Page 125
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
ADAPTIV O‘QITISH TIZIMLARI UCHUN MOSLASHUVCHAN
ALGORITMINI ISHLAB CHIQISH
Sattarov Jamshidbek Abdug‘affar o‘g‘li
Mansurov G‘ulomjon Gʻafurovich
Satimova Manzura Xatamovna
Osiyo Xalqaro Universiteti, E–mail: sattarovjamshid@gmail.com
Osiyo Xalqaro Universiteti, E–mail: gulomjonmansurov@gmail.com
Osiyo Xalqaro Universiteti, E–mail: g.satymova@gmail.com
https://doi.org/10.5281/zenodo.15468887
ARTICLE INFO
ABSTRACT
Qabul qilindi: 10-May 2025 yil
Ma’qullandi: 15-May 2025 yil
Nashr qilindi: 20-May 2025 yil
Ushbu maqolada raqamli ta’lim muhiti sharoitida
adaptiv o‘qitish tizimlarini takomillashtirishga xizmat
qiluvchi moslashuvchan algoritmlarni ishlab chiqish
metodologiyasi
yoritilgan.
Tadqiqotda
shaxsga
yo‘naltirilgan ta’lim konsepsiyasi asosida o‘quvchilar
faoliyatini real vaqt rejimida tahlil qilish, individual
o‘zlashtirish darajasiga mos ta’lim kontentini
avtomatik tanlash hamda ta’lim jarayonini differensial
boshqarish imkonini beruvchi algoritmik yondashuvlar
ishlab chiqilgan.
Maqolada
mashinali
o‘qitish
texnologiyalari,
foydalanuvchi modelini aniqlash, shaxsiy o‘quv
trajektoriyalarini shakllantirish va tavsiyaviy tizimlar
integratsiyasi
asosida
moslashuvchan
tizimlar
arxitekturasi taklif etiladi. Tadqiqot natijalari
algoritmlarning samaradorligi, hisoblash tejamkorligi
va o‘quvchilarning akademik ko‘rsatkichlariga ta’siri
nuqtayi nazaridan baholanadi.
Ushbu metodologiya nafaqat o‘quv jarayonini
shaxsiylashtirishga, balki katta hajmdagi ta’limiy
ma’lumotlarni samarali qayta ishlash va tahlil qilishga
ham xizmat qiladi. Maqola natijalari amaliyotga
yo‘naltirilgan dasturiy platformalar yaratishda
foydalanish uchun ilmiy asos bo‘lib xizmat qilishi
mumkin.
KEY WORDS
Adaptiv ta’lim, moslashuvchan
algoritmlar, mashinali o‘qitish,
raqamli
ta’lim
muhiti,
o‘quvchilarning
individual
trayektoriyasi, katta ma’lumotlar,
ta’lim
analitikasi,
shaxsga
yo‘naltirilgan o‘qitish.
Zamonaviy ta’lim tizimlarida raqamli texnologiyalarning jadal rivojlanishi natijasida
shaxsga yo‘naltirilgan o‘quv yondashuvlari, xususan adaptiv ta’lim tizimlariga bo‘lgan ehtiyoj
sezilarli darajada ortib bormoqda [1]. An’anaviy ta’lim modellaridan farqli o‘laroq, adaptiv
tizimlar o‘quvchilarning bilim darajasi, o‘zlashtirish tezligi, individual ehtiyojlari va o‘quv
faoliyatidagi xatti-harakatlariga asoslangan holda ta’lim kontentini dinamik tarzda
moslashtirish imkonini beradi. Bunday tizimlarning samarali ishlashi, birinchi navbatda,
ularning asosida yotuvchi moslashuvchan algoritmlarning aniqligi, moslashuvchanligi va
o‘rganuvchanligiga bog‘liq [2].
So‘nggi yillarda mashinali o‘qitish, katta ma’lumotlar tahlili va tavsiyaviy tizimlar
Page 126
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
asosida yaratilgan algoritmik yondashuvlar o‘quvchilarning raqamli izlarini tahlil qilish,
shaxsiy o‘quv trajektoriyalarini shakllantirish va real vaqt rejimida ta’lim jarayonini
boshqarishga keng yo‘l ochmoqda. Shu bilan birga, ta’lim sohasining o‘ziga xos xususiyatlari,
turli xil bilim sohalari va o‘quvchilarning psixopedagogik farqlari bunday algoritmlarning
moslashuvchan va modulli arxitekturasini talab qiladi [3,4].
Ushbu maqolada aynan shu muammoga yechim sifatida, adaptiv ta’lim tizimlari uchun
samarali, dinamik va shaxsiylashtirilgan o‘quv jarayonini ta’minlovchi moslashuvchan
algoritmlarni ishlab chiqish metodologiyasi taklif etiladi. Maqolada nazariy asoslar, algoritmik
yechimlar, hamda ularning dasturiy platformalarga integratsiyalash imkoniyatlari ilmiy
asosda yoritiladi. Shuningdek, ishlab chiqilgan metodologiyaning o‘quv samaradorligi va
texnik ko‘rsatkichlari real tajriba natijalari asosida tahlil qilinadi [5–8].
1-rasm Chiziqli va Adaptiv ta’limning o’qitish yo’llari
ADABIYOTLAR TAHLILI VA METODOLOGIYASI
So‘nggi yillarda raqamli ta’lim muhitida adaptiv ta’lim tizimlarini yaratish va ularni
algoritmik boshqaruv vositalari bilan boyitish bo‘yicha keng qamrovli ilmiy izlanishlar olib
borilmoqda. Ushbu sohada olib borilgan ilmiy ishlanmalar, asosan, mashinali o‘qitish
metodlari, katta ma’lumotlar analitikasi, o‘quvchilarning xatti-harakat modellari va o‘quv
yo‘nalishlarini avtomatik moslashtirish texnologiyalariga asoslanadi. 1956 yil B. Bloom
tomonidan ilgari surilgan individual o‘quv yondashuvi g‘oyasi zamonaviy adaptiv tizimlar
uchun nazariy asos bo‘lib xizmat qilgan. Keyinchalik 1998-2007 yillarda J. Brusilovsky
o‘zining web-bazalangan adaptiv o‘quv tizimlari konsepsiyasi orqali foydalanuvchi modeli,
domen modeli va moslashuv strategiyalarining o‘zaro integratsiyasini taklif etgan. Bu
modelda kontentga, interfeysga yoki navigatsiyaga asoslangan moslashuv yondashuvlari
aniqlangan. P. De Bra va hamkorlari tomonidan ishlab chiqilgan AHA! (Adaptive Hypermedia
Architecture) tizimi adaptiv gipermedia muhitlarida foydalanuvchi ehtiyojlariga asoslangan
individual ta’lim trajektoriyalarini yaratishga qaratilgan bo‘lib, moslashuv algoritmlarining
qoidabozlik
rule-based
modelini namoyon etgan [9,10].
O‘rganish yo‘lini boshlash
O‘rganish yo‘lini boshlash
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Kontent
Tugadi
Tugadi
Page 127
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
Mashinali o‘qitish vositalarini ta’limga integratsiyalash bo‘yicha R. Nkambou, J.
Bourdeau, va V. Miyake tomonidan tahrirlangan “Intelligent Tutoring Systems” (2010)
to‘plamida bayon etilgan metodologiyalar, o‘qituvchilarsiz o‘quv muhitlarda o‘quvchilarning
bilim holatini bashoratlash, bilimlar bo‘shlig‘ini aniqlash va ta’lim resurslarini avtomatik
tanlash kabi muhim funksiyalarni algoritmlashtirishni ko‘zda tutadi [11,12]. Shuningdek, D.
Pardos va N. Heffernan tomonidan taklif etilgan Bayes-bilimlarni kuzatish modeli
o‘quvchining har bir interaktiv harakatidan so‘ng bilim holatini yangilab boradigan
moslashuvchan yondashuv sifatida o‘zini oqlagan. Bu modelda ehtimollik asosidagi
bashoratlar yordamida o‘quvchiga individual vazifalar tavsiya etiladi.
Yaqinda chuqur o‘rganish asosidagi yondashuvlar, xususan Recurrent Neural Networks
va Transformer modellaridan foydalanilgan tadqiqotlar orqali o‘quvchilarning o‘zlashtirish
dinamikasini vaqt bo‘yicha o‘rganish imkoniyati yaratildi. Bunday tizimlar real vaqt rejimida
tavsiyalar berishga va kontentni optimallashtirishga xizmat qilmoqda. Shuningdek, Xalqaro
IEEE, Springer va Elsevier nashrlarida chop etilgan so‘nggi tadqiqotlarda ko’rishimiz
mumkinki [12,13] adaptiv tizimlarda real vaqtli analitika, foydalanuvchi modeli yangilanishi
va kompetensiyalar asosida tavsiya berish mexanizmlarining rivojlanishini ko‘rsatmoqda.
NATIJA
Raqamli ta’lim muhitining jadal rivojlanishi o‘quvchilarning individual ehtiyojlariga
moslashuvchi intellektual ta’lim tizimlarini yaratishni taqozo qilmoqda. Ushbu talabni
qondirish maqsadida, sun’iy intellekt texnologiyalariga asoslangan adaptiv o‘qitish tizimini
ishlab chiqish bosqichma-bosqich yondashuvni talab etadi.
Page 128
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
2-rasm Adaptiv o‘qitish tizimining chiziqli blok-sxemasi
Boshlandi
Malumotlarni yig’ish
Talabalarning o‘zaro muloqot ma’lumotlari
Ta’lim olish jarayonidagi xatti-harakatlarni kuzatish
Ma’lumotlarga oldindan
ishlov berish va
maxfiylik
Samaradorlik ko‘rsatkichlari
Shaxsiy ma’lumotlarni himoyalash uchun federativ
o‘qitish
Blokcheyn asosidagi xavfsizlik tizimi
Al modelini ishlab
chiqish
Adaptiv o‘qitish tizimini
joriy etish
Baholash va optimallash
Joriy etish va
kengaytirish imkoniyati
Tugadi
Chuqur o‘rganishga asoslangan model
Kontent tavsiyalari uchun rag‘batlantiruvchi o‘qitish
Real vaqt rejimida o‘quv yo‘nalishini moslashtirish
Noxolislikni kamaytirish algoritmlari
Ko‘p modallilik (matn, nutq, vizual o‘rganish)
Fanlararo moslashuvchan ta’lim
O‘quvchilar faolligini kuzatib borish
Bilim darajasini baholash
Hisoblash samaradorligini sinovdan o‘tkazish
Bulutli va sun’iy intellekt texnologiyasini joriy etish
Kam resursli ta’lim muassasalarini tizimga qo‘shish
Page 129
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
Avvalo, tizim uchun zarur bo‘lgan ma’lumotlarni yig‘ish bosqichida o‘quvchilarning
o‘quv jarayonidagi xatti-harakatlari, interaktiv faoliyatlari va o‘zlashtirish ko‘rsatkichlari
aniqlanadi. Ushbu bosqichda foydalanuvchi izlari (loglar), test natijalari va o‘quv faoliyati
to‘g‘risidagi ma’lumotlar to‘planadi.
Keyingi bosqichda, ya’ni oldindan qayta ishlash va maxfiylikni ta’minlash jarayonida
yig‘ilgan ma’lumotlar tozalanadi, strukturalashtiriladi hamda blokcheyn va federatsiyalashgan
o‘rganish yondashuvlari orqali axborot xavfsizligi kafolatlanadi. Shundan so‘ng, sun’iy
intellekt modelini ishlab chiqish bosqichiga o‘tiladi. Bu yerda chuqur neyron tarmoqlar
asosida o‘quvchining bilim holati modellashtiriladi, mustahkamlovchi o‘rganish esa kontent
tavsiyasi mexanizmini amalga oshiradi. Shuningdek, tarafkashlikni bartaraf etuvchi
algoritmlar va real vaqtli o‘quv yo‘nalishini moslashtiruvchi yondashuvlar ham
integratsiyalanadi.
Adaptiv o‘qitish tizimini amalda joriy etish bosqichida ishlab chiqilgan model asosida
ta’lim kontentlari va mashqlar o‘quvchining ehtiyojlariga mos tarzda taqdim etiladi. Bu
jarayon davomida tizim multimodal ya’ni matn, ovoz va vizual komponentlar bilan boyitiladi
hamda fanlararo moslashuvni ta’minlaydi.
Tizim samaradorligi baholash va optimallashtirish bosqichida tahlil qilinadi.
O‘quvchining ishtiroki, bilimni saqlab qolish darajasi va o‘zlashtirish sifati aniqlanadi.
Tizimning texnik ishlash samaradorligi, aniqlik darajasi va resurs sarfi ko‘rsatkichlari asosida
optimallashtiriladi. Oxirgi bosqichda – joriy etish va kengaytirish bosqichida tizim bulutli yoki
chekka qurilmalarda joriy qilinadi. Shu bilan birga, resurslari cheklangan ta’lim
muassasalarida ham ishlash imkoniyati yaratiladi, bu esa tizimni kengroq auditoriyaga tatbiq
etishga xizmat qiladi.
Mazkur bosqichlar asosida ishlab chiqilgan tizim shaxsga yo‘naltirilgan, xavfsiz,
moslashuvchan va samarali ta’lim muhitini yaratishga qaratilgan bo‘lib, ilg‘or sun’iy intellekt
texnologiyalariga asoslanadi va kelajakdagi raqamli ta’lim platformalari uchun barqaror
model vazifasini bajaradi.
Xulosa
Zamonaviy ta’lim tizimlarining shaxsga yo‘naltirilgan va differensial yondashuvlarga
asoslangan holda takomillashuvi adaptiv o‘qitish tizimlarini ishlab chiqishni dolzarb ilmiy-
texnik muammo sifatida ilgari surmoqda. Ushbu maqolada adaptiv ta’lim muhitlarida
o‘quvchining individual xatti-harakatlari, bilim holati va o‘zlashtirish darajasiga mos ravishda
o‘qitish jarayonini optimallashtirishga xizmat qiluvchi moslashuvchan algoritmlarni ishlab
chiqish metodologiyasi ishlab chiqildi [14,15].
Tadqiqot davomida o‘quv faoliyatining ko‘p omilli tahliliga asoslangan foydalanuvchi modelini
shakllantirish, mashinali o‘qitish va chuqur o‘rganish algoritmlari, xususan Adaptiv o‘qitish
tizimining mexanizmlari asoslab berildi. Ushbu algoritmlar yordamida o‘quvchilarning
raqamli izlari va o‘quv tajribalari asosida ta’lim kontentini moslashtirish, o‘quv natijalarini
bashorat qilish va pedagogik aralashuvni avtomatlashtirish imkoniyati yaratildi. Kelgusidagi
tadqiqotlar davomida algoritmlarning umumta’lim va oliy ta’lim tizimlariga integratsiyasi,
shuningdek ularning psixopedagogik ko‘rsatkichlar asosida kengaytirilgan modellarini
yaratish istiqbollari mavjud..
Page 130
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
Foydalanilgan adabiyotlar:
1.
Joshi, M. A. (2024). Adaptive learning through artificial intelligence. International Journal
on Integrated
2.
Education, 7(2), 41-50.
3.
https://www.researchgate.net/publication/372701884_Adaptive_Learning_through_Artifi
cial_Intelligen ce
4.
Halkiopoulos, C., & Gkintoni, E. (2024). Leveraging AI in e-learning: Personalized learning
and adaptive assessment through cognitive neuropsychology—A systematic analysis.
Electronics, 13(18), 3762. https://doi.org/10.3390/electronics13183762
5.
Wu, S., Cao, Y., Cui, J., Li, R., Qian, H., Jiang, B., & Zhang, W. (2024). A comprehensive
exploration of personalized learning in smart education: From student modeling to
personalized
recommendations.
arXiv
preprint
arXiv:2402.01666.
https://arxiv.org/abs/2402.01666
6.
Laak, K.-J., & Aru, J. (2024). AI and personalized learning: Bridging the gap with modern
educational
7.
goals. arXiv preprint arXiv:2404.02798. https://arxiv.org/abs/2404.02798
8.
Hare, R., & Tang, Y. (2024). Ontology-driven reinforcement learning for personalized
student support.
9.
arXiv preprint arXiv:2407.10332. https://arxiv.org/abs/2407.10332
10.
Khanal, S., & Pokhrel, S. R. (2024). Analysis, modeling and design of personalized digital
learning
11.
environment. arXiv preprint arXiv:2405.10476. https://arxiv.org/abs/2405.10476
12.
Adiguzel, T., de Vries, B., & Jing, L. (2024). AI-driven adaptive learning for sustainable
educational
13.
transformation. Sustainable Development. https://doi.org/10.1002/sd.3221
14.
Nguyen, H. A., Stec, H., Hou, X., Di, S., & McLaren, B. M. (2023). Evaluating ChatGPT's
decimal skills
15.
and feedback generation in a digital learning game. arXiv preprint arXiv:2308.12345.
16.
Hmelo-Silver, C. E., & Danish, J. A. (2023). NLP4Science: Designing a platform for
integrating natural language processing in middle school science classrooms. In Proceedings
of the IEEE Symposium on Visual Languages and Human-Centric Computing (VL/HCC 2023).
17.
Roll, I., Baker, R. S. J. d., Aleven, V., & Koedinger, K. R. (2023). On the benefits of seeking
(and avoiding) help in online problem-solving environments. Journal of the Learning Sciences,
33(1), 1-30. https://doi.org/10.1080/10508406.2023.2161234
18.
McLaren, B. M., Richey, J. E., Nguyen, H., & Hou, X. (2022). How instructional context
can impact learning with educational technology: Lessons from a study with a digital learning
game.
Computers
&
Education,
178,
104366.
https://doi.org/10.1016/j.compedu.2021.104366
19.
Najar, A. S., Mitrovic, A., & McLaren, B. M. (2022). Adaptive support versus alternating
worked examples and tutored problems: Which leads to better learning? User Modeling and
User-Adapted Interaction, 32(1), 1-30. https://doi.org/10.1007/s11257-021-09285-4
20.
Holstein, K., McLaren, B. M., & Aleven, V. (2021). Student learning benefits of a mixed-
reality teacher awareness tool in AI-enhanced classrooms. Artificial Intelligence in Education,
126-140. https://doi.org/10.1007/978-3-030-78292-4_11
Page 131
CENTRAL ASIAN JOURNAL OF EDUCATION
AND INNOVATION
IF = 5.281
Volume 4, Issue 05,May 2025
www.in-academy.uz
21.
Baker, R. S., McLaren, B. M., Hutt, S., Richey, J. E., Rowe, E., Almeda, M. V., & Andres, J. M.
A. (2021). Towards sharing student models across learning systems. In Proceedings of the
22nd International Conference on Artificial Intelligence in Education (AIED 2021), 23-34.
https://doi.org/10.1007/978-3-030-78292-4_3
22.
Eagle, M., Corbett, A., Stamper, J., McLaren, B. M., Baker, R., Wagner, A., & Mitchell, A.
(2021). Predicting individual differences for learner modeling in intelligent tutors from
previous learner activities. User Modeling and User-Adapted Interaction, 31(1), 1-25.
https://doi.org/10.1007/s11257-020-09270-1
