ТЕХНИКАЛЫК АДИСТИКТЕРДИН СТУДЕНТТЕРИН МАШИНАЛЫК ОКУТУУ ТЕХНОЛОГИЯЛАРЫН КОЛДОНУУГА ДАЯРДООНУН КОНЦЕПТУАЛДЫК МОДЕЛИ
DOI:
https://doi.org/10.52754/16948610_2026_1_10Ачкыч сөздөр:
машиналык окутуу, жасалма интеллект, техникалык адистиктер, концептуалдык модель, билим берүү технологияларыАннотация
Маанилүүлүк. Макалада техникалык адистиктердин студенттерин машиналык окутуу технологияларын кесиптик ишмердүүлүктө колдонууга даярдоонун концептуалдык модели сунушталат. Модель системалык, компетенттик жана ишмердүүлүк мамилелеринин синтезине негизделип, максаттуу, мазмундук, процессуалдык жана натыйжалуулук-баалоочу компоненттерди камтыйт. Максаттуу компонент стратегиялык багытты аныктап, мазмундук компонент төрт модулду (теориялык негиздер, маалыматтар менен иштөө, алгоритмдерди ишке ашыруу, кесиптик колдонуу) интеграциялайт. Процессуалдык компонент интерактивдүү лекцияларды, лабораториялык иштерди жана долбоордук ишмердүүлүктү айкалыштырат. Натыйжалуулук-баалоочу компонент когнитивдик, практикалык жана рефлексивдик критерийлерди камтыган көп деңгээлдүү баалоо системасын түзөт. Ош мамлекеттик университетинин информациялык системалар жана программалоо кафедрасында 710100 «Информатика жана эсептөө техникасы» адистигинин студенттери менен «Программалоо» дисциплинасынын алкагында өткөрүлгөн пилоттук эксперимент (56 студент) моделдин эффективдүүлүгүн тастыктады. Эксперименттик топтун студенттери теориялык билимдерди (82,4%), практикалык көндүмдөрдү (85,7%) жана мотивацияны (89%) олуттуу жогорулатышкан.
Библиографиялык шилтемелер
Амиров, Р.А., Билалова, У.М. (2020). Перспективы внедрения технологий искусственного интеллекта в сфере высшего образования. Управленческое консультирование, 3,80-88. https://doi.org/10.22394/1726-1139-2020-3-80-88 DOI: https://doi.org/10.22394/1726-1139-2020-3-80-88
Аркабаев, Н. (2025). Интеграция элементов соревновательных игровых программ на уроках информатики. Вестник Ошского государственного университета, 3, 114–125. https://doi.org/10.52754/16948610_2025_3_0_8 DOI: https://doi.org/10.52754/16948610_2025_3_0_8
Аркабаев, Н. К. & Мурзакматова, З. Ж. (2024). Применение искусственного интеллекта для измерению успеваемости учащихся. Вестник Иссык-Кульского университета, 56, 98-108. https://doi.org/10.69722/1694-8211-2024-56-98-108 DOI: https://doi.org/10.69722/1694-8211-2024-56-98-108
Аркабаев, Н., Назарбек кызы, Т., Орозбаева, А. (2024). Использование иллюстрированных самоучителей и их роль в современных цифровых технологиях. Вестник Ошского государственного университета, 3, 96–106. https://doi.org/10.52754/16948610_2024_3_9 DOI: https://doi.org/10.52754/16948610_2024_3_9
Асанова, Ж.С., Касумов, В.А. & Жакиш, А.Н. (2023). Перспективы внедрения технологий искусственного интеллекта для построения смарт-учебной среды в сфере высшего образования. Ученые записки, 2, 52-59. http://doi.org/10.61413/Bayu7883 DOI: https://doi.org/10.61413/BAYU7883
Власенко, А.В., Антонов, А.А. & Жук, Р.В. (2020). Обзор инструментов машинного обучения и их применения в области кибербезопасности. Известия вузов. Технические науки, 4, 144-155. http://doi.org/10.21672/2074-1707.2020.49.4.144-155 DOI: https://doi.org/10.21672/2074-1707.2020.49.4.144-155
Ручай, А.Н., Токарев, И.В. & Грибачев, А.С. (2022). Методы и системы искусственного интеллекта в кибербезопасности. Вестник УрФО, 4(46), 76-85. http://doi.org/10.14529/secur220409 DOI: https://doi.org/10.14529/secur220409
Созыкин, А.В. (2017). Обзор методов обучения глубоких нейронных сетей. Вестник ЮУрГУ, Серия: Вычислительная математика и информатика, 6(3), 28-59. http://doi.org/10.14529/cmse170303 DOI: https://doi.org/10.14529/cmse170303
Albreiki, B., Zaki, N., & Alashwal, H. (2021). A Systematic Literature Review of Student’ Performance Prediction Using Machine Learning Techniques. Education Sciences, 11(9), 552. https://doi.org/10.3390/educsci11090552 DOI: https://doi.org/10.3390/educsci11090552
Alonso-Fernández, C., Calvo-Morata, A., Freire, M., Martínez-Ortiz, I., & Fernández-Manjón, B. (2019). Applications of data science to game learning analytics data: A systematic literature review. Computers & Education, 141, 103612. https://doi.org/10.1016/j.compedu.2019.103612 DOI: https://doi.org/10.1016/j.compedu.2019.103612
Alshammary, F., & Alhalafawy, W. (2023). Digital Platforms and the Improvement of Learning Outcomes: Evidence Extracted from Meta-Analysis. Sustainability. https://doi.org/10.3390/su15021305. DOI: https://doi.org/10.3390/su15021305
Arkabaev, N., Murzakmatova, Z., Abdugulova, G., Kuduev, A. & Shakirov, K. (2025). Gamification of the Google Classroom Educational Platform as a Tool for Developing Students Teamwork Skills. Qubahan Academic Journal, 5(4), 1–34. https://doi.org/10.48161/qaj.v5n4a1784 DOI: https://doi.org/10.48161/qaj.v5n4a1784
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68–84. https://doi.org/10.1016/j.iheduc.2015.10.002 DOI: https://doi.org/10.1016/j.iheduc.2015.10.002
Hashim, A., Akeel, W., & Khalaf, A. (2020). Student performance prediction model based on supervised machine learning algorithms. IOP Conference Series: Materials Science and Engineering, 928(3), 032019. https://doi.org/10.1088/1757-899X/928/3/032019 DOI: https://doi.org/10.1088/1757-899X/928/3/032019
Shurygin, V., Berestova, A., Litvinova, T., Kolpak, E., & Nureyevà, A. (2021). Universal Models and Platforms in E-Learning. Int. J. Emerg. Technol. Learn., 16. https://doi.org/10.3991/ijet.v16i09.19697 DOI: https://doi.org/10.3991/ijet.v16i09.19697
Zhang, J., Gao, M., & Zhang, J. (2021). The learning behaviours of dropouts in MOOCs: A collective attention network perspective. Computers & Education, 167, Article 104189. https://doi.org/10.1016/j.compedu.2021.104189 DOI: https://doi.org/10.1016/j.compedu.2021.104189
Жүктөөлөр
Жарыяланды
Кандай шилтеме берүү керек
Саны (чыгарылыш)
Бөлүм
Лицензия
Copyright (c) 2026 Нуркасым Аркабаев
