Ushbu tadqiqot bolalarning Draw-a-Person (DAP; Inson Chiz) testi doirasida yaratgan inson figurasi chizmalarini avtomatik tahlil qilish uchun chuqur o‘rganish bilan ochiq geometrik qoidalarni birlashtiruvchi gibrid tizimni taklif etadi. Asosiy arxitekturada ImageNet’da oldindan o‘qitilgan ResNet-50 modeli chizmalarda bosh, ko‘z, soch, qo‘l, oyoq, og‘iz, burun, quloq, bo‘yin va tana bo‘lib, 10 ta vizual anatomik xususiyatni bashorat qiladi. Ularga tana nisbati, yelka ko‘rsatkichi, ikki tomonlama qo‘l-oyoq tasviri, qo‘l-oyoq–tana ulanishi, to‘g‘ri ulanish hududi va bo‘yin uzluksizligini baholovchi oltita geometrik/heuristik xususiyat qo‘shilib, jami 16 ta ikkilik xususiyat hosil qilinadi.

Tadqiqotda jami 948 ta qo‘lda chizilgan rasm ishlatilgan. Batafsil ma’lumotlarni bo‘lish tavsifiga ko‘ra 663 ta tasvir o‘qitish, 142 ta tasvir validatsiya va 143 ta tasvir mustaqil test uchun ajratilgan. Besh qatlamli kross-validatsiyada bildirilgan aniqlik %90,05 dan %91,64 gacha o‘zgargan va o‘rtacha %91,01 bo‘lgan. Biroq ishlash xususiyatdan xususiyatga keskin farq qilgan: bosh, ko‘z, qo‘l, oyoq, og‘iz va tana kabi aniq komponentlarda F1 qiymatlari taxminan 0,98–1,00 darajasiga yetgan bo‘lsa, quloq va bo‘yin kabi kichikroq yoki turlicha chiziladigan tafsilotlar ancha qiyin aniqlangan.

Mustaqil 143 chizmali test to‘plamida avtomatik tizimning inson tomonidan berilgan umumiy DAP ballari bilan korrelyatsiyasi r=0,93 (p<0,001) deb bildirilgan va chizmalarning taxminan %87 ida avtomatik ball bilan etalon ball o‘rtasidagi farq ±1 ball ichida qolgan. Ammo bu natijalar tizim psixologik tashxis qo‘ya olishini yoki ekspert baholashining o‘rnini bosa olishini ko‘rsatmaydi. Tadqiqot faqat belgilangan 16 ta chizma xususiyatini avtomatik aniqlash va ulardan oddiy yig‘indi ball yaratishni baholagan. Shuningdek, manbadagi ma’lumotlarni bo‘lish, chiqish o‘lchami va ishlash jadvallariga oid ayrim nomuvofiqliklar natijalarni ehtiyotkorlik bilan talqin qilishni talab qiladi.

Tadqiqot qaysi muammoni hal qilishga urinmoqda?

Draw-a-Person testi inson figurasini chizishdan kelib chiqib, ayrim shakliy va anatomik xususiyatlarni baholashga asoslanadi. Manba tadqiqotining boshlang‘ich nuqtasi ushbu xususiyatlarni qo‘lda tekshirish ko‘p vaqt olishi va baholovchilar o‘rtasida talqin farqlari yuzaga kelishi mumkinligidir.

Tadqiqotchilar muammoni butunlay “qora quti” sun’iy intellekt modeliga topshirish o‘rniga ikki alohida yondashuvni birlashtirgan. Tasvirda bevosita ko‘rinishi kerak bo‘lgan anatomik tuzilmalar ResNet-50 asosidagi CNN tomonidan baholansa, qismlar o‘rtasidagi joylashuv va geometrik munosabatlar ochiq qoidalar bilan hisoblangan.

Shunday qilib, tizim faqat “bu chizmada oyoq bormi?” savoliga emas, masalan, qo‘l-oyoqlar tanaga ulanganmi yoki tana balandligi uning kengligidan kattami kabi yanada tuzilmaviy savollarga ham javob berishga harakat qiladi.

10 ta CNN xususiyati qaysilar?

ResNet asosidagi vizual qism chizmada quyidagi o‘nta anatomik komponent mavjud yoki yo‘qligini bashorat qiladi:

• quloqlar,
• ko‘zlar,
• soch,
• qo‘llar,
• bosh,
• oyoqlar,
• og‘iz,
• bo‘yin,
• burun,
• tana.

Har bir xususiyat boshqalaridan mustaqil ravishda bor/yo‘q yorlig‘ini olishi mumkin. Shu sababli muammo klassik bir sinfli tasvir tasnifi emas, balki ko‘p yorliqli tasnif muammosidir.

Oltita geometrik qoida nimani baholaydi?

CNN yoniga qo‘shilgan oltita xususiyat chizilgan qismlarning koordinatalari va bounding-box munosabatlaridan hisoblanadi:

Manba tadqiqotida geometrik chegaralar validatsiya ma’lumotida grid search orqali sozlangani aytiladi. Qo‘l-oyoq–tana ulanishi uchun tanlangan IoU chegarasi 0,01; yuqori ulanish hududi nisbati 0,3 va pastki hudud nisbati 0,5.

Ma’lumotlar to‘plamidagi “yosh” nimani anglatadi?

Ma’lumotlar to‘plamida 948 ta chizma sakkiz guruhga bo‘lingan va guruhlar 4 dan 11 gacha yorliqlangan. Biroq manba tadqiqoti ular o‘quvchilarning haqiqiy yoshidan mustaqil ravishda professional baholash orqali tayinlangan mental-age guruhlari ekanini aniq qayd etadi.

Bu farq ayniqsa tadqiqot ichidagi yosh bo‘yicha F1 grafiklarini talqin qilishda muhim. Masalan, og‘iz aniqlash F1’ining 4-guruhda 0,30 dan 11-guruhda 0,95 gacha oshishi aynan bir bolalar qarigani sari kuzatilgan longitudinal rivojlanish tadqiqoti natijasi emas. Bular oldindan turli mental-age kategoriyalariga tayinlangan chizma guruhlaridagi model ishlashidir.

Qaysi xususiyatlar oson, qaysilari qiyin topildi?

Besh qatlamli kross-validatsiyada bosh, qo‘l, oyoq, ko‘z, og‘iz va tana kabi aniq anatomik komponentlarda yuqori F1 ballari olingan. Manba Jadval 5’da ko‘z, qo‘l, bosh, oyoq va tananing o‘rtacha F1 qiymatlari taxminan 0,99; og‘iz 0,98 deb berilgan.

Bunga qarshi burun uchun o‘rtacha F1 0,84, soch uchun 0,87 va bo‘yin uchun 0,75. Eng katta muvaffaqiyatsizlik quloqda: manba Jadval 5 o‘rtacha quloq F1 qiymatini atigi 0,09 ± 0,06 deb beradi.

Tadqiqotning vizual baholashi ham buni kichik yoki stilizatsiyalangan tafsilotlarning chizmadan chizmaga juda o‘zgarishi bilan izohlaydi. Ba’zi bolalar quloqni umuman chizmaydi, ba’zilari esa juda kichik yoki noaniq shakllar bilan ifodalaydi.

Nega yuqori umumiy aniqlikning o‘zi yetarli emas?

Tadqiqot ko‘p yorliqli va kuchli sinf nomutanosibliklari bo‘lgan muammoni ko‘rib chiqadi. Manba mualliflari ham shu sababli accuracy o‘rniga precision, recall va F1 ko‘proq ma’lumot berishi mumkinligini ta’kidlaydi.

Bu nuqta mustaqil testda ayniqsa yaqqol. Jadval 10’da CNN tomonidan baholangan o‘nta vizual xususiyatning barchasida haqiqiy salbiy (TN) soni nol. Masalan, quloq uchun TP=57, FP=86, TN=0 va FN=0 deb berilgan. Bu taqsimotda model testdagi barcha 143 chizma uchun “quloq bor” degan. Shuning uchun recall 1,00 bo‘lsa, precision atigi 57/143 ≈ 0,399 va F1 taxminan 0,57.

Xuddi shuningdek, bosh uchun 143 chizmaning hammasi musbat bo‘lgani sababli TP=143, FP=TN=FN=0. Bunday test kichik guruhida model bosh yo‘q chizmani to‘g‘ri rad eta oladimi-yo‘qmi o‘lchanmaydi. Shu sababli 0,99–1,00 darajasidagi ayrim qiymatlar “model har qanday holatda deyarli mukammal” deb talqin qilinmasligi kerak.

Ekspert ballari bilan qanchalik mos keldi?

143 chizmali test to‘plamida avtomatik umumiy DAP balli bilan inson tomonidan berilgan ground-truth ball orasidagi Pearson korrelyatsiyasi r=0,93 va p<0,001 deb bildirilgan. Manba 8-rasmida nuqtalarning katta qismi ideal \(y=x\) chizig‘i atrofida to‘plangan.

9-rasmdagi xato taqsimotiga ko‘ra chizmalarning taxminan %87 ida avtomatik ball bilan etalon ball orasidagi farq ±1 ball chegarasida. Ikki balldan katta farqlar kam uchrashi aytilgan.

Bu natijalar avtomatik ball va etalon ball o‘rtasida kuchli bog‘liqlik mavjudligini qo‘llab-quvvatlaydi. Biroq korrelyatsiya usullararo to‘liq muvofiqlik testi emas va tizimni psixologik baholashda ekspert bilan almashtirish mumkinligini o‘z-o‘zidan isbotlamaydi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• ResNet asosidagi vizual tahlil va geometrik qoidalarni bitta avtomatik DAP ish oqimida birlashtirish mumkin.
• Aniq anatomik tuzilmalar kichik tafsilotlarga qaraganda ishonchliroq aniqlangan.
• Quloq va bo‘yin tadqiqotdagi eng qiyin CNN xususiyatlari qatorida.
• Avtomatik 0–16 ball bilan manba tadqiqotidagi inson etalon balli o‘rtasida kuchli korrelyatsiya bildirilgan.
• Geometrik munosabatlarni ochiq qoidalar bilan hisoblash tizimning ayrim qarorlarini kuzatiladiganroq qiladi.
• Mustaqil test ishlashi barcha xususiyatlar uchun bir xil emas.

Tadqiqot isbotlamaydigan natijalar

• Tizim bolaning aqliy, ruhiy yoki psixiatrik holatini o‘zi tashxis qila olishi isbotlanmagan.
• Avtomatik ball ekspert psixolog baholashining o‘rnini xavfsiz bosa olishi ko‘rsatilmagan.
• Model turli madaniyatlardagi bolalarda xuddi shunday ishlash ko‘rsatishi isbotlanmagan.
• 4–11 deb yorliqlangan ma’lumot guruhlari xronologik yosh kohortlari emas; shu sababli natijalar bevosita yoshga bog‘liq rivojlanish egri chizig‘i emas.
• 0–16 oddiy yig‘indi ballining original Goodenough–Harris tizimidagi barcha vaznlash va klinik talqin mantiqini aynan takrorlashi ko‘rsatilmagan.
• Yuqori korrelyatsiya klinik ekvivalentlik yoki diagnostik validlik degani emas.

Tadqiqotning Metodi va Natijalari

Ma’lumotlarni tayyorlash

Manba ma’lumotlar to‘plami 948 ta qo‘lda chizilgan rasmdan iborat. O‘nta asosiy anatomik hudud DigitalSreeni tasvir annotatsiya vositasi yordamida bounding box shaklida qo‘lda belgilangan va annotatsiyalar COCO uslubidagi tuzilmada saqlangan.

Tasvirlar RGB formatiga aylantirilgan va ResNet-50 kirishiga mos bo‘lishi uchun 224 × 224 pikselga qayta o‘lchangan. O‘qitish vaqtida tasvirlarni %50 ehtimol bilan gorizontal aylantirish va yorqinlik/kontrastni ±%20 o‘zgartirish orqali ma’lumotlarni ko‘paytirish qo‘llangan.

Batafsil ma’lumot tayyorlash bo‘limida qo‘llangan taqsimot quyidagicha:

Bu taqsimot maqola xulosasidagi “948 chizmali alohida hold-out test set” ifodasi bilan mos kelmaydi. Batafsil metod va test jadvallari 143 chizmali mustaqil test to‘plamini qo‘llab-quvvatlagani uchun bu yerda 948 umumiy ma’lumotlar to‘plami, 143 esa hold-out test hajmi sifatida berilgan.

ResNet-50 arxitekturasi

Asosiy arxitektura tavsifiga ko‘ra ImageNet’da oldindan o‘qitilgan ResNet-50 backbone sobit xususiyat ajratuvchi sifatida ishlatilgan va convolution qatlamlari muzlatilgan. 224 × 224 RGB chizma uchun:

\[ x \in \mathbb{R}^{3\times224\times224} \]

Backbone global average pooling chiqishida 2048 o‘lchamli xususiyat vektorini hosil qiladi:

\[ f_{\mathrm{ResNet}}(x)\in\mathbb{R}^{2048} \]

Asosiy arxitektura izohida yangi chiziqli qatlam 10 ta anatomik vizual xususiyatga xaritalanadi:

\[ z_{\mathrm{CNN}}=Wf_{\mathrm{ResNet}}(x)+b \]

\[ W\in\mathbb{R}^{10\times2048},\qquad b\in\mathbb{R}^{10} \]

Har bir logit sigmoid orqali ehtimolga aylantiriladi:

\[ \hat{y}_i=\sigma(z_i)=\frac{1}{1+e^{-z_i}} \]

So‘ng 10 ta CNN chiqishi oltita geometrik/heuristik xususiyat bilan birlashtiriladi:

\[ y_{\mathrm{final}}=[y_{\mathrm{CNN}},y_{\mathrm{heuristic}}]\in\mathbb{R}^{16} \]

Manba tadqiqotining 4.2 bo‘limida esa tasniflash qatlami 2048 o‘lchamli xususiyat vektorini to‘g‘ridan-to‘g‘ri 16 ta maqsad xususiyatga xaritalashi yozilgan. Bu ifoda maqolaning 1-rasmi, 4.1 va 4.3 bo‘limlaridagi “10 CNN + 6 heuristic” arxitekturasi bilan mos emas. Shu sababli Verianla matnida asosiy arxitektura sifatida rasm va ko‘p marta takrorlangan 10+6 tuzilmasi asos qilib olingan, ziddiyatli 16-CNN ifodasi manba ichidagi nomuvofiqlik sifatida qayd etilgan.

Yo‘qotish funksiyasi va sinf nomutanosibligi

Tadqiqotda ko‘p yorliqli tasniflash uchun BCEWithLogitsLoss ishlatilgan va kam uchraydigan musbat xususiyatlar o‘qitishda ko‘proq vazn olishi uchun pos_weight qo‘llangan.

Manbada xususiyat vazni quyidagi nisbat bilan tushuntiriladi:

\[ w_i=\frac{negatives_i}{positives_i} \]

Shunday qilib, kam uchraydigan xususiyatlarda musbat namunani noto‘g‘ri tasniflash yuqoriroq o‘qitish xarajatiga ega bo‘ladi.

Biroq yo‘qotish funksiyasi bo‘limida \(N=16\) chiqish to‘g‘ridan-to‘g‘ri CNN yo‘qotishiga kiritilgani yozilgan. Bu ham oltita heuristic xususiyat CNN tashqarisida hisoblanishini aytuvchi asosiy arxitektura bilan to‘liq mos kelmaydi.

O‘qitish sozlamalari

Kross-validatsiya natijasi

Maqolaning 4.6 bo‘limida 143 tasvirli test to‘plami ajratilgandan keyin qolgan 805 tasvir besh qatlamli kross-validatsiyada ishlatilgani bildirilgan. Har iteratsiyada taxminan 644 tasvir o‘qitish va 161 tasvir validatsiya uchun ishlatilgan.

Bunga qarshi 4.7 bo‘limida “complete dataset” sifatida 948 chizma besh fold’ga bo‘lingani yozilgan. Bu ifoda 143 tasvir butunlay alohida saqlanganini aytuvchi avvalgi protokolga zid. Manba bu ikki izohni muvofiqlashtirmaydi.

Besh qatlamli kross-validatsiyada xususiyat bo‘yicha F1

Oltita heuristic xususiyat kross-validatsiyada to‘liq F1=1,00 berishi e’tiborga molik. Metod bo‘limi kross-validatsiya yorliqlari shu heuristic qoidalar bilan hosil qilinganini bildiradi. Shuning uchun qoidani o‘zi ishlab chiqargan yorliqqa qarshi baholash mustaqil validatsiya hisoblanmaydi. Darhaqiqat, 143 chizmali hold-out to‘plamda bu oltita xususiyat mustaqil tajribali baholovchilar tomonidan belgilanganida ayrim heuristic ishlash ko‘rsatkichlari sezilarli pasaygan.

143 chizmali mustaqil testda yakuniy xususiyat ishlashi

Bu jadvalda o‘rtacha accuracy 0,8780, precision 0,8929, recall 0,9458 va F1 0,8996 deb berilgan. Ayniqsa “qo‘l-oyoqlar tanaga ulangan” heuristic xususiyatining F1 qiymati 0,4762 gacha tushishi kross-validatsiyadagi 1,00 qiymati mustaqil etalon yorliq qarshisida saqlanmaganini ko‘rsatadi.

Manbadagi ikki ishlash jadvali nega ehtiyotkorlik bilan o‘qilishi kerak?

Manba Jadval 7 16 xususiyat uchun o‘rtacha accuracy=0,9175, precision=0,8869, recall=0,9375 va F1=0,905 beradi. Keyingi avtomatik aniqlash/baholash Jadval 8 esa accuracy=0,8780, precision=0,8929, recall=0,9458 va F1=0,8996 beradi.

Maqola matni bu ikki baholash bosqichini to‘liq izchil nomlamaydi. Bundan tashqari, keyingi Jadval 9 izohida jadval raqamlari bir pog‘ona siljigani ko‘rinadi. Shu sababli “tizim aniqligi %91,78” kabi bitta va kontekstsiz raqam berish ilmiy jihatdan chalg‘ituvchi bo‘ladi.

Quloq natijasidagi katta o‘zgarish

Manba Jadval 7’da quloq aniqlash accuracy=0,63, precision=0,14, recall=0,01 va F1=0,07 deb berilgan. Jadval 8’da esa quloq uchun accuracy va precision 0,3986, recall 1,0000 va F1=0,5700.

Jadval 9 bu o‘zgarishni “heuristic refinement” dan keyingi yaxshilanish sifatida talqin qiladi. Ammo tadqiqot tomonidan aniqlangan oltita heuristic xususiyat orasida quloq aniqlashni tuzatuvchi qoida yo‘q; heuristics tana nisbati, yelka, ikki tomonlama qo‘l-oyoq, qo‘l-oyoq ulanishi, ulanish hududi va bo‘yin uzluksizligidir. Shu sababli quloq F1’ining 0,07 → 0,57 o‘zgarishining texnik sababini manba matnidan ishonchli aniqlab bo‘lmaydi.

Chalkashlik matritsasi nimani ko‘rsatadi?

143 chizmali testda o‘nta vizual xususiyatning chalkashlik matritsasi yana bir muhim ogohlantirish beradi:

Bu sonlar barcha o‘nta vizual xususiyatda FN=0 va TN=0 ekanini ko‘rsatadi. Shuning uchun modelning ushbu test jadvalida vizual xususiyatlarni “yo‘q” deb to‘g‘ri aniqlash qobiliyati o‘lchanmaydi. Ayrim yuqori recall va F1 ballari shu prevalensiya va bashorat tuzilishidan ta’sirlanadi.

Avtomatik ball qanday hisoblanadi?

Manba formulasida 16 ta ikkilik xususiyat bevosita yig‘iladi:

\[ S=\sum_{i=1}^{16}f_i \]

Bu yerda \(f_i=1\) xususiyat borligini, \(f_i=0\) esa yo‘qligini bildiradi. Shu tariqa umumiy ball 0 dan 16 gacha o‘zgaradi.

Manbaning keyingi natija matnida bir joyda 16 ta ikkilik chiqish “averaging”, ya’ni o‘rtachalangan deb yozilgan; shu paragraf darhol 0–16 ball hosil qilinishini bildiradi. 0–16 shkalasi va berilgan tenglama yig‘ishni qo‘llab-quvvatlagani uchun Verianla matnida formuladagi yig‘indi ishlatilgan.

Tadqiqotning asosiy metodologik cheklovlari

• Umumiy ma’lumotlar to‘plami atigi 948 ta chizmadan iborat va madaniyatlararo mustaqil validatsiya o‘tkazilmagan.
• Manbada ishlatilgan “mental age” guruhlari xronologik yosh emas.
• Kichik anatomik xususiyatlarda kuchli sinf nomutanosibligi mavjud.
• Hold-out chalkashlik matritsasida barcha o‘nta CNN xususiyatida TN=0.
• Oltita heuristic xususiyat uchun kross-validatsiya yorliqlarining qoidalardan hosil qilinishi mukammal CV ballari mustaqil validatsiya emasligini anglatadi.
• Heuristic chegaralar ma’lumotlar to‘plamiga ko‘ra empirik sozlangan va boshqa chizish uslublarida xuddi shu aniqlikni bermasligi mumkin.
• 16 ta xususiyat umumiy ballda teng vazn oladi; manba mualliflari bu haqiqiy DAP ballash tizimini to‘liq ifodalamasligi mumkinligini tan oladi.
• Kross-validatsiya 805 yoki 948 chizmada o‘tkazilgani borasida manba ichida nomuvofiqlik bor.
• ResNet tasniflash qatlami 10 yoki 16 chiqish berishi haqida metod matnida nomuvofiqlik mavjud.
• Manbada validatsiya ma’lumoti bilan chegaralar sozlangani aytilgan bo‘lsa-da, keyin kross-validatsiya giperparametr sozlash uchun ishlatilmagani bildiriladi.
• Jadval 7, Jadval 8 va Jadval 9 orasidagi ishlash bosqichlari va jadval havolalari to‘liq izchil emas.
• Avtomatik ballning psixologik yoki klinik diagnostik validligi ushbu tadqiqotda mustaqil sinovdan o‘tkazilmagan.

Manba va Metod Izohi

Moliyalashtirish va institutsional qo‘llab-quvvatlash

Maqolaning moliyalashtirish bayonotida tadqiqot tashqi moliyalashtirish olmagani ko‘rsatilgan. Minnatdorchilik bo‘limida esa loyiha King Abdulaziz University tarkibidagi KAU Endowment (WAQF) tomonidan qo‘llab-quvvatlangani va WAQF hamda Deanship of Scientific Research’ga texnik va moliyaviy yordam uchun minnatdorchilik bildirilgan. Bu ikki bayonot birgalikda qaralganda, ish “external funding” bildirmaydi, ammo ichki institutsional yordamni qayd etadi.

Etika va ma’lumot manbai

Etika qo‘mitasi ko‘rib chiqishi tadqiqot jamoatchilikka ochiq va to‘liq anonimlashtirilgan ma’lumotlar to‘plamidan foydalangani hamda yangi ishtirokchi/ma’lumot yig‘ishni o‘z ichiga olmagani sababli zarur deb topilmagani aytilgan. Shu sababli xabardor rozilik qo‘llanilmaydi.

Manba ma’lumotlar to‘plami “Draw-a-Person Hand-Drawn Sketches by Children” nomi bilan ochiq Kaggle omboridan olingan va maqolada kirish sanasi 30 noyabr 2025 deb berilgan.

Muallif hissalari

Konseptuallashtirish va metodologiya Asma Abdullah Alwadai hamda Emad Sami Jaha tomonidan amalga oshirilgan. Dasturiy ta’minot, validatsiya, tadqiqot, ma’lumotlarni tartiblash, dastlabki qoralama va vizualizatsiya vazifalari asosan Asma Abdullah Alwadai tomonidan bajarilgan. Nazorat va moliyalashtirishni jalb qilish Emad Sami Jaha zimmasida bo‘lgan; ikkala muallif ham maqolani ko‘rib chiqish va tahrirlashga hissa qo‘shgan.

Manfaatlar to‘qnashuvi

Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Manba ichidagi nomuvofiqliklar qaydi

• Xulosada 948 chizma alohida hold-out test set ekani yoziladi; batafsil metod 948 umumiy ma’lumotlar to‘plami, 143 esa test to‘plami ekanini ko‘rsatadi.
• Bir bo‘lim kross-validatsiyani 805 chizmada, boshqa bo‘lim barcha 948 chizmada tasvirlaydi.
• Asosiy arxitektura 10 CNN + 6 heuristic chiqishni ko‘rsatadi, bir kichik bo‘lim esa ResNet classifier’ini 16 chiqishli deb ta’riflaydi.
• Yo‘qotish funksiyasi bo‘limida ham CNN uchun 16 xususiyat yozilishi 10+6 arxitekturasi bilan mos emas.
• Matn %91,78 macro accuracy bildiradi, Jadval 7 o‘rtachasi %91,75, Jadval 8 yakuniy o‘rtachasi %87,80.
• Quloq F1 qiymati bir baholashda 0,07, boshqasida 0,57 va manba o‘zgarish mexanizmini yetarlicha tushuntirmaydi.
• Jadval 9 quloqdagi o‘zgarishni heuristic refinement bilan bog‘lasa-da, belgilangan oltita heuristic qoidaning hech biri quloqqa tegishli emas.
• Natijalar matnida ball bir joyda “o‘rtacha” deb yozilgan bo‘lsa-da, formula va 0–16 shkala xususiyatlar yig‘ilishini ko‘rsatadi.
• Kross-validatsiyada barcha heuristic xususiyatlar 1,00 F1 bersa, mustaqil ekspert yorliqli testda qo‘l-oyoq–tana ulanishi F1=0,4762 gacha tushadi.

Shu sababli tadqiqotning eng mustahkam xulosasi “sun’iy intellekt endi bolalar chizmalaridan psixologik baholashni avtomatik va mukammal bajara oladi” emas. Manba qo‘llab-quvvatlaydigan torroq xulosa shuki, ResNet asosidagi vizual xususiyatlarni aniqlashni ochiq geometrik qoidalar bilan birlashtirish belgilangan 16 ta DAP chizma xususiyati uchun avtomatik va talqin qilinadigan prototip baholash tizimini yaratishi mumkin. Ayniqsa kichik anatomik tafsilotlar, sinf nomutanosibligi, baholash protokolidagi nomuvofiqliklar va tashqi validatsiyaning yo‘qligi bartaraf etilmasdan turib, tizimni klinik yoki psixologik qaror mexanizmi sifatida umumlashtirish manba tomonidan qo‘llab-quvvatlanmaydi.