Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
25
SUN’IY INTELLEKT TEXNOLOGIYALARINING OLIY TA’LIM BAHOLASH TIZIMIGA
INTEGRATSIYALASHUVI
Aliqulov Abbos
Toshkent davlat iqtisodiyoti universiteti
ORCID: 0009-0003-6121-1119
Annotatsiya.
Ushbu maqolada sun’iy intellekt texnologiyalarining oliy ta’limdagi baholash
tizimlariga ilmiy asosda integratsiyalashuvi tahlil qilinadi. An’anaviy baholashdagi subyektivlik,
statiklik va inson omiliga kuchli bog‘liqlik kabi cheklovlar ko‘rib chiqiladi. Sun’iy intellekt
yordamida baholashni avtomatlashtirish, shaffoflikni ta’minlash, aniqlikni oshirish va talaba
faoliyatini real vaqt rejimida tahlil qilish imkoniyatlari yoritiladi. Shuningdek, baholash tizimiga
sun’iy intellekt vositalarini joriy etish zarurati, ilg‘or xorijiy tajribalar va algoritmlar asosida
baholovchi modellar yaratish bo‘yicha tavsiyalar beriladi.
Kalit so‘zlar:
sun’iy
intellekt, baholash tizimi, oliy ta’lim, mashinali o‘rganish, o‘zlashtirish,
HEMIS, LMS, avtomatlashtirish, shaxsiylashtirish, sun’iy intellekt moduli.
ИНТЕГРАЦИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМУ ОЦЕНКИ
ВЫСШЕГО ОБРАЗОВАНИЯ
Алиқулов Аббос
Ташкентский государственный экономический университет
Аннотация.
В данной статье научно анализируется интеграция технологий
искусственного интеллекта в системы оценки в высшем образовании. Рассматриваются
проблемы традиционной оценки, такие как субъективность, статичность и
зависимость от человеческого фактора. Обоснована возможность применения
инструментов искусственного интеллекта для автоматизации оценки, повышения
прозрачности и точности, а также анализа учебной активности студентов в режиме
реального времени. Также предложены направления разработки оценочных моделей
на
основе передового зарубежного опыта.
Ключевые слова:
искусственный интеллект, система оценки, высшее образование,
машинное обучение, успеваемость, система академического управления, система
управления обучением, автоматизация, персонализация, модуль искусственного
интеллекта.
UO‘K:
316.4.063.3
VI SON - IYUN, 2025
25-32
00
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
26
INTEGRATION OF ARTIFICIAL INTELLIGENCE TECHNOLOGIES INTO THE HIGHER
EDUCATION ASSESSMENT SYSTEM
Aliqulov Abbos
Tashkent State University of Economics
Abstract.
This article presents a scientific analysis of the integration of artificial intelligence
technologies into assessment systems in higher education. It examines the challenges of traditional
assessment, such as subjectivity, rigidity, and dependence on the human factor. The potential of
artificial intelligence tools to automate assessment, increase transparency and accuracy, and
analyze student performance in real time is substantiated. The article also provides proposals for
developing assessment models based on advanced international practices.
Keywords:
artificial intelligence, assessment system, higher education, machine learning,
academic performance, academic management system, learning management system,
automation, personalization, artificial intelligence module.
Kirish.
So‘nggi yillarda O‘zbekiston oliy ta’lim tizimi izchil islohotlar bosqichiga kirib, raqamli
texnologiyalarni joriy etish, ta’lim jarayonini avtomatlashtirish va sifat monitoringini
takomillashtirishga qaratilgan yondashuvlar faol rivojlanmoqda. Ayniqsa, baholash tizimining
aniqligi, shaffofligi va ob’ektivligini oshirish masalasi dolzarb muammolardan biri bo‘lib
qolmoqda. An’anaviy baholash tizimlari, ko‘pincha, sub’ektivlik, inson omiliga haddan ziyod
bog‘liqlik va holatning statik aks etishi bilan ajralib turadi. Bu esa oliy ta’limda bilimlarni real,
dinamik baholash imkoniyatini cheklab qo‘yadi.
Shu bilan birga, oliy ta’lim muassasalarida HEMIS, LMS kabi axborot tizimlari orqali
talabalar faoliyatiga oid juda katta hajmdagi raqamli ma’lumotlar shakllanmoqda. 2023
-yil
holatiga ko‘ra, respublikadagi oliy ta’lim tashkilotlarida HEMIS tizimiga ulangan
foydalanuvchilar soni 1,2 milliondan oshgan bo‘lib, har semestrda millionlab baholash
yozuvlari yaratilmoqda. Afsuski, ushbu axborotlar bazasi chuqur tahlil qilinmaydi va talabaning
o‘zlashtirish darajasini aniqlashda sun’iy intellekt vositalaridan foydal
anish hali keng tatbiq
etilmagan.
Jahon tajribasi shuni ko‘rsatmoqdaki, sun’iy intellekt texnologiyalarini baholash tizimiga
integratsiyalash orqali talabalar o‘zlashtirish darajasini aniqlashda bashoratli modellardan
foydalanish, shaxsiylashtirilgan ta’lim strategiyalarini yaratish, hamda
xavf guruhidagi
talabalarni erta aniqlash mumkin. Sun’iy intellekt algoritmlari yordamida real vaqt rejimida
o‘zlashtirish monitoringini yuritish, baholashda insoniy xatoliklarni kamaytirish va interaktiv
tavsiyalar berish ta’lim sifati oshishiga xizmat qiladi. Maqolada oliy ta’lim baholash tizimiga
sun’iy intellekt texnologiyalarini joriy qilish zarurati ilmiy asosda yoritiladi. Mavjud baholash
tizimi muammolari, xorijiy tajribalar va sun’iy intellekt modellarining baholashdagi afzalliklari
tahlil qilinad
i. Shuningdek, maqolada baholashda qo‘llanilishi mumkin bo‘lgan ilg‘or
algoritmlar, ularning imkoniyatlari va integratsiyalashuv strategiyalari yuzasidan ilmiy
tavsiyalar keltiriladi.
Adabiyotlar sharhi.
Ta’lim tizimida raqamli texnologiyalarni joriy etish orqali ta’lim sifatini oshirish,
shaxsiylashtirilgan o‘qitish modellarini qo‘llash va baholash jarayonlarini avtomatlashtirishga
bo‘lgan ehtiyoj tobora ortib bormoqda. Xususan, ta’limda sun’iy intellekt
texnologiyalaridan
foydalanish nafaqat o‘qitish, balki baholash tizimini ham yangicha bosqichga olib chiqish
imkoniyatini yaratadi. Bu haqda so‘nggi yillarda dunyo ilm
-
fanida keng ko‘lamli tadqiqotlar olib
borilmoqda.
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
27
Generativ sun’iy intellekt texnologiyalari oliy ta’limdagi baholash jarayonlarini tubdan
o‘zgartirishga xizmat qilmoqda. Bu texnologiyalar yordamida talabalar mustaqil fikrlash,
tanqidiy tahlil qilish hamda o‘zlashtirish jarayonida shaxsiy yondashuv asosid
a faol ishtirok
etish imkoniyatiga ega bo‘ladilar. Xia
(2024) boshchiligidagi tadqiqotchilar tomonidan
o‘tkazilgan skouping tadqiqotda aynan shu jihatlar chuqur tahlil etilgan bo‘lib, sun’iy intellekt
vositalarining an’anaviy baholash usullariga nisbatan tezkorligi, aniqligi va dinamikligi bilan
ajralib turishi ta’kidlangan. O‘zbekiston kontekstida Pulatova va Ikanova
(2025) tomonidan
olib borilgan tadqiqotlarda sun’iy intellekt texnologiyalarining chet tillarini o‘qitishdagi rolini
tahlil qilish orqali sun’iy intellektning ta’lim mazmuniga va baholash usuliga ta’sir
i yoritilgan.
Ularning fikricha, bu vositalar talabalarga mustahkam individual fokusni ta’minlaydi, natijada
baholash ham obyektiv, ham motivatsion tus oladi.
Ushbu texnologiyalari nafaqat pedagogik, balki ta’lim boshqaruvida ham samarali vosita
sifatida qarala boshlandi. Xususan, Ubaydullaeva (2023)
HEMIS axborot tizimining oliy ta’lim
muassasalaridagi bilim sifatini baholashdagi funksiyalarini o‘rganib, sun’iy intellekt
modellarini ushbu tizim bilan integratsiya qilish imkoniyatlarini muhokama qilgan. Bu esa
ma’lumotlarga asoslangan qaror qabul qili
sh jarayonlarini avtomatlashtirishda muhim
ahamiyat kasb etadi. Song va hamkorlari (2024)
ta’limda sun’iy intellekt qo‘llanishining etik
muammolarini alohida yoritib o‘tganlar. Ularning tadqiqotiga ko‘ra, baholash jarayonida
foydalanilayotgan algoritmlar shaffof, hisobdor va diskriminatsiyadan xolis bo‘lishi lozim. Ular
sun’iy intellekt asosidagi baholash tizimlarida
inson
–texnologiya o‘zaro munosabatini
balanslangan tarzda yo‘lga qo‘yish zarurligini ta’kidlashadi Tozhiboev
(2024)
. o‘z tadqiqotida
O‘zbekistondagi bu texnologiya integratsiyasi holatini AQSH, Buyuk Britaniya va Janubiy
Koreya kabi rivojlangan mamlakatlar
bilan qiyosiy tahlil qilib, mahalliy tizimlarda sun’iy
intellektni samarali joriy etish uchun metodik va infratuzilmaviy yechimlar taqdim etgan. Uning
ishida sun’iy intellekt vositalarining shaxsiylashtirilgan baholashdagi imkoniyatlari va
pedagogik qaror
larga ta’siri ta’lim sifatini oshirishning asosiy omili sifatida baholanadi.
Tahlillar shuni ko‘rsatmoqdaki, bu texnologiyalardan ta’limda foydalanish
- nafaqat
dolzarb, balki global miqyosda keng tatbiq etilayotgan trend hisoblanadi. O‘zbekiston ta’lim
tizimida ushbu texnologiyalarni joriy etish va ular orqali baholash jarayonini avtomatlashtirish
ilmiy asoslangan yondashuvlar bilan birgalikda amalga oshirilishi maqsadga muvofiq.
Tadqiqot metodologiyasi.
Ushbu tadqiqotda asosiy e’tibor oliy ta’lim muassasasida to‘plangan raqamli ma’lumotlar
-
talabalarning GPA, davomat, fanlar bo‘yicha baholari va LMS faolligi kabi ko‘rsatkichlar
asosida sun’iy intellekt model yordamida akademik o‘zlashtirish darajasini ba
shorat qilish
imkoniyatlarini o‘rganishga qaratildi. Tadqiqot uchun ma’lumotlar Qarshi xalqaro
universitetining HEMIS tizimidan olingan
(50 nafar talabaga tegishli)
. Ularda GPA
ko‘rsatkichlari, har bir semestrdagi fanlar, test natijalari, davomat foizlari aks etgan.
Ma’lumotlar Python muhitida tozalandi, normallashtirildi va mashina o‘rganishi uchun tayyor
holatga keltirildi. Bundan so‘ng logistic regression va random forest algoritmlari qo‘llanildi. Har
bir algoritm uchun o‘qitish va test guruhi shakllantirildi (80/20 usuli).
Model natijalari accuracy, confusion matrix, MAE (mean absolute error) va RMSE (root
mean square error) orqali baholandi. Eng yuqori aniqlikka ega modelni tanlash orqali
talabaning kelgusi GPA darajasini oldindan bashorat qilish imkoniyati baholandi.
Tadqiqot usuli sifatida quyidagilar tanlangan:
Tahliliy-statistik usul
–
ma’lumotlar bilan ishlash, vizualizatsiya va trendlarni aniqlash;
Eksperimental modellashtirish
–
sun’iy intellekt algoritmlarini qurish va test qilish;
Qiyosiy tahlil
–
bir nechta modellar natijalarini solishtirish.
Tahlil va natijalar muhokamasi.
Tadqiqotda sun’iy intellekt asosida talabalarning akademik muvaffaqiyat darajasini
bashorat qilish uchun oliy ta’lim muassasasining raqamli axborot tizimlarida saqlanayotgan
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
28
ma’lumotlardan foydalanildi. Ushbu ma’lumotlar asosan HEMIS va LMS (Learning Management
System
–
Moodle) tizimlari orqali shakllanadi.
1-jadval
Talabalarning davomat, test natijasi, LMS faolligi va GPA ko‘rsatkichlari asosida
tuzilgan model uchun eksperimental ma’lumotlar
Manba:
muallif tomonidan tuzilgan.
Tahlil uchun 50 nafar talabaning quyidagi to‘rt turdagi ko‘rsatkichlar asosida demo
ma’lumotlar bazasi yaratildi:
Davomat foizi
(%)
- har bir talabaning semestr mobaynidagi darslarda ishtirok etish
ko‘rsatkichi (60% –
100% oralig‘ida, o‘rtacha 85%);
Test natijalari
(ball)
-
fanlar bo‘yicha yakunlovchi testlardan olingan ballar (50 –
100
oralig‘ida, o‘rtacha 75%);
LMS faolligi
(%)
- har bir talabaning Moodle tizimidagi dars materiallariga kirishi va
faolligi (30%
–
100%, o‘rtacha 70%);
GPA
(Grade Point Average)
-
har bir talabaning umumiy akademik o‘zlashtirish
ko‘rsatkichi (1.5 –
4.0 shkalada).
2-jadvaldagi
matritsa talabalarning akademik faoliyati (GPA) va u bilan bog‘liq omillar –
davomat, test natijalari, LMS tizimidagi faollik o‘rtasidagi o‘zaro bog‘liqlikni ko‘rsatadi. Test
natijalari va LMS faolligi GPAga nisbatan eng kuchli ta’sir etuvchi omillar sifa
tida ajralib turibdi
(mos ravishda 0.69 va 0.63 korrelyatsiya koeffitsientlari bilan).
Ma’lumotlar tayyorlanganidan so‘ng, talabalarning kelgusidagi akademik o‘zlashtirish
darajasini (GPA) bashorat qilish uchun mashinali o‘rganish algoritmlari qo‘llanildi. Bunda
model asosida davomat, test natijalari va LMS tizimidagi faollik kabi omillarning talaba
muvaffaqiyatiga ta’sirini aniqlash va ular orqali prognostik model tuzish maqsad qilindi.
Tanlangan algoritmlar:
Linear Regression -
GPA ko‘rsatkichini kontinuum shkalada prognozlash uchun ishlatildi.
Bu model ta’limiy omillar bilan GPA o‘rtasidagi chiqiqli bog‘liqlikni aniqlash imkonini beradi.
𝑦̂ = 𝛽
0
+ 𝛽
1
𝑥
1
+ 𝛽
2
𝑥
2
+ 𝛽
3
𝑥
3
+. . . +𝛽
𝑛
𝑥
𝑛
+ 𝜀
№
Davomat (%) Test natijasi (ball) LMS faolligi (%) GPA
№
Davomat (%) Test natijasi (ball) LMS faolligi (%) GPA
1
90
78,9
48,8
3
26
86,1
84,9
100
3,6
2
83,6
70,4
63,7
2,9
27
73,5
76
55,1
2,8
3
91,5
66,9
64,9
3
28
88,8
71,4
61,5
3
4
100
82,3
58
3,3
29
79
76,1
71,5
3
5
82,7
87,4
67,6
3,2
30
82,1
51,1
62,4
2,7
6
82,7
86,2
76,1
3,3
31
79
72,4
46,7
2,7
7
100
64,9
98,3
3,6
32
100
79,3
71
3,4
8
92,7
71,3
72,6
3,2
33
84,9
92,7
54,1
3,1
9
80,3
79
73,9
3,1
34
74,4
68,8
77,1
2,9
10
90,4
86,7
68,9
3,3
35
93,2
65,3
56,2
2,9
11
80,4
69,2
41,2
2,6
36
72,8
69
93,2
3,1
12
80,3
72,8
69,6
3
37
87,1
86
58,3
3,1
13
87,4
61,7
70,9
3
38
65,4
78,9
65,2
2,8
14
65,9
60,6
100
3
39
71,7
68,6
82,2
3
15
67,8
84,8
67,1
2,9
40
87
81,2
51,5
3
16
79,4
91,3
74,5
3,3
41
92,4
76,2
73,4
3,3
17
74,9
74,1
69,5
2,9
42
86,7
86,6
89,6
3,5
18
88,1
87
52,5
3,1
43
83,8
66,6
45,9
2,7
19
75,9
79,3
87,1
3,2
44
82
71,1
72,8
3
20
70,9
67,3
81,3
2,9
45
70,2
70,3
73,9
2,9
21
99,7
79,3
81,9
3,5
46
77,8
57,4
81,7
2,9
22
82,7
93,5
56,4
3,1
47
80,4
78,6
51,4
2,8
23
85,7
74,6
91
3,4
48
95,6
78,1
50,2
3,1
24
70,8
93,8
49
2,8
49
88,4
75,1
77,8
3,2
25
79,6
50
78,8
2,8
50
67,4
72,2
74,5
2,8
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
29
Random Forest Regressor - bir nechta qaror daraxtlari asosida ishlovchi, chiziqsiz
munosabatlarni ham inobatga oladigan intellektual ansambl modeli sifatida tanlandi.
𝑦̂
𝑅𝐹
=
1
𝑇
∑ ℎ
𝑡
(𝑥)
𝑇
𝑡=1
Ma’lumotlar 80/20 usulida bo‘linib, 80% ko‘rsatkichlar trening (o‘qitish), 20% esa test
sinovlari uchun ajratildi. Mashinali o‘rganish modellari Python muhitida Scikit
-learn
kitobxonasi yordamida amalga oshirildi.
Trening jarayonida har bir model o‘z ma’lumotlari
asosida o‘qitildi (fit), test guruhidagi ma’lumotlar bilan bashorat qilindi (predict) va keyingi
qadamda ular o‘lchov mezonlari asosida baholandi.
Random Forest modeli, ayniqsa, GPAga
ta’sir etuvchi bir nechta parametrlar o‘rtasidagi murakkab va noliney bog‘liqliklarni ham o‘z
ichiga olgan holda tahlil qilish imkonini berdi. Shu bois, ushbu model talabalarni individual
tahlil qilish va shaxsiylashtirilgan bashorat berishda qo‘llash uchun qo‘shimcha afzallikka ega
deb hisoblanadi.
2-jadval
T
alabalarning ko‘rsatkichlari o‘
rtasidagi korrelyatsion matritsa
Manba:
muallif tomonidan tuzilgan.
Mashinali o‘rganish asosida qurilgan modellarning samaradorligi qator baholash
mezonlari orqali aniqlandi. Ularning ishlash sifatini qiyosiy tahlil qilish maqsadida quyidagi
metrikalar hisoblab chiqildi:
MAE
(Mean Absolute Error)
–
bashorat va haqiqiy natijalar orasidagi o‘rtacha mutlaq
xatolik,
RMSE
(Root Mean Squared Error)
–
kvadrat xatolarning ildiziy o‘rtacha qiymati, xatolik
darajasini kuchaytirib ko‘rsatadi,
R² Score
(Determination coefficient)
–
modelning qanchalik darajada haqiqiy
ma’lumotlarni tushuntira olishi, 0 va 1 orasidagi ko‘rsatkich.
Test to‘plamida modellar quyidagi natijalarni namoyon etdi:
3-jadval
Linear Regression va Random Forest modellarining qiyosiy metrikalari
№
Model
MAE
RMSE
R
2
Score
1
Linear Regression
0.32
0.43
0.64
2
Random Forest
0.29
0.38
0.74
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
30
1-rasm. Talabalarning haqiqiy GPA qiymatlari va Random Forest modeli
tomonidan bashorat qilingan GPA ko‘rsatkichlari taqqoslovi
Grafikdan ko‘rinishicha, Random Forest modeli tomonidan bashorat qilingan GPA
qiymatlari aksariyat holatlarda haqiqiy natijalarga yaqin mos kelgan. Ayrim talabalarda 0.1
–
0.2
darajadagi farqlar kuzatilgan bo‘lsa
-da, umumiy tendensiyada model yuqori ishonchlilikni
namoyon etgan.
Random Forest modeli akademik o‘zlashtirish darajasini bashorat qilishda Linear
Regressionga nisbatan yuqori aniqlikka ega bo‘lib, talabalarning ta’limiy faoliyatiga ta’sir
etuvchi ko‘plab omillar orasidagi noan’anaviy bog‘liqliklarni ham hisobga oladi. R²
= 0.74
natijasi modelning GPA variatsiyasini 74% holatda tushuntira olishini ko‘rsatadi, bu esa uni
amaliy tahlil uchun samarali vosita sifatida tavsiya etishga asos bo‘ladi.
2-rasm. Random Forest modelida omillar muhimligi
Grafikdan ko‘rinib turibdiki, talabaning test natijalari Random Forest modelida GPAni
bashorat qilishda eng kuchli omil sifatida ajralib turadi.
Keyingi o‘rinda LMS tizimidagi faollik
va undan so‘ng davomat foizi keladi. Bu natijalar o‘quv jarayonidagi baholovchi indikatorlar
o‘rtasidagi ta’sir kuchlarini baholashga yordam beradi va shaxsiylashtirilgan yondashuvlar
uchun asos yaratadi.
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
31
3-rasm. Modellarning ishlash metrikalari: MAE, RMSE, R²
Grafikda Random Forest va Linear Regression modellarining asosiy baholash
ko‘rsatkichlari bo‘yicha taqqoslanishi ko‘rsatilgan. Barcha metrikalarda Random Forest
modelining ustunligi yaqqol ko‘zga tashlanadi. Ayniqsa, prognoz aniqligi va moslik darajasi (R²
)
nuqtayi nazaridan u yanada ishonchli natijalarni namoyon qilgan.
4-jadval
Test natijasi, LMS faolligi va GPA o‘rtasidagi bog‘liqlik
Manba:
muallif tomonidan tuzilgan.
Ushbu korrelyatsion issiqlik xaritasi orqali test natijalari, LMS tizimidagi faollik va GPA
o‘rtasidagi o‘zaro bog‘liqlik vizual ko‘rinishda tahlil qilinmoqda. Ayniqsa, LMS faolligi va GPA
o‘rtasidagi musbat korrelyatsiya (0.51) akademik muvaffaqiyatga LMS
tizimi orqali erishish
ehtimolini ko‘rsatadi. Test natijalari esa bu yerda nisbatan pastroq bog‘liqlikka ega ko‘ringan
bo‘lsa
-da, individual omil sifatida modeldagi rolini saqlab qoladi.
Xulosa va takliflar
Oliy ta’lim tizimida ta’lim jarayonining sifatini aniqlash, baholash va targ‘ibot qilishda
sun’iy intellekt texnologiyalaridan foydalanish orqali yangi imkoniyatlar ochilayotgani ushbu
tadqiqot orqali yana bir bor o‘z tasdig‘ini topdi. Sun’iy intellekt alg
oritmlari, ayniqsa Random
Forest modeli, talabalarning akademik faoliyatiga oid ko‘plab ko‘rsatkichlar
- davomat, test
natijalari, LMS faolligi - asosida kelgusidagi GPA darajasini samarali bashorat qilish imkonini
berdi.
Iqtisodiy taraqqiyot va tahlil, 2025-yil, iyun
www.sci-p.uz
32
Ushbu tadqiqot doirasida 50 nafar talabaga oid ma’lumotlar tahlil qilinib, modelning
RMSE, MAE va R² kabi baholash mezonlari asosida yuqori samaradorlik namoyon etgani
aniqlandi. Random Forest modeli orasidagi noliney munosabatlarni hisobga olish xususiyati
bilan ajralib turib, GPA variatsiyasining 74% qismini tushuntira oldi. Bu esa sun’iy intellekt
texnologiyalarini baholash tizimiga integratsiya qilish orqali ta’limning faqat natijalarini emas,
balki jarayonning o‘zini ham dinamik boshqarish imkoniyatini
yaratishini ko‘rsatadi va
quyidagilar tavsiya qilinadi:
-
baholash tizimiga sun’iy intellekt modellarini joriy etish OTMlarda shaffoflik va
samaradorlikni oshiradi; HEMIS va LMS ma’lumotlari asosida real
-time monitoring tizimini
ishlab chiqish tavsiya etiladi.
- risk-
guruhidagi talabalarni erta aniqlash va individual tavsiyalar berish orqali ta’lim
jarayonining sifatini oshirish mumkin.
-
sun’iy intellekt modellarini pedagogik jarayonga muvozanatli integratsiya qilish lozim:
avtomatlashtirilgan baholash inson tomonidan ko‘rib chiqish imkoniyati bilan uyg‘unlashishi
kerak.
-
modelning aniqligini oshirish uchun kengroq ma’lumotlar bazasi va turli algoritmlar
asosida taqqослама tadqiqotlar o‘tkazilishi maqsadga muvofiq.
Adabiyotlar/Литература/References:
Aliqulov, A. B. (2024). Masofaviy taʼlim jarayonini samarali tashkil etishda sunʼiy intellekt
texnologiyalarining oʻrni. European Journal of Life Safety and Stability, 35, 145–
academy.uz/index.php/EJLFAS/article/view/24966
Khlaif, Z. N., et al. (2025). Redesigning assessments for AI-enhanced learning: A framework
for educators in the generative AI era. Education Sciences, 15(2), 174.
https://doi.org/10.3390/educsci15020174
Ogunleye, B., et al. (2024). Higher education assessment practice in the era of generative AI
tools. arXiv preprint arXiv:2404.01036. https://arxiv.org/abs/2404.01036
Perkins, M., et al. (2023). The AI Assessment Scale (AIAS): A framework for ethical
integration of generative AI in educational assessment. arXiv preprint arXiv:2312.07086.
https://arxiv.org/abs/2312.07086
Pulatova Z.A., Ikanova L. (2025). Assessment for learning with artificial intelligence. Journal
of New Century Innovations, 73(2), 330
–
335.
Qi Xia, et al. (2024). A scoping review on how generative artificial intelligence transforms
assessment in higher education. International Journal of Educational Technology in Higher
Education, 21(40). https://educationaltechnologyjournal. springeropen.com/articles/10.1186
/s41239-024-00468-z
Robert, J., Pelletier, K., McCormack, M., Reeves, J., Wellington Baker, K., & Strain, M. (2025).
Higher
education
generative
AI
readiness
assessment.
EDUCAUSE.
https://library.educause.edu/resources/2024/4/higher-education-generative-ai-readiness-
assessment
Song D., et al. (2024). The Rise of Artificial Intelligence in Educational Measurement:
Opportunities
and
Ethical
Challenges.
arXiv
preprint
arXiv:2406.18900.
https://arxiv.org/abs/2406.18900
Tozhiboev I.T. (2024). The Role of Artificial Intelligence in Higher Education Management
(Comparative Analysis). SSRN. https://ssrn.com/abstract=4973755
Ubaydullaeva V.S. (2023). The role of HEMIS in the management of the educational system
of higher education institutions. Journal of Pedagogical Innovations and Practices, 2(1), 45
–
52.
https://zienjournals.com/index.php/jpip/article/download/3882/3218/3802
