Ushbu tadqiqot raqamli taʼlim oʻyinlari qaysi kognitiv koʻnikmalarni oʻlchashini belgilash uchun ishlatiladigan Q-matritsani faqat ekspert fikriga qoldirish oʻrniga, uni oʻquvchilar natijalari maʼlumotlari bilan sinash mumkinligini oʻrgandi. Vengriyadagi Okosdoboz nomli oʻyinlashtirilgan taʼlim platformasidan olingan maʼlumotlar 261 nafar oʻquvchi, 38 ta oʻyin vazifasi hamda muammo yechish, xotira, diqqat, rejalashtirish, sonli fikrlash, javob vaqti va hissiyotlarni tanish kabi 18 ta kognitiv koʻnikmani qamrab oladi.

Tadqiqotchilar vazifalar va koʻnikmalar oʻrtasidagi munosabatlarni koʻrsatuvchi Q-matritsadan sobit kirish sifatida foydalanmadi; uni ekspert yorliqlari bilan boshlanadigan, biroq oʻqitish davomida teskari tarqalish orqali oʻzgarishi mumkin boʻlgan oʻrganiladigan model komponentiga aylantirdi. Neyron kognitiv tashxis modeli 20 ta alohida oʻqitish ishga tushirishidan olingan barqaror bashoratlardan foydalanilganda ekspertlar belgilagan vazifa-koʻnikma aloqalarining 87 foizini qayta aniqladi. Model, shuningdek, ayrim oʻyinlar bitta koʻnikma oʻrniga bir nechta kognitiv jarayonga bogʻliq boʻlishi mumkinligini koʻrsatuvchi ikkilamchi koʻnikma munosabatlarini taklif qildi.

NeuroCDM yondashuvining Q-matritsani qayta tiklash darajasi Nomanfiy matritsani faktorlash usulidagi 68 foizdan yuqori boʻldi. Oʻn sakkizta koʻnikma hisoblash maqsadida 12 ta birlashtirilgan xususiyatga qisqartirilgan alohida taqqoslashda NCDM 91,4 foiz, G-DINA usuli esa taxminan 40 foiz muvofiqlik koʻrsatdi. Biroq bashorat muvaffaqiyatidagi farq ancha kichik: ekspert Q-matritsasi bilan AUC 0,86858 boʻlgan boʻlsa, NCDM kengaytirgan matritsa bilan 0,87338 gacha koʻtarildi. Taxminan 0,0048 AUC birlik bu oʻsish model koʻnikmalar tuzilishini batafsilroq tushuntirishi mumkinligini anglatsa-da, katta amaliy samaradorlik sakrashini anglatmaydi.

Tadqiqot oʻyin yozuvlaridan har bir oʻquvchiga xos kuchli va zaif koʻnikma profillarini yaratish mumkinligini ham koʻrsatadi. Biroq bu profillar klinik tashxis, maxsus oʻrganish qiyinchiligi tashxisi yoki aniq individual qobiliyat oʻlchovi emas. Tadqiqot taqrizdan oʻtmagan; namunasi kichik, maʼlumotlarni boʻlish usuli yetarlicha tushuntirilmagan va model ekspert matritsasidan boshlangani sababli ekspert yorliqlari bilan yuqori muvofiqlikni butunlay mustaqil tekshiruv deb talqin qilib boʻlmaydi.

Q-matritsa nima va nega muhim?

Kognitiv tashxis modellari faqat oʻquvchining umumiy ballini hisoblash oʻrniga uning qaysi quyi koʻnikmalarda kuchli yoki zaifligini bashorat qilishni maqsad qiladi. Buning uchun har bir vazifa qaysi kognitiv xususiyatlarni talab qilishini koʻrsatuvchi moslashtirish jadvali kerak. Bu jadval Q-matritsa deb ataladi.

Q-matritsaning qatorlari vazifalarni, ustunlari esa koʻnikmalarni ifodalaydi. Anʼanaviy ikkilik matritsada katakdagi 1 tegishli vazifa ushbu koʻnikmani talab qilishini, 0 esa talab qilmasligini anglatadi. Masalan, oʻyin vazifasi rejalashtirish, diqqat va vizual xotirani talab qilsa, ushbu uchta ustunda aloqa boʻlishi mumkin.

Bu tuzilma notoʻgʻri belgilansa, muammo faqat vazifani tasniflash bilan cheklanmaydi. Oʻquvchining koʻnikma profili, vazifa qiyinligi, muvaffaqiyat ehtimoli va shaxsiylashtirilgan kontent tavsiyalari ham notoʻgʻri hisoblanishi mumkin. Tadqiqotning boshlangʻich nuqtasi ayniqsa oʻyinlashtirilgan vazifalarda ekspertlarning bitta “asosiy koʻnikma”ni belgilashi haqiqiy kognitiv jarayonni oʻta soddalashtirishi mumkinligidir.

Tadqiqot qaysi savollarni sinadi?

Tadqiqot uchta asosiy gipoteza asosida olib borildi:

1. Tekshirish gipotezasi: Neyron model ekspertlar tuzgan vazifa-koʻnikma mosliklarining aksariyatini haqiqiy natijalar maʼlumotlari orqali qayta aniqlay olishi kerak.
2. Koʻp oʻlchamlilik gipotezasi: Bitta koʻnikmani oʻlchaydi deb hisoblangan ayrim vazifalarda ikkilamchi va yashirin koʻnikma talablari yuzaga chiqishi kerak.
3. Tuzatish gipotezasi: Model bilan ekspert fikri aniq farq qiladigan vazifalarda ekspert asosiy koʻnikma sifatida tanlagan xususiyatdan boshqa koʻnikma empirik jihatdan ustunroq koʻrinishi mumkin.

Tadqiqotchilar neyron yondashuvni NMF va G-DINA usullari bilan ham taqqosladi, turli muvaffaqiyat chegaralarida natijalar oʻzgarish-oʻzgarmasligini sinadi va modelning oʻquvchi darajasida koʻnikma profili yaratish qobiliyatini misollar bilan koʻrib chiqdi.

Maʼlumotlar qayerdan olindi?

Maʼlumotlar 2016-yildan beri faoliyat yuritayotgan Vengriyada joylashgan Okosdoboz taʼlim platformasida roʻyxatdan oʻtgan foydalanuvchilarning oʻyin oʻzaro taʼsirlaridan olindi. Platforma maktab oʻquv dasturiga bogʻliq mashqlar va kognitiv koʻnikmalarni rivojlantirishga qaratilgan oʻyinlarni taklif qiladi. Tadqiqotda ishlatilgan xom yozuvlar 2016–2025-yillarni qamrab oladi.

Tahlilga faqat kamida 30 ta turli oʻyin seansini yakunlagan foydalanuvchilar kiritildi. Oʻquvchi filtridan soʻng kamida 27 marta oʻynalgan vazifalar saqlandi. Eng koʻp oʻynalgan vazifa 3.597 seansga yetgan, har bir vazifa uchun oʻrtacha oʻynash soni esa 515,6. Taqsimotning birinchi kvartili 120,25, medianasi 194 va uchinchi kvartili 490,75 deb xabar qilingan. Tasodifiy bosish yoki vazifada yetarlicha ishtirok etmaslik ehtimolini kamaytirish uchun haqiqatga mos kelmaydigan yakunlash vaqtlarini oʻz ichiga olgan seanslar chiqarib tashlandi.

Foydalanuvchi maʼlumotlari tahlildan oldin taxallus identifikatorlari bilan qayta ishlandi. Matnga koʻra, platformaning foydalanish va maxfiylik shartlari anonimlashtirilgan oʻyin maʼlumotlaridan tadqiqot va ishlanmalarda foydalanishga ruxsat beradi, voyaga yetmagan foydalanuvchilarni roʻyxatdan oʻtkazish uchun ota-ona roziligi talab qilinadi. Biroq mustaqil etika qoʻmitasining nomi, tasdiq raqami yoki koʻrib chiqish sanasi xabar qilinmagan.

Turli oʻyinlardagi ballar qanday qilib umumiy oʻlchovga aylantirildi?

Oʻyinlarning baholash tizimlari turlicha boʻlgani sababli xom ballar bevosita taqqoslanmadi. Har bir oʻyin vazifasi oʻz ballar taqsimoti ichida standartlashtirildi. Oʻquvchi ining vazifa jdagi xom balli uchun ishlatilgan z-balli quyidagicha:

\[ z_{i,j} = \frac{x_{i,j}-\mu_j}{\sigma_j} \]

Bu yerda:

• x_i,j, oʻquvchining vazifada olgan xom ballidir.
• μ_j, tegishli vazifaning oʻrtacha ballidir.
• σ_j, tegishli vazifa ballarining standart ogʻishidir.
• z_i,j, oʻquvchining ayni vazifani oʻynagan boshqa foydalanuvchilarga nisbatan oʻrnidir.

Keyin uzluksiz ball ikkilik natijaga aylantirildi:

\[ y_{i,j} = \begin{cases} 1, & z_{i,j} \geq 0 \\ 0, & z_{i,j} < 0 \end{cases} \]

Shu sababli modeldagi 1 qiymati oʻyin obyektiv ravishda “toʻgʻri yechilgan” degani emas. Bu oʻquvchining ayni vazifada namuna oʻrtachasiga teng yoki undan yuqori natija koʻrsatganini anglatadi. Nol esa oʻrtachadan past boʻlishni bildiradi. Bu farq natijalarni talqin qilish uchun muhimdir.

Vazifa ichidagi standartlashtirish turli ball shkalalarini umumiylashtirdi; biroq ballarni ikkilikka aylantirish natijalar farqi kattaligini yoʻqotadi. Oʻrtachadan juda oz yuqori va ancha yuqori ikki natija ayni sinfga; oʻrtachadan juda oz past va juda past ikki natija ham boshqa sinfga kiradi.

Neyron model qanday ishladi?

Tadqiqotda ishlatilgan NeuroCDM arxitekturasi uchta asosiy komponentni birgalikda oʻrganadi:

• Oʻquvchilarning koʻnikma darajasini ifodalovchi yashirin qobiliyat vektorlari,
• Vazifalarning qiyinlik va xususiyat parametrlari,
• Har bir vazifaning har bir koʻnikmaga qay darajada bogʻliqligini ifodalovchi oʻrganiladigan Q-matritsa.

Boshlangʻich Q-matritsa pedagoglar va psixologlar tuzgan ekspert yorliqlaridan olindi. Biroq matritsa oʻqitish davomida sobit saqlanmadi; bashorat xatosi orqaga tarqalgan sari vazifa-koʻnikma vaznlari ham yangilandi. Shunday qilib model ekspert tuzilmasini butunlay rad etish oʻrniga uni maʼlumotlar bilan moslaydigan gibrid yondashuvdan foydalandi.

Xom koʻnikmaga bogʻliqlik parametrlari taxminan −4,45 dan 3,01 gacha oʻzgardi. Tadqiqotchilar ularni 0 bilan 1 oraligʻiga oʻtkazish uchun sigmoid oʻzgartirishidan foydalandi. Sigmoid oʻzgartirishini tushuntiruvchi standart matematik munosabat quyidagicha:

\[ \operatorname{sigmoid}(a)=\frac{1}{1+e^{-a}} \]

Bu formula tadqiqotga aniqlik kiritish uchun berilgan standart fon munosabatidir. Oʻzgartirilgan qiymatning ortishi vazifa tegishli koʻnikmaga kuchliroq bogʻliq deb talqin qilindi. Masalan, xom qiymat taxminan 0,8 boʻlsa, sigmoiddan soʻng 0,70 dan yuqori aloqa kuchiga mos keladi.

Model qaysi sozlamalar bilan oʻqitildi?

Vazifalarning oʻynalish chastotalari keskin farq qilgani sababli tez-tez oʻynalgan vazifalar oʻqitishda ustunlik qilmasligi uchun vazifa darajasida vaznlash qoʻllandi. Matnda bu usul “chastotaning teskari kvadrat ildizi” deb yozilgan boʻlsa-da, berilgan formula quyidagicha:

\[ w_i = \frac{1}{f_i} \]

Bu yerda f_i, vazifaning oʻqitish maʼlumotlarida uchrash chastotasi; w_i esa namunaning yoʻqotish funksiyasidagi vaznidir. Berilgan formula chastotaning bevosita teskarisidir; teskari kvadrat ildiz emas. Demak, usul tavsifi va matematik ifoda oʻrtasida hal qilinmagan hisobot nomuvofiqligi mavjud. Amalda qaysi ifoda kodlanganini nashr qilingan matndan aniq belgilab boʻlmaydi.

87 foiz muvofiqlik qanday hisoblandi?

Har bir vazifa uchun model eng muhim deb hisoblagan uchta koʻnikma olindi. Neyron tarmoqlarga tasodifiy boshlanish taʼsir qilishi mumkinligi sababli model 20 marta oʻqitildi. Agar koʻnikma ushbu ishga tushirishlarning kamida 30 foizida dastlabki uchta koʻnikma orasida koʻrinsa, barqaror aloqa deb qabul qilindi.

Bu mezonga koʻra model ekspertlar belgilagan vazifa-koʻnikma aloqalarining 87 foizini qayta aniqladi. Natija vazifalarning aksariyatida ekspert tasnifi bilan oʻquvchilar natijalaridan oʻrganilgan tuzilma oʻrtasida muvofiqlik borligini koʻrsatadi.

Biroq 87 foiz model hech qanday oldingi maʼlumotsiz ekspertlar erishgan natijaga mustaqil ravishda erishganini anglatmaydi. Modelning Q-matritsasi dastlab ekspert yorliqlari bilan qurilgan, keyin esa ayni ekspert matritsasi bilan qanchalik mos kelishi oʻlchangan. Bu yondashuv ekspert bilimini maʼlumotlar bilan moslash uchun qulay, biroq butunlay mustaqil “ekspert tekshiruvi” emas. Boshlangʻich shart modelga ekspert tuzilmasiga yaqin qolish uchun tayanch berishi mumkin.

Muvaffaqiyat chegarasi oʻzgarganda natijalar saqlandimi?

Tadqiqotchilar oʻrtacha natijani ajratadigan z = 0 chegarasi natijani belgilash-belgilamasligini koʻrish uchun z = 0,5 va z = −0,5 chegaralarini ham sinab koʻrdi.

Uchala sharoitda ham daraja taxminan 87–92 foiz oraligʻida qoldi. Bu natija ekspert aloqalari bilan muvofiqlik faqat bitta ikkilik tasniflash chegarasiga bogʻliq emasligini koʻrsatadi. Biroq eng yuqori muvofiqlik eng yumshoq chegarada olingani chegara tanlovi butunlay ahamiyatsiz emasligini ham bildiradi.

NMF taqqoslovi nimani koʻrsatdi?

Nomanfiy matritsani faktorlash oʻquvchi-vazifa matritsasidagi yashirin naqshlarni ekspert yorliqlarisiz aniqlaydigan chiziqli va nazoratsiz usuldir. NMFning yashirin komponentlari bevosita xotira, diqqat yoki rejalashtirish kabi nomlarga ega boʻlmagani uchun tadqiqotchilar har bir komponentni keyinchalik ekspert koʻnikmalari bilan moslashtirdi.

NeuroCDM taxminan 19 foizlik punktga yuqoriroq muvofiqlik berdi. Biroq ikki usul bir xil axborot darajasidan boshlamaydi. NMF nazoratsiz, NeuroCDM esa ekspert matritsasidan boshlangan. Shu sababli farq nafaqat neyron arxitekturaning ustunligini, balki ekspertning oldingi bilimini modelga kiritish afzalligini ham aks ettiradi.

G-DINA taqqoslovi qanday bajarildi?

G-DINA koʻnikmalarning asosiy va qoʻshma taʼsirlarini ifodalay oladigan moslashuvchan kognitiv tashxis modelidir. Oʻn sakkizta koʻnikma ishlatilganda ehtimoliy yashirin koʻnikma profillari soni:

\[ 2^{18}=262.144 \]

boʻladi. Tadqiqotchilar bu fazoni maʼlumotlar miqdoriga nisbatan juda katta deb topib, konseptual jihatdan oʻxshash ayrim koʻnikmalarni birlashtirish orqali 12 xususiyatli Q-matritsa tuzdilar. Bu holda profillar soni:

\[ 2^{12}=4.096 \]

darajasiga tushadi. G-DINA va NCDM ushbu qisqartirilgan 12 xususiyatli matritsada taqqoslandi.

Bu natija NCDM siyrak va shovqinli maʼlumotlar sharoitida barqarorroq boʻlishi mumkinligini anglatadi. Biroq koʻnikmalarni birlashtirish, mahalliy bogʻliqliklarning ortishi va G-DINAning ancha keng parametrlar fazosi taqqoslashga taʼsir qilishi mumkin. 91,4 foizlik daraja asl 18 koʻnikmali tahlildagi 87 foiz bilan ayni tajriba natijasi emas; u 12 ta birlashtirilgan xususiyatga asoslangan alohida baholashdir.

Q-matritsa oʻzgarganda bashorat muvaffaqiyati qancha oshdi?

Tadqiqotchilar toʻrtta turli Q-matritsa bilan oʻquvchi natijasini bashorat qiluvchi NCDM modellarini qurdilar. Baholash mezoni toʻgʻri va notoʻgʻri sinflarni ajratish qobiliyatini koʻrsatuvchi ROC egri chizigʻi ostidagi maydon, yaʼni AUCdir.

Toʻrtta tuzilmaning barchasi 0,86 dan yuqori AUC berdi. Eng yuqori natija NCDM kengaytirgan matritsada kuzatilgan boʻlsa-da, ekspert matritsasiga nisbatan farq 0,0048 AUC birligi, yaʼni taxminan 0,48 foizlik punktdir. Tadqiqotda bu farq uchun ishonch oraligʻi, kesishma tekshiruv taqsimoti yoki statistik ahamiyat testi berilmagan. Shu sababli model bashorat nuqtayi nazaridan “sezilarli” ustunlik emas, kichik yaxshilanish bergan deyish mumkin.

Model qaysi ikkilamchi koʻnikmalarni topdi?

13- va 14-sahifalardagi jadvallar 38 ta oʻyinning 14 tasini batafsil misol sifatida koʻrsatadi. Ekspertlarning asosiy va qoʻshimcha koʻnikma yorliqlari NCDMning dastlabki uchta koʻnikma tavsiyasi bilan yonma-yon berilgan.

• The Bell Player: Asosiy ekspert koʻnikmasi xotira boʻlgan vazifada model ham xotirani birinchi oʻringa qoʻydi.
• The Delivery Job: Jadvalda asosiy koʻnikma rejalashtirish, qoʻshimcha koʻnikmalar muammo yechish va fazoviy fikrlash deb koʻrsatilgan; model rejalashtirishni bashorat qildi.
• The Amnesiac Principal: Asosiy koʻnikma sonli fikrlash deb belgilangan; model sonli fikrlash bilan birga vizual xotira va xotirani ham taklif qildi.
• Wedding Photography: Ekspertning asosiy yorligʻi diqqat boʻlgan vazifada model diqqat va hissiyotlarni tanishni oldinga chiqardi.
• Balaton Obstacle Course: Javob vaqti, idrok va tezlik bilan bogʻliq vazifada model bu uchala xususiyatni birgalikda aniqladi.
• Paintball: Ekspert yorliqlarida tormozlanish va ijro funksiyasi boʻlgan vazifada model ham ushbu ikki sohani oldinga chiqardi.

Vazifa jadvallari ayrim oʻyinlarni chindan ham bitta koʻnikma bilan tushuntirib boʻlmasligini koʻrsatadi. Masalan, yetkazib berish yoʻnalishini tuzish faqat rejalashtirishni emas, masofani baholash, muammo yechish va fazoviy fikrlashni ham talab qilishi mumkin.

Biroq hisobotda mazmun nomuvofiqligi mavjud. “The Delivery Job” vazifasi jadvalning asosiy koʻnikma ustunida Planning deb koʻrsatilgan boʻlsa, undan oldingi izohda vazifa avvalo Spatial Thinking malakasini talab qilishi yozilgan. Bu holat qaysi ekspert yorligʻi “asosiy koʻnikma” deb qabul qilingani haqida tahririy noaniqlik tugʻdiradi.

Oʻquvchilarning koʻnikma profillari qanday yaratildi?

Model har bir oʻquvchi uchun 18 ta koʻnikmani ifodalovchi haqiqiy sonli yashirin parametrlarni oʻrgandi. Xom oʻquvchi embedding qiymatlari −2,72 dan 2,91 gacha oʻzgargan, oʻrtacha −0,098 va standart ogʻish 0,344 deb xabar qilingan. Qiymatlarning katta qismi nolga yaqin.

Sigmoid oʻzgartirishidan soʻng taxminan:

• −0,3 dan past xom qiymatlar 0,42 dan past koʻnikma ehtimoliga,
• −0,3 dan 0,3 gacha boʻlgan qiymatlar 0,42–0,57 oraligʻiga,
• 1,3 dan yuqori qiymatlar 0,80 dan yuqori koʻnikma ehtimoliga,
• 2,7 atrofidagi qiymatlar taxminan 0,93 ga

mos keladi. Tadqiqotchilar 0,80 dan yuqorini kuchli malaka, −0,3 dan past qiymatlarni zaif malaka va nolga yaqin hududni oʻrta yoki noaniq malaka deb talqin qildi. Bu chegaralar tadqiqotda qoʻllangan talqin chegaralari boʻlib, mustaqil klinik yoki psixometrik standart bilan tasdiqlanmagan.

Uchta oʻquvchi misoli nimani koʻrsatdi?

1-foydalanuvchi: Model muammo yechish, javob vaqti, idrok va tezlik sohalarida kuchli, diqqat sohasida esa juda kuchli profil yaratdi. Xotira, rejalashtirish, sonli fikrlash, diqqatni oʻzgartirish va hissiyotlarni tanish zaif koʻrindi. 20-sahifadagi vazifa yozuvlari oʻquvchi ayrim diqqat vazifalarida takrorlar davomida yuqori natija koʻrsatgani, rejalashtirish va xotira vazifalarida esa koʻproq qiynalganini koʻrsatadi.

60-foydalanuvchi: Model koʻplab kognitiv sohalarda zaif profil chiqardi. Oʻquvchining xotira vazifasida bitta muvaffaqiyatli natijasi boʻlsa-da, umumiy naqsh zaifligicha qolgani sababli model bu koʻnikmani kuchli sinfga oʻtkazmadi. Bu misol model bitta toʻgʻri natijaga emas, barcha vazifalardagi izchil naqshga vazn berishini koʻrsatadi.

42-foydalanuvchi: Rejalashtirish vazifasida koʻplab muvaffaqiyatli natijalar boʻlgani sababli rejalashtirish juda kuchli koʻrindi. Javob vaqti, idrok va tezlikni oʻz ichiga olgan boshqa vazifadagi muvaffaqiyatsizliklar ayniqsa tezlikning zaif deb belgilanishiga hissa qoʻshdi. Xotira va muammo yechish natijalari izchil boʻlmagani sababli bu koʻnikmalar neytral hududda qoldi.

Bu uchta tasvir tushuntiruvchi holat misollaridir. Oʻquvchi profillari mustaqil oʻqituvchi bahosi, standart kognitiv test, maktab bahosi yoki boshqa tashqi mezon bilan tasdiqlangani koʻrsatilmagan. Demak, tasvirlar model natijalari oʻyin yozuvlariga mos koʻrinishini koʻrsatadi, ammo koʻnikma bashoratlarining tashqi haqiqiyligini isbotlamaydi.

Tadqiqotning kuchli tomonlari nimalar?

• Sintetik maʼlumotlar oʻrniga haqiqiy va shovqinli taʼlim oʻyini yozuvlaridan foydalangan.
• Ekspert bilimini butunlay olib tashlash oʻrniga maʼlumotlar bilan yangilanishi mumkin boʻlgan gibrid Q-matritsa ishlab chiqqan.
• Modelning tasodifiy oʻzgaruvchanligini kamaytirish uchun 20 ta alohida oʻqitish ishga tushirilishini bajargan.
• Turli z-balli chegaralari bilan sezgirlik tahlilini qoʻllagan.
• Neyron yondashuvni ham nazoratsiz NMF, ham anʼanaviy kognitiv tashxis yondashuvi G-DINA bilan taqqoslagan.
• Faqat vazifa-koʻnikma mosligini emas, oʻquvchi darajasidagi koʻnikma profillarini ham oʻrgangan.
• Bitta koʻnikma farazi oʻyinlashtirilgan vazifalar uchun yetarli boʻlmasligi mumkinligini aniq vazifa misollari bilan koʻrsatgan.

Tadqiqotning asosiy cheklovlari nimalar?

• Namuna cheklangan: Platforma keng foydalanuvchi trafikiga ega boʻlsa-da, tahliliy namuna atigi 261 nafar oʻquvchi va 38 ta vazifadan iborat.
• Namuna xususiyatlari tushuntirilmagan: Oʻquvchilarning yoshi, sinf darajasi, jinsi, maktab turi, ijtimoiy-iqtisodiy xususiyatlari yoki hududiy taqsimoti berilmagan.
• Muvaffaqiyat mezoni nisbiy: Ikkilik natija obyektiv toʻgʻri-notoʻgʻri emas, vazifa oʻrtachasidan past yoki yuqori boʻlishga asoslanadi.
• Vaqt boʻyicha oʻzgarish modellashtirilmagan: Yozuvlar 2016–2025-yillarga tegishli boʻlsa-da, oʻquvchilarning koʻnikmalari takroriy seanslar orasida oʻzgarmaydi deb faraz qilingan. Har bir foydalanuvchi seanslari aslida qanchalik qisqa vaqt oraligʻida toʻplangani xabar qilinmagan.
• Boshlangʻich tayanch mavjud: Model ekspert Q-matritsasidan boshlanib, muvaffaqiyati yana ekspert matritsasiga muvofiqligi orqali baholangan.
• Maʼlumotlarni boʻlish tafsilotlari yetishmaydi: Oʻqitish, tekshirish va sinov toʻplamlarining nisbati hamda ayni oʻquvchi yoki ayni vazifa takrorlari toʻplamlar orasida qanday ajratilgani tushuntirilmagan.
• AUC farqi kichik: Eng yaxshi va ekspertga asoslangan tuzilma orasidagi farq 0,0048; noaniqlik yoki ahamiyatlilik tahlili taqdim etilmagan.
• Taqqoslashlar toʻliq teng emas: NMF ekspert yorligʻisiz ishlaydi, NCDM esa ekspert tuzilmasidan boshlanadi. G-DINA taqqoslovi 18 emas, 12 ta birlashtirilgan koʻnikma asosida bajarilgan.
• Vaznlash formulasi nomuvofiq: Matn teskari kvadrat ildiz vaznlashni tilga olsa, formula chastotaning bevosita teskarisini koʻrsatadi.
• Vazifa izohlarida nomuvofiqlik mavjud: “The Delivery Job” uchun asosiy koʻnikma matn va jadvalda turlicha taqdim etilgan.
• Tashqi tekshiruv yoʻq: Oʻquvchi profillari standart test, oʻqituvchi bahosi yoki mustaqil psixometrik oʻlchov bilan taqqoslanmagan.
• Adolat tahlili oʻtkazilmagan: Model turli oʻquvchi guruhlarida bir xil aniqlik koʻrsatish-koʻrsatmasligi oʻrganilmagan.

Tadqiqot nimani koʻrsatadi?

• Ekspertlar tayyorlagan vazifa-koʻnikma xaritalarining katta qismi oʻyin natijalari maʼlumotlariga mos koʻrinadi.
• Koʻplab oʻyin vazifalari bittadan ortiq kognitiv koʻnikmani talab qilishi mumkin.
• Ekspert yorliqlari bilan boshlangan neyron model NMFga qaraganda ekspert matritsasi bilan yuqoriroq muvofiqlik berishi mumkin.
• Modelning Q-matritsa natijasi uchta turli ikkilik muvaffaqiyat chegarasida oʻxshash umumiy muvofiqlik darajalarini berdi.
• Q-matritsani kengaytirish bashorat AUCsida kichik yaxshilanish berdi.
• Oʻyin oʻzaro taʼsirlaridan tushuntiruvchi oʻquvchi koʻnikma profillarini chiqarish mumkin.

Tadqiqot nimani isbotlamaydi?

• Model oʻquvchilarning haqiqiy kognitiv koʻnikmalarini aniq oʻlchashini isbotlamaydi.
• Oʻrganish qiyinchiligi, rivojlanish buzilishi yoki maxsus taʼlim ehtiyoji tashxisini qoʻymaydi.
• NCDM barcha maʼlumotlar toʻplamida G-DINA yoki NMFdan ustun boʻlishini koʻrsatmaydi.
• Ekspert Q-matritsasidagi modelning har bir farqi ekspert xatosi ekanini isbotlamaydi.
• Model taklif qilgan ikkilamchi koʻnikmalar vazifani yechishda sababiy jihatdan zarurligini koʻrsatmaydi.
• Ishlab chiqilgan koʻnikma profillari shaxsiylashtirilgan aralashuvlar orqali oʻquvchilar muvaffaqiyatini oshirishini sinamaydi.
• Vengriyadagi topilmalarni Turkiyadagi oʻquvchilarga bevosita umumlashtirish mumkinligini koʻrsatmaydi.

Turkiyadagi taʼlim tizimlari uchun nimani anglatadi?

Tadqiqot Turkiyadan oʻquvchi yoki maktab maʼlumotlarini oʻz ichiga olmaydi. Shu sababli 87 foizlik muvofiqlik darajasi Turkiyadagi raqamli taʼlim platformalari uchun kutiladigan samaradorlik qiymati sifatida ishlatilmaydi. Biroq usul Turkiyadagi oʻyinlashtirilgan baholash vositalari va raqamli savollar banklarini ishlab chiqish uchun qoʻllash mumkin boʻlgan tadqiqot doirasini taqdim etadi.

Turkiyada amalga oshiriladigan dasturda avval oʻqituvchilar, psixologlar, oʻlchash-baholash mutaxassislari va fan mutaxassislaridan iborat jamoalar vazifa-koʻnikma xaritasini tayyorlashi mumkin. Keyin neyron model ushbu xaritadagi aloqalarni haqiqiy oʻquvchi javoblari bilan sinashi mumkin. Ekspert va model mos kelmaydigan vazifalar avtomatik ravishda oʻzgartirilmasligi; vazifa matni, interfeys, vaqt bosimi, til yuki va qoʻllangan strategiyalar ekspertlar tomonidan qayta koʻrib chiqilishi kerak.

Mahalliy tekshirish tadqiqoti turli yosh, maktab turi, hudud va muvaffaqiyat darajasidagi oʻquvchilarni qamrab olishi; oʻqitish, tekshirish va sinovga ajratish oʻquvchi darajasida bajarilishi; ayni oʻquvchi takrorlarining turli toʻplamlarga sizib kirishi oldini olinishi va model bashoratlari mustaqil testlar bilan taqqoslanishi kerak. Oʻquvchi profillari faqat oʻqituvchiga yordamchi maʼlumot manbai sifatida ishlatilishi, katta taʼsirli taʼlim qarorlarining yagona asosi boʻlib qolmasligi lozim.

Tadqiqot usuli va topilmalari

Asosiy topilmalar

Tadqiqotning eng kuchli natijasi ekspert mosliklarining aksariyati haqiqiy oʻyin maʼlumotlari bilan birga saqlangani va model ayrim vazifalarda ikkilamchi koʻnikmalarni taklif qilganidir. Eng ehtiyotkor talqin qilinishi kerak boʻlgan natija esa oʻquvchi darajasidagi “kuchli” va “zaif” koʻnikma sinflaridir. Bu sinflar modelning barcha javob naqshini tushuntiruvchi yashirin parametrlardan chiqarilgan; ular mustaqil psixometrik testlar bilan tasdiqlangan bevosita oʻlchovlar emas.

Manba va usul qaydi

Tadqiqotning asl nomi: Data-Driven Q-Matrix Refinement in Gamified Assessments: A Neural Cognitive Diagnosis Approach

Mualliflar va tartibi: Judit Tevesz; Bertalan Forstner.

Teng birinchi muallif yoki teng hissa: Tadqiqotda teng hissa yoki teng birinchi mualliflik bayonoti mavjud emas.

Masʼul/aloqa muallifi: PDFda alohida masʼul muallif belgisi yoʻq. SSRN qaydi Judit Teveszni aloqa muallifi sifatida koʻrsatadi.

Muassasalar: Tadqiqot ichida va SSRN muallif profilida muassasa maʼlumoti taqdim etilmagan. Rasmiy muassasa qaydlarida ikki tadqiqotchi ham Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics, Department of Automation and Applied Informatics bilan bogʻlangan. Judit Tevesz doktorant; Bertalan Forstner dotsent va kafedra mudiri oʻrinbosari. Cognitive Computing Research Group bilan aloqalari ham rasmiy muassasa sahifalarida keltirilgan.

Mavzu sohasi: Taʼlimda sunʼiy intellekt, taʼlim maʼlumotlarini qazib olish, psixometriya, kognitiv tashxis modellari, oʻyinlashtirilgan baholash va shaxsiylashtirilgan oʻrganish.

Manba turi: Haqiqiy platforma maʼlumotlariga asoslangan empirik tadqiqot preprinti.

Yil: 2026.

DOI:10.2139/ssrn.6992640

Jurnal: Taqrizli jurnal versiyasi tasdiqlanmadi.

Nashr platformasi: SSRN.

Taqriz holati: Taqrizdan oʻtmagan. Tadqiqotning har bir sahifasida “This preprint research paper has not been peer reviewed” ogohlantirishi mavjud.

Rasmiy havola:SSRN tadqiqot sahifasi

Moliyalashtirish: Tadqiqotda alohida moliyalashtirish bayonoti mavjud emas.

Manfaatlar toʻqnashuvi: Tadqiqotda alohida manfaatlar toʻqnashuvi bayonoti mavjud emas.

Etika va maʼlumotlarni himoya qilish: Foydalanuvchi yozuvlari taxallus identifikatorlari bilan ishlangani, anonim oʻyin maʼlumotlaridan tadqiqotda foydalanish platforma shartlarida keltirilgani va voyaga yetmaganlarni roʻyxatdan oʻtkazish uchun ota-ona roziligi talab etilishi aytilgan. Mustaqil etika qoʻmitasi nomi yoki tasdiq raqami xabar qilinmagan.

Ushbu oʻzbekcha sharh tadqiqot matni, tenglamalar, usul tavsiflari, vazifa jadvallari, sezgirlik tahlili, taqqoslama model natijalari va oʻquvchi profili tasvirlarini birgalikda baholash orqali tayyorlangan. Ilmiy mazmun tadqiqotning oʻziga asoslanadi; tashqi manbalardan faqat mualliflar tartibi, aloqa muallifi, DOI, muassasa aloqalari, nashr platformasi va taqriz holatini bibliografik tekshirish maqsadida foydalanilgan.

Natijalar kichik va tanlangan namuna, nisbiy muvaffaqiyat taʼrifi, uzoq maʼlumot davriga qaramay sobit koʻnikma farazi, ekspert matritsasidan boshlangan model, maʼlumotlarni boʻlish tafsilotlarining yetishmasligi, taqqoslash modellaridagi tuzilmaviy farqlar, kichik AUC oʻsishi, tashqi tekshiruv yoʻqligi va usul matnidagi ayrim ichki nomuvofiqliklarni hisobga olgan holda baholanishi kerak. Tadqiqot neyron Q-matritsani takomillashtirish istiqbolli ekanini koʻrsatadi; katta taʼsirli oʻquvchi qarorlarida foydalanishga tayyor, qatʼiy tasdiqlangan tashxis tizimini taqdim etishini koʻrsatmaydi.