?

Muassasaning akademik taqvimida dastlabki ikki hafta fan qo‘shish va tashlash davridir.

Talabalar fanni o‘zgartirishi yoki ro‘yxatdan o‘tishi hali yakunlanmagan bo‘lishi mumkinligi sababli:

• LMS o‘zaro taʼsir yozuvlari kamroq,
• sinf ro‘yxatlari hanuz o‘zgarib turadi,
• talabaning xulq-atvor naqshi yetarli darajada shakllanmagan.

Uchinchi hafta esa rasmiy ro‘yxatga olish sanog‘i nuqtasidir. Tadqiqotchilar dastlabki ikki haftadagi pastroq natija shu kontekst bilan bog‘liq bo‘lishi mumkinligini taʼkidlaydi.

Katta sinflarda model nega biroz kuchliroq?

Natijalar katta fanlarda prognozlash ko‘rsatkichi o‘rta va kichik fanlarga qaraganda umuman yuqoriroq ekanini ko‘rsatadi.

Tadqiqotchilar buning mumkin bo‘lgan sabablaridan biri katta sinflardagi baho taqsimotlari tartibliroq va normal taqsimotga yaqinroq bo‘lishi ekanini ilgari suradi.

Kichik sinflarda hatto bir necha talabaning boshqacha xulqi ham taqsimot tuzilishini ko‘proq o‘zgartirishi va rank asosidagi xususiyatlar bilan yakuniy baholar o‘rtasidagi munosabatni murakkabroq ko‘rsatishi mumkin.

Bu izoh tadqiqotning talqinidir; sinf hajmi natijadagi farqqa bevosita sabab bo‘lishi eksperimental tarzda sinovdan o‘tkazilmagan.

At-risk talabalar ko‘pchilik bo‘lmasa ham model ularni aniqlay oladimi?

Maqolaning 23. va 24. sahifalaridagi sinf bo‘yicha precision, recall va F1 grafiklarida xavf ostidagi va yuqori natijali ozchilik sinflarining natijalari ko‘p haftalarda ko‘pchilikni tashkil etuvchi “normal” sinfdan past emas; hatto precision va F1 bo‘yicha yuqoriroq ko‘rinadi.

Mualliflar buni SMOTE qo‘llanilgandan so‘ng model ozchilik sinflari uchun qaror chegaralarini yaxshiroq o‘rganishi bilan izohlaydi.

Bu natija ushbu maʼlumotlar to‘plamida sinflar nomutanosibligi muammosi katta darajada nazorat qilinganini ko‘rsatsa-da, boshqa universitetlarda ayni naqsh albatta takrorlanadi degani emas.

Model Talabaning Muvaffaqiyatsiz Bo‘lishining Oldini Oladimi?

Yo‘q; bu tadqiqot buni sinamagan.

Model talabani erta bosqichda xavf toifasiga ajratishi mumkin. Biroq prognozdan keyin:

• talabaga maslahat berish,
• shaxsiylashtirilgan fikr-mulohaza yuborish,
• o‘quv qo‘llab-quvvatlash xizmatiga yo‘naltirish,
• moslashuvchan material taqdim etish

kabi aralashuvlar talaba muvaffaqiyatini haqiqatan oshiradimi-yo‘qmi, ushbu tadqiqotning eksperimental doirasiga kirmaydi.

Shu sababli mualliflar tizimni yakuniy yechim sifatida emas, balki proaktiv talaba qo‘llab-quvvatlashini boshlashi mumkin bo‘lgan erta ogohlantirish infratuzilmasi sifatida joylashtiradi.

Fanlararo Umumlashtirish Darajasi Qanchalik Isbotlandi?

Tadqiqot bitta fan o‘rniga 236 xil fan, to‘rtta akademik bo‘lim, turli sinf hajmlari, turli baholash usullari va auditoriya/onlayn/gibrid taʼlim muhitlarini o‘z ichiga olgani sababli ko‘plab o‘rganish analitikasi tadqiqotlariga qaraganda ancha keng ichki xilma-xillikka ega.

Rank asosidagi xususiyatlarning eng muhim maqsadi ham shu geterogenlikka chidamli bo‘lishdir.

Biroq barcha maʼlumotlar bitta universitet tizimi ichidan olingan.

Shu sababli bu yerda ko‘rsatilgan narsa:

Bir muassasa ichidagi juda turli fan va kurs tuzilmalari bo‘yicha ishlaydigan modeldir.

Boshqa mamlakatlarda, boshqa LMS tizimlarida yoki boshqa talaba populyatsiyalarida ayni aniqlik darajasi saqlanishi ushbu maqola bilan hali tasdiqlanmagan.

Shuning uchun “cross-disciplinary generalizability” kuchli tadqiqot ichidagi natijadir; “cross-institutional generalizability” esa kelajakda alohida tasdiqlanishi kerak bo‘lgan masaladir.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Xom LMS faoliyat qiymatlari juda turli fanlar o‘rtasida bevosita taqqoslanganda prognozlash kuchi pasayishi mumkin.
• Fan ichidagi nisbiy o‘ringa asoslangan xususiyatlar geterogen fanlar bo‘ylab izchilroq xulq-atvor ko‘rsatkichlarini yaratishi mumkin.
• Random Forest tasnifi ushbu maʼlumotlar to‘plamida kuchli natija ko‘rsatgan.
• Barcha 236 fanda ishlatilgan model uchinchi haftadan boshlab %90 dan yuqori aniqlik va F1 ko‘rsatkichini hosil qilgan.
• Demografik va oldingi akademik maʼlumotlardan foydalanmasdan kuchli erta prognoz mumkin.
• Fan rejimi, imtihon holati va akademik bo‘lim kabi kontekst o‘zgaruvchilarini qo‘shish prognoz natijasini oshirgan.
• SMOTE dan keyin ozchilik natija sinflari model tomonidan kuchli ajratilgan.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• Model talabalarning muvaffaqiyatsiz bo‘lishini kamaytirishi isbotlanmagan.
• Erta ogohlantirish talabalarning davomiyligini yoki bitiruv ko‘rsatkichini oshirishi eksperimental tarzda ko‘rsatilmagan.
• Model boshqa universitetlarda ham ayni %90+ natijani ko‘rsatishi tasdiqlanmagan.
• LMS faoliyati talabaning haqiqiy o‘rganishini to‘liq o‘lchaydi, deb bo‘lmaydi.
• Blackboarddan ko‘proq foydalanishning o‘zi yuqoriroq muvaffaqiyatga sabab bo‘ladi, degan xulosa chiqarib bo‘lmaydi.
• Tizim formal differensial maxfiylik yoki federated learning kafolatini bermaydi.

Eng muhim cheklovlar

Birinchi cheklov: LMS yozuvlarining tafsilot darajasi. Blackboard talaba faylni ochganini ko‘rsatishi mumkin; biroq talaba haqiqatan o‘qigan-o‘qimaganini yoki faylni ochiq qoldirib boshqa ish qilgan-qilmaganini aniq ko‘rsatmaydi.

Ikkinchi cheklov: baholash maʼlumotining tafsilot darajasi. Institutsional baho jadvallari “test”, “topshiriq” yoki “guruh loyihasi” kabi yuqori darajadagi toifalarni beradi. Test nechta qismdan iboratligi yoki topshiriq onlayn, vaqt cheklangan yoxud uyda bajariladigan ish ekani kabi tafsilotlar modelda yo‘q.

Uchinchi cheklov: muassasalararo tashqi validatsiya yo‘q. Maʼlumotlar ko‘p fanli bo‘lsa-da, bitta universitet tuzilmasidan olingan.

To‘rtinchi cheklov: xulq-atvor izi o‘rganishning o‘zi emas. Bosishlar, sessiyalar va platformadagi vaqt o‘rganishning faqat raqamli izlarini ko‘rsatadi; talabaning tushunishi, motivatsiyasi yoki oflayn o‘qish vaqti bevosita o‘lchanmaydi.

Beshinchi cheklov: maxfiylik kafolati cheklangan. Demografik maʼlumotlardan foydalanmaslik maxfiylik nuqtai nazaridan afzallik beradi; ammo LMS yozuvlarining o‘zi ham individual xulq-atvor maʼlumotidir.

Kelajakdagi tadqiqotlar nimani sinashi kerak?

Mualliflar kelajakda yanada batafsil LMS hodisa yozuvlaridan foydalanishni tavsiya qiladi. Talabaning qaysi kontentni faqat ochgani, qaysi biri bilan faol ishlagani va sessiya ichidagi xulq-atvor qanday rivojlangani batafsilroq o‘lchansa, prognozlarning pedagogik maʼnosi kuchayishi mumkin.

Xuddi shuningdek, topshiriq va imtihon tuzilmalarini batafsilroq qayd etish turli baholash dizaynlari bilan LMS xulqi o‘rtasidagi munosabatni o‘rganishga imkon beradi.

Eng muhim keyingi qadam esa prognozdan keyin haqiqiy aralashuvni sinashdir. Masalan:

• erta maslahat,
• shaxsiylashtirilgan fikr-mulohaza,
• o‘quv qo‘llab-quvvatlash xizmatiga yo‘naltirish,
• moslashuvchan o‘quv materiali

qo‘llanganda xavf guruhidagi talabalarning haqiqiy akademik natijalari o‘zgaradimi-yo‘qmi, nazoratli tadqiqotlar bilan baholanishi kerak.

Manba va Usul Haqida Izoh

Asl tadqiqot: A Privacy-Conscious AI Framework for Early Identification of At-Risk Students Across Disciplines Using LMS Engagement Data

Mualliflar: Hon-Sun Chiu, Adam Wong va Tung-Lok Wong

Muassasa: Division of Science, Engineering, and Health Studies, School of Professional Education and Executive Development, The Hong Kong Polytechnic University, Hong Kong, China.

Jurnal: Education Sciences

Yil / Jild / Maqola: 2026; 16; 1046.

Nashr sanasi: 1 iyul 2026.

DOI: 10.3390/educsci16071046

Rasmiy manba:https://doi.org/10.3390/educsci16071046

Litsenziya: Creative Commons Attribution (CC BY).

Tadqiqot turi: Oliy taʼlim o‘rganish analitikasi va mashinaviy o‘rganishga asoslangan erta xavfni prognozlash tadqiqoti.

Maʼlumot davri: 2023–2024 o‘quv yilining ikkinchi semestri.

Fanlar soni: 236.

Akademik bo‘lim: To‘rtta.

LMS: Blackboard.

LMS yozuvlari ko‘lami: 1,7 milliondan ortiq talaba o‘zaro taʼsir yozuvi.

Xavf taʼrifi: Semestr oxiridagi fan bahosi C− yoki undan past bo‘lishi; maʼlumotlar to‘plamining taxminan %5 i.

Asosiy model: Random Forest Classifier.

Yordamchi modellar: Random Forest Regressor va Multiple Linear Regression.

Asosiy xususiyat muhandisligi: Talabalarning o‘z fanlaridagi LMSdan foydalanishiga ko‘ra rank asosidagi Days, Sessions, Total Time va Total Clicks o‘zgaruvchilari hamda qo‘shma Index.

Fan konteksti o‘zgaruvchilari: EXAM, MODE va DIVISION.

Sinflar nomutanosibligi usuli: SMOTE; train-test ajratishidan keyin faqat o‘quv maʼlumotlariga qo‘llangan.

Asosiy natija: Barcha 236 fandagi tasnifda aniqlik va F1 ko‘rsatkichi uchinchi o‘quv haftasidan boshlab %90 dan yuqori ekani xabar qilingan.

Moliyalashtirish: Research Grants Council of the Hong Kong Special Administrative Region, China; Project No. UGC/FDS24/H06/23.

Etika kengashi: Maqolada Institutional Review Board Statement “Not applicable” deb ko‘rsatilgan.

Xabardor rozilik: “Not applicable” deb ko‘rsatilgan.

Maʼlumotlarga kirish: Maʼlumotlar to‘plami maxfiylik va etika cheklovlari sababli ochiq ulashilmaydi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvini bildirmagan. Moliyalashtiruvchining tadqiqot dizayni, maʼlumot yig‘ish, tahlil, talqin, maqola yozish yoki nashr qarorida roli bo‘lmagani qayd etilgan.

Sunʼiy intellektdan foydalanish bayonoti: Mualliflar maqolani tayyorlash jarayonida Microsoft Copilot versiya 1.25054.80.0 dan faqat proofreading maqsadida foydalanganini, chiqishlarni ko‘rib chiqib tahrir qilganini va nashr mazmuni uchun javobgarlikni o‘z zimmasiga olganini bildirgan.

Asosiy maxfiylik izohi: Tadqiqot demografik va oldingi akademik maʼlumotlarni model kirishi sifatida ishlatmaydi. Shunga qaramay, LMS xulq-atvor yozuvlari potensial ravishda shaxsni aniqlashi mumkinligi sababli yondashuv “privacy-conscious” deb baholanishi kerak; uni formal privacy-preserving texnologiyani o‘z ichiga oladi, deb talqin qilmaslik kerak.

Asosiy umumlashtirish izohi: Model ayni muassasa ichidagi 236 geterogen fan va to‘rtta akademik bo‘limda sinovdan o‘tkazilgan. Boshqa universitetlar va LMS muhitlarida mustaqil tashqi validatsiya ushbu tadqiqot doirasida amalga oshirilmagan.

Verianla qayta tuzish izohi: Ushbu mazmun manba maqolaning o‘zbek tilidagi to‘liq tarjimasi emas. Maqolaning maʼlumotlar tuzilishi, model arxitekturasi, tekshiriladigan natijalari, etik yondashuvi va cheklovlari ilmiy axborot darajasida ajratilib, Verianla uchun mustaqil va tushuntiruvchi o‘zbekcha bayon doirasida qayta tuzilgan. Manba grafiklari va ekran tasvirlari vizual tarzda ko‘chirilmagan, zarur ilmiy munosabatlar yangi izohlar va HTML jadvallari bilan taqdim etilgan.