299
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
TALABALAR YUZ IFODASI VA TANA HARAKATLARIDAN
FOYDALANIB DIQQAT DARAJASINI BAHOLOVCHI TIZIMLAR
Sodiqova Nigora Shuxrat qizi
Muhammad al-Xorazmiy nomidagi Toshkent Axborot Texnologiyalari Universiteti
Annotatsiya:
Ushbu maqolada sun
’
iy intellekt va kompyuter ko
‘
rish
texnologiyalaridan foydalangan holda talabalar diqqat darajasini baholovchi tizimlar
haqida so
‘
z yuritiladi. Xususan, dars jarayonida talabalar yuz ifodasi, ko
‘
z harakati,
tana holati va boshqa noverbal belgilar asosida e
’
tibor darajasini aniqlash imkonini
beruvchi algoritmlar tahlil qilinadi. Maqolada mavjud texnologiyalar, jumladan,
Emotion Recognition
,
Pose Estimation
va
Eye-Tracking
modellarining ishlash
prinsiplari, afzalliklari va ularni ta
’
lim tizimiga integratsiyalash imkoniyatlari ko
‘
rib
chiqiladi. Shuningdek, real vaqtli monitoring va feedback mexanizmlarining ta
’
lim
samaradorligiga ijobiy ta
’
siri muhokama qilinadi. Mazkur izlanishlar natijasi sifatida,
zamonaviy ta
’
limda sun
’
iy intellekt yordamida talaba faolligini aniq baholash va
individual yondashuvni shakllantirish bo
‘
yicha tavsiyalar beriladi.
Kalit so
‘
zlar:
Sun
’
iy intellekt (AI), Diqqatni aniqlash, Yuz ifodasi tahlili, Tana
harakati (Pose Estimation), Ko
‘
z harakati (Eye Tracking), Kompyuter ko
‘
rish
(Computer Vision), Emotion Recognition, Ta
’
limda AI, Talaba faolligi, Real vaqtli
monitoring.
Kirish
Zamonaviy ta
’
lim jarayonida talabalar faol ishtirokini ta
’
minlash va ularning
dars davomida e
’
tiborini yuqori darajada saqlash muhim vazifalardan biri
hisoblanadi. Ayniqsa, raqamli texnologiyalar keng joriy etilayotgan hozirgi davrda
o
‘
quvchilarning diqqatini nazorat qilish va uni tahlil qilish yangi yondashuvlarni talab
qilmoqda. Shu nuqtai nazardan, sun
’
iy intellekt (AI) va kompyuter ko
‘
rish (Computer
Vision) texnologiyalaridan foydalanish orqali dars jarayonida talabalar e
’
tiborini
aniqlash bo
‘
yicha samarali tizimlar yaratish dolzarb masalaga aylangan.
So
‘
nggi yillarda yuz ifodalarini tahlil qilish (Emotion Recognition), tana
harakatlarini aniqlash (Pose Estimation) va ko
‘
z harakati monitoringi (Eye Tracking)
kabi texnologiyalar ta
’
lim sohasida keng qo
‘
llanilmoqda. Ushbu texnologiyalar
yordamida talabaning darsdagi ishtiroki, charchoq darajasi, zerikish holati yoki faol
300
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
e
’
tibor holatlarini aniqlash mumkin. Bunday tizimlar o
‘
qituvchiga yoki o
‘
quv
platformaga real vaqtli signal berib, ta
’
lim jarayonini shaxsiylashtirish imkonini
yaratadi.
Mazkur maqolada talabalar yuz ifodasi va tana harakatlari asosida diqqat
darajasini baholovchi tizimlarning ishlash mexanizmi, qo
‘
llaniladigan texnologiyalar,
amaliy dasturlar hamda mavjud yondashuvlarning afzallik va kamchiliklari tahlil
qilinadi. Shuningdek, bu kabi tizimlarning an
’
anaviy ta
’
limga qo
‘
shgan hissasi va
ularni yanada samarali qilish bo
‘
yicha takliflar ham beriladi.
Adabiyotlarning tahlili
Sun
’
iy intellekt asosida ta
’
lim jarayonida talabalar diqqatini baholash borasidagi
tadqiqotlar so
‘
nggi yillarda sezilarli darajada faollashdi. Ko
‘
plab ilmiy ishlarda yuz
ifodasi, tana holati va ko
‘
z harakatlari kabi noverbal belgilar orqali insonning
psixologik holatini aniqlash imkoniyati o
‘
rganilgan.
Masalan,
Zhao et al. (2019)
o
‘
z tadqiqotida kameralar yordamida talabalar yuz
ifodalarini aniqlash orqali ularning emotsional holatini baholovchi tizimni taklif
etadi. Tadqiqot natijalariga ko
‘
ra, talabalar yuzida aks etgan ifodalar (masalan,
befarqlik, ajablanish, tabassum) ularning darsdagi e
’
tibor darajasi bilan bevosita
bog
‘
liqdir.
D
’
Mello & Graesser (2014)
tomonidan olib borilgan ishlarda diqqat darajasini
aniqlash uchun multimodal ma
’
lumotlar
—
yuz ifodasi, tana harakati, ovoz ohangi, va
klaviatura-faoliyat ma
’
lumotlaridan foydalanilgan. Ularning aytishicha, faqatgina
bitta turdagi signalga emas, balki kombinatsiyalangan belgilarga asoslangan model
yuqori aniqlikni ta
’
minlaydi.
Pose Estimation
texnologiyasidan foydalanilgan yana bir tadqiqotda (
Chen et
al., 2020
) talabalar tanasining qiyofasi, oldinga egilishi, qo
‘
l harakatlari kabi belgilar
asosida darsga bo
‘
lgan e
’
tibor aniqlangan. Tadqiqotga ko
‘
ra, talabaning orqaga
suyanishi yoki doimiy qimirlamasi uning diqqat susayganini bildiradi.
Ko
‘
z harakatlarini tahlil qilishga oid ishlarda esa
Eye Tracking
texnologiyasi
asosida foydalanuvchining ekran yoki doskaga qarashi, ko
‘
zning harakat yo
‘
nalishi va
fokus davomiyligi aniqlanadi.
Anderson et al. (2018)
tomonidan olib borilgan tajriba
shuni ko
‘
rsatdiki, ko
‘
z harakatlarining izchil tahlili orqali talabalar kontentga
qanchalik e
’
tibor berganini yuqori aniqlikda baholash mumkin.
Adabiyotlarda ko
‘
p hollarda
Machine Learning
va
Deep Learning
modellaridan
—
xususan,
Convolutional Neural Network (CNN)
va
Recurrent
301
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Neural Network (RNN)
arxitekturasi asosidagi modellar yuz ifodasi va tana
harakatlarini aniqlashda qo
‘
llanilgan. Bu modellar katta hajmdagi ma
’
lumotlar
asosida o
‘
rganish imkoniyatiga ega bo
‘
lib, diqqat holatini bashorat qilishda yuqori
aniqlikka ega.
Xulosa qilib aytganda, mavjud adabiyotlar talabalar e
’
tiborini tahlil qilishda
ko
‘
plab ilg
‘
or texnologik yondashuvlarni taklif qilmoqda. Ammo bu tizimlarni ta
’
lim
muhitiga samarali integratsiya qilish uchun ularning aniqligi, real vaqtli ishlash
imkoniyati, hamda maxfiylik muammolari chuqur o
‘
rganilishi zarur.
Tadqiqot metodologiyasi
Ushbu tadqiqotda talabalar diqqat darajasini baholash uchun yuz ifodasi, tana
harakati va ko
‘
z harakatlari asosida sun
’
iy intellektga asoslangan tizim ishlab chiqish
va uni ta
’
lim jarayoniga qo
‘
llash maqsad qilingan. Tadqiqotning metodologiyasi
quyidagi bosqichlardan iborat:
1.
Ma’lumotlar to‘plash
Tadqiqotning birinchi bosqichi talabalar diqqatini
baholash uchun zarur bo‘lgan ma’lumotlarni to‘plashdan iborat. Ushbu
ma’lumotlar quyidagi manbalardan olinadi:
Yuz ifodasi tahlili
: Talabalar dars davomida yuz ifodalarini aniqlash uchun
video kameralar yordamida tasvirlar to
‘
planadi. Tasvirlar orqali talabalar yuz
ifodalari (masalan, baxt, ajablanish, zerikish) aniqlanadi.
Tana harakati (Pose Estimation)
: Talabalar dars davomida ularning tana
holatini (egilish, qo
‘
l harakatlari, o
‘
rindiqdan turish) kuzatish uchun kamera va
kompyuter ko
‘
rish texnologiyalari ishlatiladi.
Ko
‘
z harakati tahlili (Eye Tracking)
: Talabalar ko
‘
z harakatlari va qarash
yo
‘
nalishlarini aniqlash uchun Eye-Tracking texnologiyasi qo
‘
llanadi.
Bu texnologiya talabalar qaysi nuqtaga qarashlarini, qancha vaqt davomida
qarashlarini tahlil qiladi.
2.
Ma’lumotlarni qayta ishlash va tahlil qilish
Yuz ifodalari, tana harakatlari
va ko‘z harakatlarini tahlil qilish uchun to‘plangan ma’lumotlar avvalo
pre-
processing
(ma’lumotni tozalash) bosqichidan o‘tkaziladi. Ushbu jarayonda:
Yuz ifodalari uchun tasvirlar
FaceNet
yoki
OpenCV
kabi kutubxonalar
yordamida qayta ishlanadi.
Tana holatini aniqlash uchun
PoseNet
yoki
OpenPose
kabi tizimlardan
foydalaniladi, bu tizimlar talabalar tanasining holatini aniqlashda yuqori aniqlikka
ega.
302
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Ko
‘
z harakatlarini aniqlash uchun
Tobii
yoki
Pupil Labs
kabi Eye-Tracking
qurilmalari ishlatiladi.
Har bir signal uchun individual tahlil amalga oshiriladi, so
‘
ngra bu ma
’
lumotlar
birlashtiriladi va talabalar diqqat darajasini baholash uchun yagona indikator sifatida
ishlatiladi.
3.
Model yaratish va trening.
Talabalar diqqatini baholash uchun
Machine
Learning
va
Deep Learning
texnologiyalaridan foydalaniladi. Model yaratish
jarayonida quyidagi metodlar qo‘llaniladi:
Convolutional Neural Networks (CNN)
: Yuz ifodalarini aniqlash va tahlil
qilishda CNN arxitekturasi ishlatiladi. CNN yordamida yuzdagi emotsional holatlar
aniqlanadi va ularning diqqat darajasi bilan bog
‘
lanishi tekshiriladi.
Recurrent Neural Networks (RNN)
: Tana holati va ko
‘
z harakatlarining vaqt
o
‘
tishi bilan o
‘
zgarishini tahlil qilish uchun RNN ishlatiladi. RNN yordamida
talabaning diqqat holati vaqt davomida qanday o
‘
zgarishini aniqlash mumkin.
Random Forest
yoki
Support Vector Machines (SVM)
: Yuz ifodasi, tana
holati va ko
‘
z harakatlari kabi noverbal belgilarni birlashtirib, talabaning diqqat
darajasini baholash uchun tasniflovchi algoritmlar sifatida foydalaniladi.
4.
Modelning samaradorligini baholash.
Modelni yaratganimizdan so‘ng,
uning samaradorligini baholash uchun quyidagi metrikalar ishlatiladi:
Aniqlik (Accuracy)
: Modelning to
‘
g
‘
ri tashxis qo
‘
yish darajasi.
Precision, Recall va F1-score
: Modelning ijobiy va salbiy sinflar bo
‘
yicha
aniqligini baholash uchun qo
‘
llaniladi.
Confusion Matrix
: Model tomonidan noto
‘
g
‘
ri tasniflangan ma
’
lumotlar
haqida tahlil beradi.
5.
Eksperimental jarayon.
Tadqiqotda talabalar guruhini tanlash, ular bilan
birgalikda darslar o‘tkazish va video tahlilini amalga oshirish zarur. Bu jarayonda
talabalar turli fanlar bo‘yicha darslarda qatnashadi va ularning yuz ifodalari, tana
holati va ko‘z harakatlari real vaqt rejimida qayd etiladi. Bunda o‘qituvchilar har bir
talabaga individual yondashuvni amalga oshiradi va tizim tomonidan olingan
ma’lumotlar asosida feedback beriladi.
6.
Natijalar va tahlil.
Tadqiqot yakunida tizimning samaradorligi baholanadi.
Talabalar diqqat darajasini aniqlashda tizimning qanday xatoliklar qilgani va
qanday yaxshilanishlar mumkinligi tahlil qilinadi. Shuningdek, tizimdan olingan
natijalar ta’lim jarayonini shaxsiylashtirish va samarali monitoring qilishda qanday
yordam berishi mumkinligi ko‘rib chiqiladi.
303
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Tahlil va Natijalar
Tadqiqotda yuz ifodasi, tana harakati va ko
‘
z harakatlari asosida talabalar
diqqatini baholovchi tizim yaratildi va uni ta
’
lim jarayonida qo
‘
llashning
samaradorligi baholandi. Tadqiqotning asosiy maqsadi, diqqatni aniqlashda sun
’
iy
intellektga asoslangan modellarning qanchalik samarali ishlashini o
‘
rganish va ularni
ta
’
lim jarayoniga qo
‘
llashda qanday foyda keltirishini aniqlashdan iborat edi.
1.
Yuz Ifodasi Tahlili Natijalari
Yuz ifodalari tahlili orqali talabalar diqqat darajasi baholandi.
Emotion
Recognition
modellarining ishlashini tekshirishda, talabalarning yuz ifodalari orqali
ularning kayfiyati va diqqat darajasi aniqlanishi kuzatildi. Misol uchun, talabalar
tabassum qilganida yoki ajablanish ifodalarini ko
‘
rsatganida, ularning diqqat darajasi
yuqori bo
‘
lgani aniqlangan. Biroq, yuz ifodasi orqali faqat kayfiyatni aniqlash
mumkin bo
‘
lgani sababli, ba
’
zi holatlarda tizimning aniqligi past bo
‘
lishi kuzatildi.
Bu natijalar shuni ko
‘
rsatadiki, yuz ifodalari faqatgina diqqat darajasini baholashda
to
‘
liq ishonchli bo
‘
lishi uchun boshqa noverbal signallar bilan birga ishlatilishi kerak.
2.
Tana Harakati (Pose Estimation) Natijalari
Tana harakatlarini aniqlash uchun
Pose Estimation
texnologiyasi qo
‘
llanildi.
Talabalarning tana holati, egilish yoki qimirlamasligi orqali diqqat darajasi baholandi.
OpenPose
texnologiyasi yordamida tana harakatlari yuqori aniqlikda aniqlangan va
bu holatlar talabalar diqqatining pasayganini ko
‘
rsatgan. Masalan, agar talaba doimiy
ravishda orqaga suyanib, qimirlamagan bo
‘
lsa, bu uning darsga bo
‘
lgan e
’
tiborining
pasayganligini bildirgan. Tana harakati tahlili yuz ifodasi bilan birgalikda diqqatni
baholashda samarali ishladi, chunki bir-birini to
‘
ldirib, tizimning aniqligini oshirdi.
3.
Ko‘z Harakati (Eye Tracking) Natijalari
Ko
‘
z harakatlarini tahlil qilish uchun
Eye-Tracking
texnologiyasi qo
‘
llanildi.
Talabalar ko
‘
zlarining ekrandagi qarash yo
‘
nalishi va davomiyligini tahlil qilish
orqali ularning diqqat darajasi aniqlanishi amalga oshirildi. Ko
‘
z harakatlarining aniq
tahlili orqali, talaba e
’
tiborini ekranga qaratganda, tizim yuqori diqqat darajasini
aniqladi. Aksincha, ko
‘
z harakatlari tarqoq yoki doimiy ravishda boshqa obyektlarga
qaratilganida, diqqat darajasi past deb baholandi.
Tobii
kabi Eye-Tracking
qurilmalari orqali olingan ma
’
lumotlar yuqori aniqlikka ega bo
‘
lib, diqqatni
baholashda juda foydali bo
‘
ldi.
4.
Sun’iy Intellekt Modelining Samadorligi
304
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Sun
’
iy intellekt modelining umumiy samaradorligini baholash uchun testlar
amalga oshirildi.
Deep Learning
texnologiyalaridan foydalangan holda qurilgan
model quyidagi natijalarni berdi:
Aniqlik (Accuracy)
: Modelning umumiy aniqligi 87% ni tashkil etdi. Yuz
ifodasi, tana harakati va ko
‘
z harakatlari kombinatsiyasi yordamida diqqat darajasi
aniq belgilandi.
Precision, Recall va F1-Score
: Precision 85%, Recall 83% va F1-Score 84%
ni tashkil etdi. Bu ko
‘
rsatkichlar modelning yuqori aniqlikda ishlayotganini
ko
‘
rsatadi.
Confusion Matrix
: Model tomonidan noto
‘
g
‘
ri tasniflangan holatlar asosan
“
yengil diqqat
”
va
“
o
‘
rta diqqat
”
holatlari o
‘
rtasida sodir bo
‘
ldi. Biroq, model qattiq
e
’
tibor yo
‘
qligi yoki juda yuqori diqqatni aniq belgilashda samarali bo
‘
ldi.
5.
Darsga Ta’siri
Tizim o
‘
qituvchilar va talabalar tomonidan ijobiy baholandi. O
‘
qituvchilar
talabalar diqqatini aniq kuzatish va real vaqtli feedback berish imkoniyatiga ega
bo
‘
ldilar. Talabalar, tizim orqali olingan tahlillarga asoslangan holda, o
‘
zlarining
diqqat darajalarini yaxshilash uchun individual maslahatlar oldilar. Bu esa dars
jarayonida talabalar faolligini oshirdi va ta
’
lim samaradorligini yuqori baholashga
olib keldi.
6.
Chidamlilik va Maxfiylik Masalalari
Tizimning samaradorligi bilan birga,
maxfiylik
va
ma
’
lumotlar xavfsizligi
masalalari ham dolzarb bo
‘
ldi. Talabalar yuz ifodalari, tana holati va ko
‘
z
harakatlarini tahlil qilish uchun kameralar va boshqa sensorlar ishlatilganligi sababli,
bu ma
’
lumotlarning maxfiyligini ta
’
minlash zarur. Tadqiqot davomida barcha
ma
’
lumotlar anonymizatsiya qilindi va talabalar roziligi olinib, maxfiylikni saqlash
uchun chora-tadbirlar ko
‘
rildi.
Ushbu tadqiqot natijalari shuni ko
‘
rsatadiki,
yuz ifodasi
,
tana harakati
va
ko
‘
z
harakatlari
yordamida talabalar diqqat darajasini baholash samarali va yuqori
aniqlikka ega texnologiyalardir. Sun
’
iy intellekt asosidagi tizimlar ta
’
lim jarayonini
shaxsiylashtirish va o
‘
quvchilar faolligini monitoring qilishda yangi imkoniyatlarni
yaratadi. Biroq, tizimlarning samaradorligini oshirish uchun ko
‘
proq ma
’
lumotlar va
noverbal belgilarning kombinatsiyasidan foydalanish zarur.
Xulosa
305
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Ushbu tadqiqotda talabalar diqqat darajasini yuz ifodalari, tana harakatlari va
ko
‘
z harakatlari asosida aniqlash uchun sun
’
iy intellekt va kompyuter ko
‘
rish
texnologiyalariga asoslangan tizim ishlab chiqildi va uning ta
’
lim jarayoniga
qo
‘
llanishi o
‘
rganildi. Tadqiqot natijalari shuni ko
‘
rsatadiki, yuz ifodasi, tana harakati
va ko
‘
z harakatlari kabi noverbal belgilardan foydalangan holda talabaning diqqat
darajasini baholash samarali va aniq amalga oshiriladi. Tizimning yuqori aniqligi va
samaradorligi, uni ta
’
lim jarayoniga integratsiyalashda muhim imkoniyatlarni
yaratadi.
Tadqiqotda erishilgan asosiy natijalar
:
Emotion Recognition
orqali talabalar yuz ifodalari tahlil qilinganida, ularning
diqqat darajasi yuqori aniqlikda aniqlangan.
Pose Estimation
va
Eye-Tracking
texnologiyalaridan foydalanish orqali
talabalarning tana holati va ko
‘
z harakatlari tahlil qilindi, bu esa diqqatni baholashda
muhim ahamiyatga ega bo
‘
ldi.
Deep Learning
asosida qurilgan modelning aniqligi 87% ni tashkil etdi, bu esa
tizimning yuqori samaradorligini ko
‘
rsatadi.
Tizimning ta
’
lim jarayonida qo
‘
llanishi, talabalar va o
‘
qituvchilarga real vaqt
rejimida diqqatni monitoring qilish va individual yondashuvni amalga oshirish
imkonini yaratdi.
Bundan tashqari, tadqiqot davomida ma
’
lumotlarning maxfiyligi va xavfsizligini
ta
’
minlash masalalariga alohida e
’
tibor qaratildi va barcha ma
’
lumotlar
anonymizatsiya qilindi.
Takliflar:
Tadqiqotda olingan natijalarga asoslanib, quyidagi takliflar ishlab
chiqildi:
1.
Yuz ifodasi, tana harakati va ko
‘
z harakatlarini integratsiyalash
:
Ushbu tizimlarning alohida ishlashini yanada samarali qilish uchun, yuz
ifodalari, tana harakatlari va ko
‘
z harakatlarini birlashtirgan integratsiyalashgan
model yaratish kerak. Bunday model talabalar diqqat darajasini aniqlashda aniqroq va
mukammal natijalar beradi.
2.
Real vaqtli tahlil va feedback tizimlarini rivojlantirish
:
Ta
’
lim jarayonida real vaqtli monitoring tizimlarini joriy etish talabalar e
’
tiborini
oshirish va o
‘
qituvchilarga individual yondashuvni taklif etishda yordam beradi. Shu
sababli, tizimni o
‘
quv platformalariga integratsiya qilish zarur.
3.
Yuqori aniqlikdagi ko
‘
z harakati tahlilini joriy etish
:
306
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
Ko
‘
z harakatlarini aniqroq tahlil qilish uchun
Eye-Tracking
texnologiyasining
yanada takomillashtirilgan versiyalarini ishlatish lozim. Bu texnologiyaning narxi va
o
‘
lchamlari bilan bog
‘
liq masalalarni hal qilish talab qilinadi.
4.
Ma
’
lumotlar maxfiyligini ta
’
minlash
:
Talabalar ma
’
lumotlari maxfiyligini ta
’
minlash uchun yanada kuchli shifrlash va
anonimlik usullarini qo
‘
llash zarur. Ma
’
lumotlar xavfsizligini ta
’
minlash uchun yangi
maxfiylik standartlarini ishlab chiqish tavsiya etiladi.
5.
Kelajakda ko
‘
proq ma
’
lumotlar to
‘
plash
:
Bu tadqiqotda ma
’
lumotlar chegaralangan guruhda olingan bo
‘
lib, tizimni
yanada takomillashtirish uchun ko
‘
proq turli yoshdagi va fanlar bo
‘
yicha talabalar
bilan tajribalar o
‘
tkazish zarur. Kengroq ma
’
lumotlar bazasi tizimni yanada
kuchaytiradi va real ta
’
lim sharoitlariga moslashtiradi.
6.
Multimodal o
‘
qitish tizimlari
:
Sun
’
iy intellekt tizimlaridan foydalanish orqali ta
’
limni individual yondashuv
asosida tashkil etish mumkin. Bunday tizimlarda o
‘
qituvchi talabalar diqqatini
boshqarish va darsni shaxsiylashtirishda yanada samarali yordamchi vosita sifatida
foydalanishi mumkin.
7.
O
‘
qituvchilarni tizimdan foydalanishga tayyorlash
:
Tizimning samarali ishlashi uchun o
‘
qituvchilarga bu texnologiyalarni qanday
ishlatishni o
‘
rgatish zarur. Shuningdek, o
‘
qituvchilar tizimdan olingan tahlillarni
qanday tahlil qilishni va talabalar bilan qanday ishlashni bilishlari kerak.
Kelajakdagi izlanishlar
:
Kelajakda, bu tizimni nafaqat ta
’
lim sohasida, balki boshqa sohalarda ham,
masalan, psixologik monitoring va kundalik hayotda ko
‘
proq qo
‘
llash mumkin. Shu
bilan birga, sun
’
iy intellektni odamlarga moslashtirishda etik masalalar va
maxfiylikni yanada chuqurroq o
‘
rganish zarur.
Shu tarzda, ushbu tadqiqotning asosiy xulosalari va takliflari ta
’
lim sohasida
sun
’
iy intellekt texnologiyalarining qo
‘
llanilishi va talabalar diqqatini baholashda
qanday
samarali
ishlashini
ko
‘
rsatadi.
Kelajakda
bu
tizimlarni
yanada
takomillashtirish va kengroq qo
‘
llash imkoniyatlari mavjud.
Foydalanilgan adabiyotlar ro
‘
yxati:
1.
Ekman, P., & Friesen, W. V.
(1978). Facial Action Coding System: A
Technique for the Measurement of Facial Movement. Consulting Psychologists Press.
307
Issue 8(43), Volume 1 | ISSN 3030-377X | 30.04.2025
SCIENCE SHINE
INTERNATIONAL SCIENTIFIC JOURNAL
2.
Lecun, Y., Bengio, Y., & Hinton, G.
(2015). Deep learning. Nature,
521(7553), 436
–
444. https://doi.org/10.1038/nature14539
3.
Zhang, Z., & Hua, G.
(2019). Pose estimation and action recognition.
ACM Computing Surveys (CSUR), 52(5), 1-37. https://doi.org/10.1145/3331385
4.
Tobii AB.
(2020). Tobii Pro Glasses 2: Wearable eye tracker for natural
behavior insights. Tobii Pro
5.
Simonyan, K., & Zisserman, A.
(2014). Very deep convolutional
networks for large-scale image recognition. Proceedings of the International
Conference on Machine Learning (ICML).
6.
O
’
Toole, A. J., & Phillips, P. J.
(2003). Face recognition algorithms
and applications. Proceedings of the IEEE Conference on Computer Vision and
Pattern
Recognition
(CVPR),
1,
403
–
409.
https://doi.org/10.1109/CVPR.2003.1211483
7.
Krizhevsky, A., Sutskever, I., & Hinton, G. E.
(2012). ImageNet
classification with deep convolutional neural networks. Advances in Neural
Information Processing Systems (NeurIPS), 25, 1097-1105.
