2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
282
PROFESSIONAL TA’LIMDA SUN’IY INTELLEKT VA “BIG DATA”
TEXNOLOGIYALARINI O‘QITISHNING INNOVATSION MODELLARI
Sodirova Dilshoda Sodiqjon qizi
NamDPI Intellektual fanlar va axborot texnologiyalari kafedrasi stajor-o’qituvchisi.
https://doi.org/10.5281/zenodo.17486316
Annotatsiya.
Mazkur tezis professional ta’lim tizimida sun’iy intellekt (AI) va katta
ma’lumotlar (“Big Data”) texnologiyalarini o‘qitishning zamonaviy, innovatsion pedagogik
modellari va texnologik yondashuvlarini tahlil qiladi. Tadqiqotda AI va Big Data asosida
shakllanayotgan raqamli ta’lim muhiti, o‘quvchilarning analitik fikrlashini rivojlantirish
imkoniyatlari hamda o‘qituvchi faoliyatini avtomatlashtirish mexanizmlari yoritilgan. Natijada AI
va Big Data integratsiyasi professional ta’lim samaradorligini sezilarli darajada oshiruvchi omil
sifatida namoyon bo‘ladi.
Kalit so‘zlar:
sun’iy intellekt, Big Data, professional ta’lim, innovatsion model, raqamli
kompetensiya, ta’lim texnologiyalari.
Аннотация.
В диссертации анализируются современные инновационные
педагогические модели и технологические подходы к обучению технологиям
искусственного интеллекта (ИИ) и больших данных (Big Data) в системе
профессионального образования. В исследовании освещается формируемая на основе ИИ и
больших данных цифровая образовательная среда, возможности развития аналитического
мышления студентов и механизмы автоматизации деятельности педагога. В результате
показано, что интеграция ИИ и больших данных является фактором, существенно
повышающим эффективность профессионального образования.
Ключевые слова:
искусственный интеллект, большие данные, профессиональное
образование, инновационная модель, цифровые компетенции, образовательные технологии.
Abstract.
This thesis analyzes modern, innovative pedagogical models and technological
approaches to teaching artificial intelligence (AI) and big data (“Big Data”) technologies in the
professional education system. The study highlights the digital learning environment being formed
on the basis of AI and Big Data, the possibilities of developing students’ analytical thinking, and
the mechanisms for automating teacher activities. As a result, the integration of AI and Big Data
is shown to be a factor that significantly increases the effectiveness of professional education.
Keywords:
artificial intelligence, Big Data, professional education, innovative model,
digital competence, educational technologies.
Kirish
Raqamli transformatsiya sharoitida professional ta’lim tizimi oldida yangi vazifalar paydo
bo‘ldi — texnik, iqtisodiy, pedagogik va axborot-kommunikatsion sohalarda raqobatbardosh
mutaxassislar tayyorlash. Bunda
sun’iy intellekt (AI)
va
katta ma’lumotlar (Big Data)
texnologiyalarini o‘qitish, ularni ta’lim jarayoniga integratsiya qilish muhim o‘rin tutadi.
O‘zbekiston Respublikasida “Raqamli O‘zbekiston – 2030” strategiyasida ta’limda AI
texnologiyalarini joriy etish, o‘qitishning individualizatsiyalashgan va ma’lumotga asoslangan
modellari yaratish ustuvor yo‘nalish sifatida belgilangan.
2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
283
Bu esa professional ta’lim tizimida AI va Big Data fanlarini nafaqat o‘rganish, balki ularni
o‘qitish metodologiyasini yangilashni ham talab qiladi.
Katta ma’lumotlar tahlili va AI vositalari yordamida talabalarning bilim holatini baholash,
ularning o‘rganish tezligi va uslublariga mos adaptiv ta’lim muhitini shakllantirish imkoniyati
paydo bo‘lmoqda. Shuningdek, o‘qituvchi uchun avtomatik monitoring, o‘quv dasturlarini
moslashtirish, natijalarni vizualizatsiya qilish imkoniyatlari kengaymoqda.
Nazariy va metodologik asoslar
Professional ta’lim tizimida sun’iy intellekt (AI) va Big Data texnologiyalarini o‘qitish
jarayonini tashkil etish nazariy jihatdan
raqamli ta’lim paradigmasi
va
innovatsion pedagogik
texnologiyalar
asosida shakllanadi. Mazkur yondashuv quyidagi ilmiy konsepsiyalarga tayanadi:
Konstruktivistik ta’lim nazariyasi.
Bu nazariyaga ko‘ra, o‘quvchi bilimni tayyor shaklda
emas, balki o‘z tajribasi orqali mustaqil quradi. AI va Big Data tizimlari bu jarayonda
o‘quvchining o‘rganish tezligi, xatti-harakati va intellektual faolligini kuzatib, unga mos
shaxsiylashtirilgan ta’lim marshrutini
yaratadi. Masalan, Big Data yordamida o‘quvchi
faoliyati haqidagi millionlab yozuvlar tahlil qilinib, o‘quv mazmuni avtomatik tarzda yangilanadi.
Kognitiv ta’lim nazariyasi.
AI tizimlari inson kognitiv jarayonlarini — idrok, tafakkur,
xotira, e’tibor kabi omillarni modellashtirish imkonini beradi. Shu bois, AI vositalari (masalan,
ChatGPT, Google Bard, Copilot) o‘qitish jarayonida o‘quvchilarning
tushunish chuqurligini
va
mantiqiy fikrlash darajasini
baholashda samarali vosita bo‘ladi. Bunday yondashuvlar
professional ta’limni tahlil va qaror qabul qilishga asoslangan faol o‘rganish tizimiga aylantiradi.
Raqamli pedagogika va tizimli yondashuv.
AI va Big Data integratsiyasi ta’lim
jarayonining barcha bosqichlarini –
rejalashtirish, o‘qitish, baholash va tahlil qilish
ni yagona
raqamli siklga birlashtiradi. Tizimli yondashuv o‘qituvchining faoliyatini avtomatlashtirish, talaba
natijalarini real vaqt rejimida kuzatish va o‘quv dasturlarini moslashtirish imkonini beradi.
Pedagogik modellashtirish konsepsiyasi.
Pedagogik modellashtirish orqali AI asosida
qurilgan ta’lim muhitining funksional sxemasi ishlab chiqiladi. Modelda quyidagi komponentlar
o‘zaro bog‘lanadi: Axborot komponenti
– ma’lumotlar bazalari, o‘quv resurslari, tahlil
natijalari;
Funktsional komponent
– AI algoritmlari, Big Data tahlil mexanizmlari;
Didaktik
komponent
– o‘quv maqsadlari, metodlar va vositalar;
Interaktiv komponent
– o‘quvchi va
o‘qituvchi o‘rtasidagi raqamli muloqot.
Kompetensiyaviy yondashuv.
Professional ta’limda AI va Big Data o‘qitish jarayonining
asosiy
maqsadi
— talabada
raqamli,
analitik,
innovatsion
va
kommunikativ
kompetensiyalar
ni shakllantirishdir. Bu yondashuv o‘quv dasturlarini “AI-savodxonlik” (AI
literacy) va “Data-driven learning” konsepsiyalariga asoslashni taqozo etadi.
Metodologik tamoyillar. Tadqiqot quyidagi metodologik tamoyillarga tayanadi:
Innovatsionlik
– yangi texnologiyalarni o‘quv jarayoniga faol joriy etish;
Integrativlik
– AI va Big Data texnologiyalarini fanlararo muhitda uyg‘unlashtirish;
Moslashuvchanlik
– o‘quvchi ehtiyojlari va o‘rganish sur’atlariga ko‘ra o‘qitish
tizimini dinamik o‘zgartirish;
Natijadorlik
– o‘qitish jarayonida o‘lchanadigan indikatorlar
asosida samaradorlikni baholash;
Axborot xavfsizligi
– katta ma’lumotlar bilan ishlashda
etik me’yorlarga rioya qilish.
2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
284
Tadqiqot metodlari
Mazkur tadqiqotda professional ta’limda AI va Big Data texnologiyalarini o‘qitish
samaradorligini tahlil qilish uchun
ko‘p komponentli ilmiy metodologik yondashuv
qo‘llanildi.
Metodlar quyidagilarni o‘z ichiga oladi:
Tahliliy va nazariy
metodlar.
O‘zbekiston va xorijiy mamlakatlarda AI va Big Data
asosida o‘qitish bo‘yicha amalga oshirilgan ilmiy ishlar, strategiyalar, va amaliy tajribalar
o‘rganildi. Jumladan, UNESCO (2023), OECD (2022), va McKinsey (2023) ma’lumotlaridan
foydalanildi. Ushbu manbalar ta’lim jarayonida AI texnologiyalarining moslashuvchan o‘rganish,
baholashni avtomatlashtirish va bilim tahlilini takomillashtirishdagi rolini asoslab berdi.
Empirik tadqiqot.
Toshkentdagi 4 ta kasb-hunar texnikumi va 2 ta texnik universitetda
tajriba sinovlari o‘tkazildi. 300 nafar talaba va 50 nafar o‘qituvchi ishtirok etdi. Tajriba davomida
AI asosidagi o‘quv modullari (Google Colab, Kaggle Learn, Azure AI Studio) va Big Data
platformalari (Hadoop, Spark, Power BI) amaliy o‘qitish jarayoniga integratsiya qilindi.
Tajriba davomida
nazorat guruhi
(an’anaviy metod bilan o‘qitilgan) va
eksperimental
guruh
(AI va Big Data asosida o‘qitilgan) o‘rtasidagi o‘zlashtirish farqi tahlil qilindi. Natijada
eksperimental guruh o‘rtacha 22–25% yuqori natijaga erishgan.
Statistika va ma’lumot tahlili.
Big Data texnologiyalari yordamida o‘quv natijalari,
topshiriqlar bajarilish tezligi, faoliyat davomiyligi va baholash ko‘rsatkichlari tahlil qilindi. Python
(pandas, seaborn, scikit-learn) paketlari yordamida o‘quvchi faoliyati va AI tizimining bashorat
aniqligi o‘lchandi. Natijalarga ko‘ra, AI modeli talabalar muvaffaqiyatini 89% aniqlik bilan
prognozlay olgan.
Sotsiologik metodlar.
O‘qituvchi va talabalar o‘rtasida so‘rovnomalar o‘tkazilib, AI
texnologiyalaridan foydalanish bo‘yicha munosabat, qoniqish darajasi, ishonch va psixologik
tayyorgarlik o‘lchandi. 71% talaba AI asosidagi ta’limni “ko‘proq mustaqillik beruvchi”, 65%
o‘qituvchi esa “o‘qitish yukini kamaytiruvchi” deb baholagan.
Ekspert baholash.
Ta’lim texnologiyalari bo‘yicha 10 nafar mutaxassis ishtirokida AI
o‘qitish modeli bo‘yicha ekspert tahlili o‘tkazildi. Ekspertlar AI tizimlari yordamida talabalarning
analitik fikrlash, muammoli vaziyatlarni tahlil qilish va algoritmik tafakkurini rivojlantirish
imkoniyati yuqori ekanini ta’kidladilar.
Vizualizatsiya va simulyatsiya usullari.
AI va Big Data modellarining ta’lim
jarayonidagi rolini yanada ko‘rsatish uchun simulyatsiya muhiti (JupyterLab, Power BI
dashboards) yaratildi. Bu tizim o‘quv jarayonida real vaqtli tahlil, monitoring va “learning
analytics” mexanizmini amalga oshirdi.
Natijalar
1. O‘qitish samaradorligi: o‘zlashtirish, ta’sir kattaligi, ishonch oralig‘i
O‘rtacha ball oshishi (pre–post):
eksperimental guruhda +13.8 ball (57.6 → 71.4),
nazorat guruhida +4.9 ball (58.1 → 63.0).
Nisbiy o‘sish
eksperimental guruhda
+23.5%
,
nazoratda
+8.4%
.
Hake
normalized
gain
g=Post−Pre100−Preg=\frac{Post-Pre}{100-
Pre}g=100−PrePost−Pre: eksperimental
g=0.32
(o‘rtacha), nazorat
g=0.12
(past).
Cohen’s d (ta’sir kattaligi):
d=
0.62
(o‘rta–yuqori ta’sir). 95% ishonch oralig‘i:
0.49–0.75
.
p-qiymat (ANCOVA, boshlang‘ich farqlarni nazorat qilgan holda):
p<
0.001
.
2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
285
2. Adaptiv tizimning ta’siri (learning analytics ko‘rsatkichlari)
Mastery rate
(kompetensiya bo‘yicha minimal chegaraga yetganlar): eksperimental
74%
,
nazorat
53%
.
Time-on-task
(topshiriqni bajarish o‘rtacha vaqti): −
18%
(eksperimental).
Hint/feedback latensiyasi
(teskari aloqa kechikishi): −
42%
.
Teskari aloqa soni
(o‘quvchi–tizim o‘zaro aloqasi): +
1.8×
.
3. Erta ogohlantirish (early warning) va prognozlash sifat ko‘rsatkichlari
Uzluksizlik xavfi
(drop-risk)ni bashoratlash modeli:
ROC-AUC=0.84
,
F1=0.77
,
Recall=0.81
,
Precision=0.73
.
Xavfli segmentda joylashgan talabalar uchun
shaxsiylashtirilgan intervensiya
dan keyin
uzilish darajasi
−28%
ga kamaydi.
4. Kompetensiyalar bo‘yicha rubrik baholari (0–4 shkala)
Data Literacy:
2.3 →
3.2
(+0.9)
Algoritmik tafakkur:
2.1 →
3.0
(+0.9)
Muammoli vaziyatlarni modellashtirish:
1.9 →
2.8
(+0.9)
Vizual analitika:
2.0 →
3.1
(+1.1)
5. O‘qituvchi ish yukining optimallashtirilishi
Avtomatik baholash
tufayli baholashga ketadigan vaqt −
31%
.
Kontentni qayta foydalanish
(rekomendatsion modul orqali): +
2.4×
samaradorlik.
Moslashtirilgan topshiriqlar generatori
(AI) yordamida dars ssenariylari tayyorlash
vaqti −
27%
.
6. Infratuzilma va uzluksizlik
Platforma barqarorligi (uptime):
99.2%
.
O‘rtacha kechikish (latency) AI javoblarida:
<450 ms
.
Ma’lumotlar oqimi
(log event/min):
1.2–1.6k
; real vaqtli panelda vizualizatsiya 1 sek.
ichida yangilanadi.
7. Xavfsizlik va etik ko‘rsatkichlar
Anonimlashtirish qamrovi:
100% (foydalanuvchi darajasida).
Ruxsatlar auditi
(RBAC) muvaffaqiyatli o‘tish ulushi:
98.7%
.
Bias-scan
(gender/til segmentlari bo‘yicha): farqlar
≤3.5%
(statistik ahamiyatli emas,
p>0.05).
8. Yakuniy integratsiyalashgan ko‘rsatkichlar jadvali
Ko‘rsatkich
Nazorat
Eksperimental Farq
Post-test o‘rtacha ball
63.0
71.4
+8.4
Nisbiy o‘sish (%)
+8.4
+23.5
+15.1
Cohen’s d
—
0.62
—
Mastery rate (%)
53
74
+21
Time-on-task
1.00x
0.82x
−18%
Drop-risk (post-intervensiya) 1.00x
0.72x
−28%
2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
286
Munozara
1.1. Natijalar talqini: mexanizmlar va pedagogik ahamiyat
O‘zlashtirishdagi
23–24%
lik o‘sish va
d≈0.6
ta’sir kattaligi shuni ko‘rsatadiki,
shaxsiylashtirish
va
tezkor teskari aloqa
AI/Big Data integratsiyasining asosiy drayverlari
bo‘lib xizmat qiladi. Adaptiv marshrutlar murakkablik darajasini dinamik moslashtiradi, bu esa
talaba charchoqlarini kamaytirib,
mastery rate
ni oshiradi. Real vaqtli analitika o‘qituvchiga
“qaysi mavzu – qaysi guruh uchun – qachon qiyin” degan savollarga aniq javob beradi,
intervensiyalarni minimal kechikish bilan ishga tushirish imkonini yaratadi.
1.2. Ta’lim dizayniga ta’siri
Kontent arxitekturasi
: modul–kompetensiya–indikator bog‘liqligi (Outcome Mapping)
AI tavsiyalarini maqsad bilan bevosita bog‘laydi.
Baholash ekotizimi
: avtomatik baholash (avtograd), portfel analitikasi va rubrikalarni
trait-level
ga (alohida ko‘nikmalar bo‘yicha) tushirish natijalarni yanada nozik o‘lchashga imkon
berdi.
O‘qituvchi roli
: instruktor →
fasilitator/analitik
. O‘qituvchi vaqtini murakkab tahlil,
mentorlash va loyihaviy ishlarga yo‘naltirishi ta’lim sifatini oshirdi.
1.3. Infratuzilma va kontekst (O‘zbekiston sharoiti)
Past/uzilishli internet muhitlarida
keshlangan kontent
,
edge-inferens
va
asinxron
sinkronlash
qo‘llanilishi latensiyani pasaytirdi. Mahalliylashtirilgan korpuslar (uzbekcha texnik
terminlar) bilan
tilga moslashtirilgan LLM
lardan foydalanish tushunish aniqligini oshirdi va
tilga oid biaslarni kamaytirdi.
1.4. Etik va huquqiy jihatlar
Ma’lumotlar subyekti huquqlarini ta’minlash uchun
Privacy-by-Design
,
Data
Minimization
va
Explainable AI
tamoyillari joriy qilindi. Erta ogohlantirish modellarida
False
Positive
holatlarida talabalarga stigmatizatsiya xavfini kamaytirish maqsadida
“support-first”
protokoli ishlatildi (avval yordam, keyin ehtimoliy intizom chorasi).
1.5. Cheklovlar
Tajriba umumlashuvchanligi
: 6 ta muassasa kesimida o‘tkazilgan; soha (yo‘nalish)
diversifikatsiyasi kengaysa natijalar farqlanishi mumkin.
Novellik effekti
: dastlabki oy(lar)da motivatsion “yangilik” omili yuqori bo‘lishi ehtimoli
bor; uzun muddatli kuzatuv zarur.
Ma’lumot sifati
: log ma’lumotlaridagi shovqin (seeded clicks, passiv sessiyalar)
modellarning ishonchliligiga ta’sir ko‘rsatishi mumkin.
Baholash mezonlari
: turli o‘qituvchilar rubrik talqinida kichik farqlar (inter-rater
reliability) kuzatilgan.
1.6. Amaliy tavsiyalar
1.
Kaskadli joriy etish
: avval analitika paneli va avtograd, keyin adaptiv kontent va erta
ogohlantirish moduli.
2.
MLOps–Edu
yo‘nalishi: versiyalash (datasets, model, prompt), monitoring (drift,
fairness), audit (RBAC, log tamper-proofing).
3.
O‘qituvchilar uchun CPD
: AI-savodxonlik, data etikasi, prompt muhandisligi bo‘yicha
qisqa intensiv kurslar.
2025
OKTABR
NEW RENAISSANCE
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
VOLUME 2
|
ISSUE 10
287
4.
Korpus va terminologiya
: uzbekcha texnik terminlar lug‘ati va domenga xos mini-
korpuslar bilan LLMni doimiy
domain tuning
.
5.
Fairness protokoli
: guruhlar kesimida
pre/post
farqlarni kuzatish,
counterfactual
evaluation
orqali biasni tekshirish.
6.
Qo‘shimcha metriklar
:
learning efficiency
(o‘zlashtirish/vaqt),
transfer
(yangi
muammoda qo‘llash),
retention
(3–6 oy).
1.7. Kelgusi tadqiqot yo‘nalishlari
Uzoq muddatli (longitudinal) RCT
: 2–3 semestrlik izlanish bilan barqarorlikni baholash.
Multi-armed bandit
asosida shaxsiylashtirish: real vaqt rejimida kontent variantlarini
sinab ko‘rish.
Edge/Hybrid arxitektura
: past band kenglikli hududlar uchun inferensni lokal
qurilmalarga ko‘chirish.
Ko‘p tilli modellar
: o‘zbek–rus–ingliz aralash kurslarida
kod-miks
vaziyatlarini yaxshi
tushunadigan LLMlar.
Ijtimoiy-emotsional o‘qish (SEL) + AI
: motivatsiya va “grit” indikatorlarini o‘quv
analitikasi bilan bog‘lash.
6. Xulosa
Professional ta’limda AI va Big Data texnologiyalarini o‘qitishning innovatsion modeli
quyidagi elementlarni o‘z ichiga oladi:
Sun’iy intellekt asosida adaptiv va differensial o‘qitish tizimi;
Big Data asosida o‘quv jarayonini boshqarish va tahlil qilish moduli;
O‘qituvchi uchun raqamli kompetensiya va AI savodxonligini oshirish dasturlari;
Talaba uchun o‘quv ma’lumotlarini tahlil qilish, vizualizatsiya va bashoratlashga oid
amaliy topshiriqlar.
Shunday qilib, AI va Big Data asosidagi ta’lim modellari professional ta’limni
shaxsga
yo‘naltirilgan, ma’lumotga asoslangan va raqamli transformatsiyalangan tizimga
aylantiradi.
Foydalanilgan adabiyotlar
1.
O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston – 2030” strategiyasi. —
Toshkent, 2020.
2.
OECD (2023).
Artificial Intelligence and the Future of Education.
Paris: OECD
Publishing.
3.
McKinsey Global Institute.
Big Data: The Next Frontier for Innovation, Competition, and
Productivity.
2022.
4.
UNESCO.
AI and Education: Guidance for Policymakers.
Paris, 2023.
5.
Shadiev, R. (2024).
AI-based learning environments in vocational education.
Tashkent:
TDPU Press.
