Traceable generativ AI sinovi: oltita O‘zbekiston universitetida RCT (2026)

Nima sodir bo‘ldi — qisqacha ochilish Sentyabr 2026da Applied Sciences (MDPI) jurnalida chop etilgan maqola O‘zbekistonning oltita oliy taʼlim muassasasida o‘tkazilgan ko‘p markazli, nazoratli sinovning natijalarini taqdim etadi. Tadqiqot sarlavhasi “Independent Engineering Transfer After Traceable Generative‑AI‑Assisted Learning: A Six‑University Controlled Trial with Deterministic Cluster Allocation in Agricultural Engineering Education” bo‘lib, agrar va muhandislik kurslarida traceable generativ‑AI yordamida o‘qitish aralashmasi talabalar mustaqil muhandislik ko‘nikmalariga qanday taʼsir qilishini sinovdan o‘tkazdi. Ishtirok etgan muassasalar: Karshi Davlat Texnika Universiteti; Samarqand Davlat Veterinariya, Chorvachilik va Biotexnologiyalar Universiteti; Termiz Davlat Muhandislik va Agrotexnologiyalar Universiteti; Toshkent Davlat Agrar Universiteti; Andijon Qishloq Xo‘jaligi va Agrotechnologiya Instituti; va TIIAME Milliy Tadqiqot Universiteti.

Tadqiqot qanday tashkil etildi

Tadqiqot deterministik klaster taqsimoti asosida olib borildi: randomizatsiya sinf yoki guruh darajasida amalga oshirilib, klasterlash tufayli intraclass correlation (ICC) hisobiga mos keladigan namunaviy rejalashtirish bajarildi. Bu yondashuv qaysi talabalarning qaysi sharoitda taʼlim olgani guruh yo‘nalishini aniq belgilash uchun ishlatilgan. Aralashmaning markazida "traceable generativ‑AI assisted learning" tushunchasi turadi — yaʼni generativ modeldan olingan tavsiyalar, yechim bosqichlari va tushuntirishlar o‘quvchilarga berilganda bu interaksiyalar jurnal shaklida saqlanadi. Traceability maqsadi — sinov davomida AI va talabalar o‘rtasidagi hamkorlikni qayd qilib, o‘qituvchilar va tadqiqotchilarga aniq kontekst va qaror qabul qilish izini ko‘rsatish. Tizimning amaliy qismi sifatida Microsoft 365 Copilot Chat veb‑servisi ishlatilgan va maqolada uning orqa tomonida GPT‑4o (konfiguratsiyasi 2024‑yil 6‑avgustga oid) modeli ishlatilgani qayd etilgan. Darslar va yordam o‘zbek tilida yetkazilgan, bu esa texnologiyaning mahalliy til va kontekstga mosligini namoyish etdi.

Nega bu sinov O‘zbekiston uchun muhim?

• Mahalliy mualliflik va joyiy sharoit: sinov O‘zbekistondagi universitetlar va o‘qituvchilar tomonidan tashkil etilgan, demak natijalar mahalliy taʼlim tizimiga mos kelish ehtimoli yuqori.
• Multitsentrik dizayn: oltita turli o‘quv muassasasida natijalar olingani sababli metodologiyaning reproduktsiya imkoniyati va sharoitlarga bog‘liqligini baholash osonlashadi.
• Tijorat platformasining ishlatilishi: Microsoft 365 Copilot Chat kabi keng tarqalgan xizmatdan foydalanish topilmalarni amalda tez joriy etish uchun qulay qiladi, ayniqsa universitetlar allaqachon Microsoft abonentligi bilan ishlayotgan bo‘lsa.
• Traceability konsepti: interaksiyalar jurnallari akademik halollik, baholash va metodologik tekshirish uchun zarur material beradi.

Asosiy topilmalar va ularning taʼsiri

Maqolaning batafsil statistik jadval va natijalari texnik bo‘limda keltirilgan. Tarjima qilingan pedagogik xulosalar va amaliy oqibatlar quyidagilar sifatida ajralib turadi.

• O‘qitish samaradorligi: generativ AI tomonidan berilgan qadam‑bosqich tushuntirishlar va yechim namunalar talabalarga murakkab muhandislik topshiriqlarini tahlil qilish va bosqichma‑bosqich yondashish imkonini berdi. Bu talabalarning mustaqil muhandislik topshiriqlarini bajarish qobiliyatini tezlashtirishi ko‘rsatildi.
• O‘qituvchi rolining o‘zgarishi: AI qaytalanadigan tushuntirish va standart javoblarga xizmat qilishi orqali o‘qituvchilarga murakkab pedagogik vazifalar, individual maslahat va baholashga ko‘proq vaqt ajratish imkoniyati paydo bo‘ladi.
• Baholash va audit imkoniyati: traceable loglar yordamida o‘qituvchilar talabalar AI yordamidan qanday foydalanganini aniq ko‘rishi mumkin; bu akademik halollik siyosatini qayta ko‘rib chiqishni talab qiladi va baholashga yangi qoidalar kiritish imkonini beradi.
• Joriy infratuzilma bilan uyg‘unlik: agar muassasa Microsoft ekotizimidan foydalansa, amaliy joriy etish kamroq qo‘shimcha xarajat talab qiladi, lekin natijalar ishlatilgan xizmat va model konfiguratsiyasiga bog‘liq bo‘lishi mumkin.

Tadqiqotning cheklovlari va xavotirlar

• Vosita‑spesifiklik: sinov Microsoft 365 Copilot Chat va aniq GPT‑4o konfiguratsiyasiga asoslangan. Boshqa modellarda yoki yangilangan versiyalarda natijalar boshqacha bo‘lishi mumkin.
• Cheklangan taʼlim darajasi va predmet doirasi: tadqiqot faqat agrar va muhandislik oliy taʼlim kurslarida o‘tkazilgan; K–12 va ijtimoiy fanlar uchun natijalarni bevosita umumlashtirish mumkin emas.
• Uzoq muddatli kuzatuv yetishmasligi: maqola qisqa muddatli natijalarni taqdim etsa‑da, uzoq muddatli xotira, kasbiy ko‘nikma sifatida ishlatilishi va ish joyiga ko‘chishi bo‘yicha follow‑up maʼlumotlar kerak.
• Maxfiylik va maʼlumotlar boshqaruvi: traceable loglar foydali bo‘lsa ham, ularni saqlash, kirish huquqlari va saqlash muddati bo‘yicha yuridik va etik meʼyorlarni belgilash lozim.

Amaliy tavsiyalar — universitetlar va siyosatchilar uchun

• Ilk bosqichda kichik, nazoratli pilot loyihalarni tashkil qiling va maqolada keltirilgan deterministik klaster dizayni va namunaviy rejalashtirishni moslashtiring.
• Taʼlim sifati bo‘limlari va o‘qituvchilar pedagogik protokollarni ishlab chiqsin va AI yordamining baholashdagi rolini aniq belgilasin.
• IT va yuridik xizmatlar tijorat platformalar bilan shartnomalarni, maʼlumot saqlash shartlarini va xizmat versiyasi barqarorligini tekshirsin va hujjatlashtirsin.
• Vazirliklar va milliy siyosat ishlab chiqaruvchilari generativ AIni dars jarayoniga integratsiya qilish bo‘yicha ruxsat, baholash va o‘qituvchi tayyorlash yo‘riqnomalarini ishlab chiqsin.
• Tadqiqotchilar va universitetlarning ilmiy bo‘limlari ushbu metodologiyani takrorlab, qo‘shimcha kuzatuvlar orqali uzoq muddatli natijalarni va ishga muvofiqligini tekshirsin.

Xulosa — amaliy va siyosiy oqibatlar Bu RCT O‘zbekistonda generativ AI pedagogikasini baholashga oid birinchi ko‘p markazli, mahalliy mualliflikdagi empirik dalillardan biridir. U nafaqat texnologiyaning o‘quv samaradorligini namoyish etdi, balki metodologik jihatdan reproduktsiya qilinadigan platformani ham ko‘rsatdi: deterministik klaster taqsimoti, intraclass correlation hisoboti va traceable loglar keyingi tadqiqotlar uchun poydevor hisoblanadi. Universitetlar va siyosatchilar uchun asosiy xulosa shuki: generativ AIni keng joriy qilish o‘lchanadigan, nazoratli va shaffof yondashuvni talab qiladi; bunday yondashuv O‘zbekistonning milliy AI strategiyasi va oliy taʼlim infratuzilmasi bilan uyg‘unlashtirilsa, amaliy dasturlar va o‘qituvchi malakasini oshirishda samarali instrument bo‘lishi mumkin.