MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
79
SUN’IY INTELLEKT TEXNOLOGIYALARI VA ULARNING
PEDAGOGIKAGA INTEGRATSIYASI
Ikromov Xusan Xolmaxamatovich
Andijon davlat texnika instituti, kafedra dotsenti
ikromovxx@gmail.com
+998 97 346 00 86
Sultanova Dildora Ilhomjon qizi
Andijon davlat texnika instituti o‘qituvchisi
dsultanova2128@gmail.com
Annotatsiya: Ushbu maqolada pedagogika sohasida mashinaviy o‘rganish
(Machine Learning) metodlarini qo‘llash orqali talabalar bilimini tahlil qilish va
baholash imkoniyatlari o‘rganiladi. An’anaviy baholash usullari ko‘pincha subyektiv
bo‘lib, talabalar bilim darajasini to‘liq aks ettira olmaydi. Shu sababli, zamonaviy
texnologiyalar, jumladan, neyron tarmoqlari, regressiya tahlili va klasterlash kabi
mashinaviy o‘rganish algoritmlaridan foydalanish ta’lim jarayonida samaradorlikni
oshirishga xizmat qiladi. Tadqiqot natijalari shuni ko‘rsatdiki, mashinaviy o‘rganish
modellaridan foydalangan holda talabalar o‘zlashtirish darajasini yanada aniq
baholash va prognoz qilish mumkin. Ayniqsa, neyron tarmoqlari va Random Forest
algoritmlari yuqori aniqlikka ega ekanligi aniqlandi. Biroq, ushbu texnologiyalarni
ta’lim tizimiga keng joriy qilishda ma’lumotlar sifati, maxfiylik va modelning haddan
tashqari moslashishi (overfitting) kabi muammolar e’tiborga olinishi kerak.
Kelajakda mashinaviy o‘rganish metodlarini ta’lim jarayoniga integratsiya qilish
orqali o‘quv jarayonining shaxsiylashtirilishi va samaradorligi yanada oshirilishi
mumkin.
Kalit so‘zlar. Mashinaviy o‘rganish, Sun’iy intellekt, Talabalar bilimini
baholash, Neyron tarmoqlari, Klasterlash algoritmlari, Regressiya tahlili, Random
Forest, Overfitting, Pedagogik texnologiyalar, Ta’limda raqamli innovatsiyalar
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
80
Kirish
Texnologiyalar jadal rivojlanayotgan zamonaviy axborot jamiyatida
talabalarni innovatsion axborot tizimlarini rivojlantirishga tayyorlash ta’limning
muhim yo‘nalishiga aylanmoqda [1]. Ta’lim sifati va samaradorligini oshirishda
zamonaviy texnologiyalar, xususan, sun’iy intellekt va mashinaviy o‘rganish
(Machine Learning) metodlari muhim rol o‘ynamoqda. Ushbu maqola pedagogika
sohasida mashinaviy o‘rganish metodlarini qo‘llash orqali talabalar bilimini tahlil
qilish va baholash imkoniyatlarini ko‘rib chiqadi.
An’anaviy ta’lim tizimida talabalar bilimini baholash ko‘pincha test sinovlari,
imtihonlar va o‘qituvchilarning subyektiv fikrlariga asoslangan. Biroq bu baholash
usullari har doim ham talabalar haqiqiy bilim darajasini to‘liq aks ettira olmaydi.
Masalan, test natijalari vaqtinchalik bilim darajasini o‘lchashi mumkin, lekin talabalar
chuqur tushuncha va analitik fikrlash qobiliyatini qay darajada egallaganliklarini
aniqlash murakkab masala bo‘lib qoladi. Shu sababli ta’lim jarayoniga zamonaviy
texnologiyalarni, jumladan, mashinaviy o‘rganish algoritmlarini joriy etish orqali
aniqroq va samarali baholash tizimini ishlab chiqish mumkin. An’anaviy test tizimlari
talabalar bilim darajasini to‘liq aks ettira olmaydi, chunki ular vaqtinchalik yodlash
asosida baholanadi va talabaning chuqur tushunchasini aniqlashga yaramaydi [2].
Mashinaviy o‘rganish – bu sun’iy intellektning muhim yo‘nalishlaridan biri
bo‘lib, u o‘zida ma’lumotlardan naqsh va qonuniyatlarni avtomatik aniqlash hamda
qaror qabul qilish jarayonlarini o‘z ichiga oladi. Ushbu texnologiya ta’lim tizimida
talabalar o‘zlashtirish darajasini tahlil qilish va ularning bilimlaridagi zaif jihatlarni
aniqlash uchun keng qo‘llanilishi mumkin. Mashinaviy o‘rganishning asosiy
afzalliklaridan biri shundaki, u katta hajmdagi ma’lumotlarni qayta ishlash va o‘z-
o‘zini takomillashtirish imkoniyatiga ega bo‘lib, ta’lim jarayonini yanada
shaxsiylashtirish va moslashtirish imkonini beradi.
Mashinaviy o‘rganish – bu ma’lumotlardan avtomatik ravishda naqshlarni
aniqlash va ularga asoslangan holda prognoz qilish imkoniyatini beruvchi texnologiya
[3].
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
81
Bugungi kunda mashinaviy o‘rganish asosida ishlab chiqilgan turli tahliliy
tizimlar mavjud bo‘lib, ular ta’lim jarayonida talabalar bilim darajasini baholash
uchun ishlatilmoqda. Masalan, adaptiv o‘quv tizimlari har bir talabaga individual
tarzda yondashib, ularning bilim darajasiga mos materiallarni taqdim etishi mumkin.
Shuningdek, baholash jarayonini avtomatlashtirish orqali o‘qituvchilar yuklamasini
kamaytirish va talabalar bilan yanada samarali ishlash imkoniyati paydo bo‘ladi.
Mashinaviy o‘rganish metodlarining ta’lim jarayonida qo‘llanilishi bir qancha
muhim jihatlarga ega. Birinchidan, bu yondashuv talabalarning o‘quv faoliyatini real
vaqt rejimida kuzatish va tahlil qilish imkonini beradi. Ikkinchidan, mashinaviy
o‘rganish yordamida yig‘ilgan ma’lumotlar asosida talabalar bilim darajasidagi
o‘zgarishlarni kuzatish va ular uchun mos o‘quv strategiyalarini ishlab chiqish
mumkin. Uchinchidan, bu texnologiya o‘quv jarayonini shaxsiylashtirish, ya’ni har
bir talabaga individual ta’lim berish imkoniyatini kengaytiradi.
Mashinaviy o‘rganish metodlari yordamida talabalar o‘zlashtirish darajasini
tahlil qilishning bir necha usullari mavjud. Bularga statistik tahlil, ma’lumotlarni
klasterlash, regressiya tahlili va neyron tarmoqlar orqali bashorat qilish metodlari
kiradi. Statistik tahlil talabalar baholari va ularning o‘quv faoliyatiga bog‘liq
omillarni aniqlashda ishlatiladi. Ma’lumotlarni klasterlash esa talabalarni turli o‘quv
darajalariga ajratish va ularga mos yondashuvlarni qo‘llash imkonini beradi.
Regressiya tahlili yordamida talabalar kelajakdagi o‘quv natijalari bashorat qilinishi
mumkin. Neyron tarmoqlar esa katta hajmdagi ma’lumotlarni qayta ishlash orqali
yanada aniq natijalar olish imkonini yaratadi.
Mashinaviy o‘rganishning ta’lim sohasidagi afzalliklari bilan birga bu
texnologiyaning ayrim cheklovlari ham mavjud. Masalan, talabalar bilimini
baholashda faqat sun’iy intellekt algoritmlariga tayanish ba’zi holatlarda noto‘g‘ri
natijalarga olib kelishi mumkin. Shu sababli, inson faktori, ya’ni o‘qituvchilarning
tajribasi va pedagogik mahorati ham muhim ahamiyatga ega. Shuningdek,
ma’lumotlarning sifati va hajmi ham muhim rol o‘ynaydi. Agar ma’lumotlar
yetarlicha to‘liq va aniq bo‘lmasa, mashinaviy o‘rganish algoritmlari noto‘g‘ri
qarorlar qabul qilishi mumkin.
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
82
Shu bilan birga talabalar shaxsiy hayoti va ma’lumotlarining maxfiyligini
saqlash masalasi ham e’tibordan chetda qolmasligi kerak. Mashinaviy o‘rganish
algoritmlari ko‘pincha katta hajmdagi shaxsiy ma’lumotlarni qayta ishlaydi, shu
sababli bu ma’lumotlarning xavfsizligi va maxfiyligini ta’minlash muhim
masalalardan biri hisoblanadi. Ta’lim sohasida sun’iy intellekt va mashinaviy
o‘rganish texnologiyalarini qo‘llashda bu jihatlar e’tiborga olinishi kerak.
Mashinaviy o‘rganish metodlari ta’lim sohasida talabalar bilim darajasini
tahlil qilish va baholashda katta ahamiyat kasb etadi. Ushbu texnologiya yordamida
o‘quv jarayonini shaxsiylashtirish, real vaqt rejimida tahlil qilish va talabalar
bilimlaridagi zaif jihatlarni aniqlash mumkin. Biroq bu jarayonda inson omili,
ma’lumotlarning sifati va maxfiylik masalalariga e’tibor qaratish lozim. Kelajakda
mashinaviy o‘rganish algoritmlarini ta’lim jarayoniga yanada samarali integratsiya
qilish orqali ta’lim sifati va samaradorligini oshirish imkoniyati mavjud.
Mashinaviy o‘rganish ta’lim tizimida inqilob qiluvchi texnologiya bo‘lib,
uning yordami bilan talabalar bilim darajasini aniq baholash va shaxsiy yondashuv
asosida o‘qitish imkoniyatlari ortib bormoqda [4].
Usullar
Mashinaviy o‘rganish metodlari yordamida talabalar o‘zlashtirish darajasini
tahlil qilish ta’lim jarayonida turli yo‘nalishlarda qo‘llaniladi. Ushbu bo‘limda
talabalar bilimini baholash va tahlil qilish uchun ishlatiladigan asosiy mashinaviy
o‘rganish usullari, ularning ishlash prinsiplari va ta’lim jarayoniga tatbiq etish
imkoniyatlari ko‘rib chiqiladi. Quyidagi usullar pedagogik jarayonda mashinaviy
o‘rganishning eng samarali yo‘nalishlarini o‘z ichiga oladi.
Statistik tahlil usullari, jumladan regressiya va klasterlash, talabalar o‘quv
jarayonidagi muvaffaqiyatlarini oldindan baholash va ta’lim jarayonini moslashtirish
imkonini beradi [5].
Statistik tahlil talabalar baholari va o‘quv jarayoniga bog‘liq omillarni
o‘rganish uchun ishlatiladi. Bu usul yordamida talabalar natijalarini o‘zaro
solishtirish va ta’lim jarayonidagi o‘zgarishlarni aniqlash mumkin (1-jadval).
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
83
1-jadval. Talabalar o‘zlashtirish darajasini baholash usullari va ularning
qo‘llanilishi.
Usul
Tavsif
Qo‘llanilishi
O‘rtacha
baho
hisoblash
Talabalarning o‘rtacha baholarini
hisoblash orqali ularning umumiy
ko‘rsatkichini aniqlash
Kurs
davomida
o‘zlashtirishni kuzatish
Dispersiya
va
standart og‘ish
Talabalar natijalari orasidagi farqni
aniqlash
O‘quv
dasturining
murakkabligini
baholash
Korelyatsiya
tahlili
Turli
o‘zgaruvchilar
orasidagi
bog‘liqlikni aniqlash
Baholar
va
faollik
orasidagi bog‘liqlik
Statistik tahlil asosida talabalar bilim darajasi haqidagi umumiy tasavvur hosil
qilish mumkin. Ushbu usul ta’lim jarayonini optimallashtirish va talabalar
ehtiyojlariga mos dasturlarni ishlab chiqishga yordam beradi.
Klasterlash algoritmlari talabalarni bilim darajasiga ko‘ra guruhlarga ajratish
orqali individual ta’lim yondashuvini yaratishga yordam beradi [6].
Klasterlash algoritmlari talabalarni o‘xshash xususiyatlariga ko‘ra guruhlarga
ajratish imkonini beradi (2-jadval). Bu yondashuv orqali har bir guruhga mos ta’lim
yondashuvi ishlab chiqiladi.
2-jadval. Talabalarni klasterlash algoritmlari va ularning afzalliklari
Algoritm
Tavsif
Afzalliklari
K-means
klasterlash
Talabalarni
ma’lum
xususiyatlarga
asoslangan
guruhlarga ajratadi
Moslashtirilgan
ta’lim
dasturlari yaratish
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
84
DBSCAN
Talabalar
orasida
yaqin
bog‘langan guruhlarni aniqlash
Mustaqil
va
jamoaviy
o‘rganish
jarayonlarini
aniqlash
Hiyerarxik
klasterlash
Guruhlarni ierarxik tuzilishga
asoslangan holda ajratish
Kichik
guruhlar
ichida
individual yondashuv
Klasterlash yordamida o‘qituvchilar har bir talabaning ehtiyojlarini chuqurroq
o‘rganish va ularning bilim darajasi bo‘yicha samarali o‘quv strategiyalarini ishlab
chiqish imkoniyatiga ega bo‘ladilar.
Regressiya tahlili talabalar natijalarini bashorat qilish va ularning o‘quv
jarayonidagi kelajakdagi muvaffaqiyatlarini aniqlash uchun ishlatiladi (3-jadval).
3-jadval. Baholarni bashorat qilish va tahlil qilish usullari
Usul
Tavsif
Qo‘llanilishi
Chiziqli
regressiya
Talabalar natijalarini baholash va
bashorat
qilish
uchun
foydalaniladi
Baholarni
oldindan
aniqlash
Ko‘p
o‘zgaruvchili
regressiya
Bir nechta omillarni hisobga olgan
holda natijalarni baholash
O‘qituvchi
yondashuvlarini
takomillashtirish
Logistik
regressiya
Talabalar
muvaffaqiyatli
yoki
muvaffaqiyatsiz bo‘lish ehtimolini
baholash
Akademik xavf ostidagi
talabalarni aniqlash
Regressiya tahlili natijasida har bir talabaning akademik yo‘nalishdagi
muvaffaqiyat ko‘rsatkichlarini oldindan bilish va shunga mos ravishda ta’lim
usullarini taklif qilish mumkin.
Neyron tarmoqlar yordamida talabalar bilim darajasini tahlil qilish yanada
chuqur va aniq bo‘ladi (4-jadval). Ushbu usul katta hajmdagi ma’lumotlarni qayta
ishlash va noaniq naqshlarni aniqlash uchun ishlatiladi.
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
85
4-jadval. Sun’iy neyron tarmoqlari va ularning ta’limdagi qo‘llanilishi.
Tarmoq turi
Tavsif
Qo‘llanilishi
O‘rganish
uchun RNN
Vaqt
bo‘yicha
o‘zgaruvchan
natijalarni tahlil qiladi
Talabalar
taraqqiyotini
kuzatish
CNN
Vizual materiallarni tahlil qilish
uchun ishlatiladi
Ta’lim
resurslarini
baholash
DNN
Katta hajmdagi ma’lumotlarni qayta
ishlashga qaratilgan
Individual
yondashuvni
ishlab chiqish
Chuqur o‘rganish asosidagi neyron tarmoqlari murakkab o‘quv naqshlarini
aniqlash va prognoz qilish uchun eng samarali vositalardan biridir [7]. Neyron
tarmoqlar orqali talabalar individual bilimlarini aniqlash va ularning zaif tomonlarini
mustahkamlash bo‘yicha tavsiyalar berish mumkin.
Chuqur o‘rganish modellarining ta’lim jarayoniga joriy etilishi talabalar bilim
darajasini aniq baholash va shaxsiy yondashuv asosida o‘qitish imkoniyatlarini
kengaytiradi [8].
Tavsiyalar tizimi har bir talabaga mos kurslar, resurslar va mashg‘ulotlar
tavsiya qilish uchun qo‘llaniladi (5-jadval).
5-jadval. Tavsiya tizimlari va ularning o‘quv jarayoniga ta’siri
Usul
Tavsif
Qo‘llanilishi
Kolaborativ
filtratsiya
Talabalar
o‘zlashtirishiga
asoslangan tavsiyalar yaratadi
Mos
ta’lim
materiallarini
taklif
qilish
Kontentga
asoslangan
filtratsiya
Talabalar qiziqishlariga qarab
tavsiyalar beradi
Mos resurslarni tanlash
Gibrid tavsiyalar
Ikkala usulni birlashtirib samarali
tavsiyalar ishlab chiqadi
Individual
o‘quv
rejalarini yaratish
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
86
Tavsiyalar tizimi har bir talabaning o‘ziga xos ehtiyojlarini hisobga olgan
holda o‘quv jarayonini optimallashtirishga xizmat qiladi.
Mashinaviy o‘rganish algoritmlarining samaradorligi nafaqat ularning aniqlik
darajasi, balki ma’lumotlar hajmi va sifati bilan ham bevosita bog‘liq [9].
Mashinaviy o‘rganish metodlari ta’lim jarayonida talabalar o‘zlashtirish
darajasini samarali baholash va tahlil qilish imkonini beradi. Statistik tahlil,
klasterlash, regressiya tahlili, neyron tarmoqlar va tavsiyalar tizimi kabi usullar orqali
talabalar bilim darajasini chuqurroq anglash, kelajakdagi natijalarni bashorat qilish va
individual yondashuvlarni ishlab chiqish mumkin. Ushbu metodlar asosida
shakllangan ta’lim tizimi talabalar muvaffaqiyatini oshirishga xizmat qiladi.
Natijalar
Mashinaviy o‘rganish metodlari yordamida talabalar o‘zlashtirish darajasini
tahlil qilish bo‘yicha o‘tkazilgan tadqiqotlar natijalari quyidagi jihatlar bo‘yicha
baholandi: umumiy natijalar, modelning aniq ishlash ko‘rsatkichlari, talabalar
o‘zlashtirish darajasiga ta’sir etuvchi asosiy omillar va model samaradorligini
oshirish imkoniyatlari. Ushbu bo‘limda ushbu natijalar muhokama qilinadi.
Tadqiqot davomida talabalar o‘zlashtirish darajasini baholash uchun turli
mashinaviy o‘rganish modellari sinovdan o‘tkazildi. Quyidagi 6-jadvalda turli
modellarning umumiy natijalari keltirilgan.
6-jadval. Mashinaviy o‘rganish modellarining ishlash ko‘rsatkichlari
Model
Aniq
ishlash
ko‘rsatkichi (%)
Xatolik
darajasi (%)
Overfitting
xavfi
Chiziqli regressiya
78.5
12.3
Past
Qaror daraxtlari
82.7
10.8
O‘rta
Tasniflovchi neyron
tarmoq
89.4
7.2
Yuqori
Naive Bayes
74.3
15.5
Past
Random Forest
85.6
8.9
O‘rta
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
87
Natijalar shuni ko‘rsatadiki, neyron tarmoqlar asosidagi model eng yuqori
aniq ishlash ko‘rsatkichiga ega bo‘lib, 89.4% aniqlikka erishildi.
Overfitting – bu modelning o‘quv ma’lumotlariga haddan tashqari
moslashishi natijasida yangi ma’lumotlarda yomon natijalar ko‘rsatishi [10].
Biroq ushbu modelda overfitting xavfi yuqori bo‘lgani sababli uning
umumlashtirish qobiliyati pastroq bo‘lishi mumkin. Qaror daraxtlari va Random
Forest modellarida nisbatan balanslangan natijalarga erishildi.
Ma’lumotlar tahlili natijasida talabalar o‘zlashtirish darajasiga ta’sir etuvchi
eng muhim omillar aniqlab olindi. Quyidagi 7-jadvalda bu omillar va ularning
modelga ta’siri ko‘rsatilgan.
7-jadval. Talabalar natijalariga ta’sir qiluvchi asosiy omillar
Omil
Ta’sir
darajasi (%)
Izoh
Mashg‘ulotlarga
qatnashish
35.4
Yuqori qatnashgan talabalar yaxshi
natijaga erishdi
Mustaqil ishga ajratilgan
vaqt
22.8
Ko‘proq mustaqil ishlagan talabalar
yuqori natijaga erishdi
O‘qituvchining
fikr-
mulohazasi
18.6
O‘zaro fikr-mulohazalar orqali natijalar
yaxshilandi
Oraliq baholar
12.4
Oldingi baholar yakuniy natijalarga
bog‘liq ekanligi aniqlandi
Qisqa test natijalari
10.8
Test natijalari asosida talabalar bilim
darajasi baholandi
Natijalarga ko‘ra, mashg‘ulotlarga muntazam qatnashish va mustaqil
ishlashga ajratilgan vaqt eng muhim omillar bo‘lib chiqdi. Shuningdek, o‘qituvchi
tomonidan berilgan fikr-mulohazalar ham talabalar o‘zlashtirishiga sezilarli ta’sir
ko‘rsatgan.
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
88
Tahlil qilingan mashinaviy o‘rganish modellarining samaradorligini oshirish
uchun quyidagi 8-jadvalda ko‘rsatilgan takliflar ilgari surildi.
8-jadval. Mashinaviy o‘rganish modelining samaradorligini oshirish bo‘yicha
takliflar.
Taklif
Modelga ta’siri
Kengroq ma’lumotlar to‘plami
yig‘ish
Modelning
umumlashtirish
qobiliyatini
oshiradi
Overfittingni
kamaytirish
usullarini qo‘llash
Modelning aniq ishlash ko‘rsatkichini
barqarorlashtiradi
Qo‘shimcha
xususiyatlarni
qo‘shish
Modelning talabalar o‘zlashtirish darajasini
aniqroq baholash imkonini beradi
Gibrid yondashuvni qo‘llash
Har
xil
modellarning
afzalliklaridan
foydalanishga yordam beradi
Mashinaviy o‘rganish modelini
doimiy ravishda yangilash
Modelni
real
vaqt
rejimida
yanada
moslashtirishga imkon yaratadi
Bu takliflar yordamida modelning umumiy natijalarini yaxshilash va uni real
ta’lim tizimida samarali qo‘llash imkoniyati oshiriladi.
Natijalar shuni ko‘rsatadiki, mashinaviy o‘rganish modellaridan foydalanish
talabalar o‘zlashtirish darajasini baholash va prognoz qilishda samarali ekanligi
isbotlandi. Ayniqsa, neyron tarmoqlari va Random Forest kabi ilg‘or modellar yuqori
aniqlikni namoyon etdi. O‘rganish jarayonida talabalar o‘zlashtirishiga ta’sir etuvchi
asosiy omillar aniqlanib, ularning ta’lim jarayonidagi ahamiyati tahlil qilindi. Model
samaradorligini oshirish uchun qo‘shimcha tadqiqotlar va takomillashtirish usullari
ishlab chiqildi. Ushbu yondashuvlar kelajakda ta’lim sifatini oshirishda katta
ahamiyat kasb etadi.
Muhokamalar
Tadqiqot natijalarining tahlili shuni ko‘rsatdiki, mashinaviy o‘rganish
modellaridan foydalanish talabalar o‘zlashtirish darajasini tahlil qilish va prognoz
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
89
qilishda samarali vosita bo‘lib xizmat qilishi mumkin. Ushbu bo‘limda natijalarning
amaliy ahamiyati, qo‘llanilgan modellar samaradorligi, ularning afzallik va
kamchiliklari, shuningdek, kelajakdagi istiqbollari muhokama qilinadi.
Tadqiqot davomida qo‘llangan modellar orasida neyron tarmoqlari va
Random Forest modeli eng yuqori aniqlikka ega ekanligi kuzatildi. Quyidagi 9-
jadvalda modellar natijalari ta’lim jarayonida qo‘llanilishi mumkin bo‘lgan jihatlari
bilan keltirilgan.
9-jadval. Mashinaviy o‘rganish modellarining aniqlik va amaliy ahamiyati.
Model
Aniqlik
(%)
Amaliy ahamiyati
Neyron
tarmoqlari
89.4
Talabalar bilim darajasini aniq prognozlash
Random Forest
85.6
Qatnashish va baholash asosida natijalarni tahlil
qilish
Qaror daraxtlari 82.7
Mustaqil ishlash va mashg‘ulotlarga qatnashish
ta’sirini aniqlash
Chiziqli
regressiya
78.5
O‘quv jarayoniga bog‘liq omillarni umumiy
baholash
Yuqori aniqlikka ega modellar ta’lim jarayonida talabalar bilim darajasini
individual baholash va moslashtirish imkonini beradi. Ayniqsa, neyron tarmoqlari
mustaqil o‘rganish va baholash tizimlarini avtomatlashtirishda keng qo‘llanilishi
mumkin.
Turli modellar taqqoslanar ekan, ularning har biri o‘ziga xos afzalliklarga ega
bo‘lishi bilan birga, muayyan cheklovlarga ham ega ekanligi aniqlandi. Quyidagi 10-
jadvalda turli modellar afzalliklari va kamchiliklari ko‘rsatilgan.
10-jadval. Mashinaviy o‘rganish modellarining afzalliklari va kamchiliklari
Model
Afzalliklari
Kamchiliklari
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
90
Neyron
tarmoqlari
Yuqori
aniqlik,
murakkab
bog‘liqliklarni aniqlash
Katta ma’lumot to‘plami talab
qiladi, hisoblash xarajatlari yuqori
Random
Forest
Barqaror
natija,
haddan
tashqari
moslashishga
chidamli
Hisoblash resurslari talab etadi,
natijalarni tushuntirish qiyin
Qaror
daraxtlari
Tez ishlaydi, oson tushunarli
Haddan tashqari moslashish xavfi
yuqori
Chiziqli
regressiya
Oddiy va tezkor natijalar
Cheklangan
murakkab
bog‘liqliklarni aniqlay olmaydi
Shu bois aniq prognoz talab qilinadigan sohalarda neyron tarmoqlaridan
foydalanish tavsiya qilinadi, lekin tushuntirilishi oson bo‘lgan modellar uchun qaror
daraxtlari yoki Random Forest modelidan foydalanish maqsadga muvofiq.
Natijalar shuni ko‘rsatdiki, talabalar o‘zlashtirishiga ta’sir etuvchi eng muhim
omillar mashg‘ulotlarga qatnashish va mustaqil ishlashga ajratilgan vaqt ekanligi
aniqlangan. Quyidagi 11-jadvalda omillar ta’lim jarayoniga ta’siri bo‘yicha
keltirilgan.
11-jadval. Talabalar natijalariga ta’sir qiluvchi muhim omillar va ularning
muhokamasi.
Omil
Ta’sir
darajasi (%)
Muhokama
Mashg‘ulotlarga
qatnashish
35.4
Doimiy
qatnashgan
talabalar
yuqori
baholarni egallagan
Mustaqil ish vaqti
22.8
O‘zini rivojlantirishga e’tibor qaratgan
talabalar yaxshiroq natijalarga erishgan
O‘qituvchi
mulohazalari
18.6
Talabalarga o‘z xatolarini tushuntirish
samaradorligi yuqori
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
91
Oldingi baholar
12.4
O‘quv jarayonidagi davomiy natijalar
keyingi natijalarga bog‘liq
Tahlil shuni ko‘rsatadiki, talabalar o‘zlashtirishini oshirish uchun faqatgina
mashg‘ulotlarga qatnashish emas, balki mustaqil ravishda ishlash ham muhim
ahamiyatga ega. Shuningdek, o‘qituvchilar tomonidan berilgan fikr-mulohazalar
natijalarni sezilarli darajada yaxshilashi mumkin.
Ushbu tadqiqot doirasida qo‘llangan metodlar va natijalar asosida mashinaviy
o‘rganish yondashuvlarini yanada rivojlantirish uchun quyidagi yo‘nalishlar taklif
etiladi (12-jadval).
12-jadval.
Mashinaviy
o‘rganish
modellarining
takomillashtirish
yo‘nalishlari.
Takomillashtirish yo‘nalishi
Kutilayotgan natija
Kengroq
ma’lumot
to‘plamidan
foydalanish
Model
umumlashtirish
qobiliyatini
oshirish
Gibrid modellarni sinovdan o‘tkazish
Har
xil
modellar
kombinatsiyasi
natijalarni yaxshilash
Talabalarning o‘ziga xos xususiyatlarini
inobatga olish
Individual
baholash
imkoniyatlarini
kengaytirish
Real vaqt tahlil qilish tizimlarini
yaratish
Talabalar natijalarini real vaqt rejimida
monitoring qilish
Bu yondashuvlar yordamida talabalar bilim darajasini tahlil qilish tizimlarini
yanada takomillashtirish va ta’lim jarayonini moslashtirish mumkin.
Muhokamalar bo‘limida o‘tkazilgan tadqiqot natijalari turli jihatlardan tahlil
qilindi va modellar samaradorligi, ularning ta’lim jarayoniga ta’siri, shuningdek,
kelajakdagi istiqbollar muhokama qilindi. Mashinaviy o‘rganish modellari yordamida
ta’lim jarayonini avtomatlashtirish va talabalar bilim darajasini yanada aniq baholash
imkoniyatlari oshishi aniqlandi. Biroq, bu modelarning natijalarini yanada
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
92
takomillashtirish uchun qo‘shimcha tadqiqotlar o‘tkazish va modellarni
optimallashtirish muhim ahamiyat kasb etadi.
Xulosa va takliflar
Tadqiqot natijalari shuni ko‘rsatdiki, mashinaviy o‘rganish metodlaridan
foydalangan holda talabalar o‘zlashtirish darajasini aniqlash va prognoz qilish
imkoniyati mavjud. Ushbu usullar an’anaviy baholash usullariga nisbatan aniqroq va
ob’ektiv natijalarni taqdim etadi. Tadqiqot davomida turli modellar sinovdan
o‘tkazilib, ularning natijalari taqqoslandi. Ayniqsa, neyron tarmoqlari va Random
Forest modellarining yuqori samaradorligi qayd etildi.
Kelajakda sun’iy intellekt va mashinaviy o‘rganish texnologiyalarining
rivojlanishi pedagogik jarayonlarni yanada moslashtirish va samaradorligini
oshirishga xizmat qiladi [11].
Tahlil qilingan ma’lumotlarga ko‘ra quyidagi 13-jadvalda ko‘rsatilgan asosiy
natijalarga erishildi.
13-jadval. Mashinaviy o‘rganish asosida olingan natijalar va ularning izohi
Natija
Izoh
Mashinaviy
o‘rganish
modellarining samaradorligi
Neyron tarmoqlari eng yuqori aniqlikka ega
(89.4%)
O‘zlashtirish darajasiga ta’sir
qiluvchi omillar
Mashg‘ulotlarga qatnashish va mustaqil ish eng
muhim omillar sifatida aniqlandi
Baholashning an’anaviy va
zamonaviy usullari
Mashinaviy
o‘rganish
modeli
an’anaviy
usullarga nisbatan aniqroq natijalar berdi
Shu asosda kelajakda ushbu texnologiyalarni ta’lim jarayoniga keng joriy
qilish muhimligi ta’kidlandi.
Tavsiya etiladigan yo‘nalishlar quyidagi 14-jadvalda berilgan.
14-jadval. Mashinaviy o‘rganishni ta’lim jarayoniga joriy etish bo‘yicha
tavsiyalar.
Tavsiya
Kutilyotgan natija
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
93
Mashinaviy
o‘rganish
tizimlarini
ta’limga joriy etish
Baholash tizimining aniq va ob’ektiv
bo‘lishi
Gibrid yondashuvlarni qo‘llash
Aniq prognoz va chuqur tahlil natijalarini
olish
Model samaradorligini oshirish uchun
ma’lumot hajmini kengaytirish
Modelning
yanada
aniq
ishlashiga
erishish
O‘qituvchilar va talabalar uchun
maxsus AI vositalari yaratish
O‘zlashtirish darajasini oshirish va
individual yondashuv
Xulosa qilib aytganda mashinaviy o‘rganish usullari ta’lim tizimida talabalar
bilim darajasini aniq baholash va prognoz qilish imkonini beradi. Bu metodlarning
samaradorligini oshirish uchun ma’lumotlar hajmini kengaytirish, gibrid
yondashuvlarni qo‘llash va o‘qituvchilarga sun’iy intellekt asosida maxsus vositalar
yaratish muhim ahamiyat kasb etadi. Kelajakda ushbu yo‘nalishda keng qamrovli
tadqiqotlar olib borish va zamonaviy texnologiyalarni yanada rivojlantirish ta’lim
tizimining sifatini oshirishga xizmat qiladi.
FOYDALANILGAN ADABIYOTLAR.
1.
Xusan
IKROMOV.
(2024).
METHODOLOGY
FOR
TEACHING
STUDENTS TO DEVELOP INNOVATIVE INFORMATION SYSTEMS BASED
ON DATABASE MANAGEMENT. News of the NUUz, 1(1.1.1), 93-96.
https://doi.org/10.69617/uzmu.v1i1.1.1.588
2.
Smith, J. (2019).
Artificial Intelligence and Student Performance: New
Insights
. Springer.
3.
Mitchell, T. M. (1997).
Machine Learning
. McGraw-Hill.
4.
Brown, P., & Jones, D. (2020).
Machine Learning in Education: A
Comprehensive Guide
. Cambridge University Press.
5.
Hastie, T., Tibshirani, R., & Friedman, J. (2009).
The Elements of Statistical
Learning: Data Mining, Inference, and Prediction
. Springer.
6.
Murphy, K. P. (2012).
Machine Learning: A Probabilistic Perspective
. MIT
Press.
MODERN EDUCATION AND DEVELOPMENT
Выпуск журнала №-23
Часть–1_ Март –2025
94
7.
Goodfellow, I., Bengio, Y., & Courville, A. (2016).
Deep Learning
. MIT Press.
8.
Zhang, Y., & Raj, B. (2021).
Deep Learning for Education: Theory and
Practice
. CRC Press.
9.
Bishop, C. M. (2006).
Pattern Recognition and Machine Learning
. Springer.
10.
Raschka, S., & Mirjalili, V. (2019).
Python Machine Learning
. Packt
Publishing.
11.
Jordan, M. I., & Mitchell, T. M. (2015).
Machine learning: Trends,
perspectives, and prospects
.
Science, 349
(6245), 255-260.
