B2G Cloud Intelligence, ali təhsildə Business-to-Government (B2G) informasiya sistemləri, inteqrasiya olunmuş məlumat təhlili, siyasət boşluqlarının müəyyənləşdirilməsi və sübuta əsaslanan tövsiyələrin hazırlanması proseslərini təcrübəyə əsaslanan şəkildə öyrətmək üçün hazırlanmış süni intellekt dəstəkli, bulud əsaslı simulyasiya və qərar dəstəyi platformasıdır. Subagyo və həmkarları platformanı İndoneziyadakı Universitas Negeri Malang-da İdarəetmə İnformasiya Sistemləri dərsini alan tələbələrlə dörd həftəlik, bir qruplu pre-test–post-test pilot dizaynında qiymətləndirmişlər. Başlanğıcda 72 tələbə iştirak etmiş, natamam məlumatlar səbəbindən 68 tələbənin nəticələri təhlil edilmişdir. Ümumi öyrənmə balı 60,3-dən 81,7-yə yüksəlmiş, orta fərq 21,4 bal, orta normallaşdırılmış qazanc 0,54 və ümumi Cohen's dz effekt ölçüsü 2,49 kimi bildirilmişdir. Lakin nəzarət qrupu olmadığından bu artım yalnız platformadan istifadənin səbəb olduğu səbəb-nəticə təsiri kimi şərh edilə bilməz.
Platforma altı əsas funksiyanı vahid B2G öyrənmə axınında birləşdirir: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis və Policy Map. Tələbələr əvvəlcə ssenarinin göstəricilərini və məlumat mənbələrini araşdırır, sonra siyasət problemlərini şərh edir, AI dəstəkli alternativləri qiymətləndirir, mövcud və hədəf vəziyyətlər arasındakı boşluqları müəyyənləşdirir və sonda sübuta əsaslanan Policy Map yaradırlar.
Technology Acceptance Model əsaslı istifadəolunma sorğusunda ümumi orta göstərici 4,22/5 olmuşdur. Qavranılan faydalılıq 4,31, istifadə rahatlığı 4,08, öyrənmədə iştirak 4,27 və qərar dəstəyinin keyfiyyəti 4,22-dir. Qrup səviyyəsində Gap Analysis Report, Policy Map və Project Reflection qiymətləndirilməsinin ümumi balı 86,1/100-dür.
Tədqiqat platformanın ali təhsildə əsas rəqəmsal idarəetmə, məlumat inteqrasiyası, siyasət təhlili və sübuta əsaslanan tövsiyə hazırlama səriştələri ilə əlaqəli müsbət pre/post dəyişikliklər göstərə bildiyinə dair pilot sübut təqdim edir. Bununla belə, əmək bazarına hazırlıq, peşəkar performans, dövlət sektorunun səmərəliliyi və ya makroiqtisadi nəticələr birbaşa ölçülməmişdir.
Tədqiqatın əsas problemi
Dövlət sektoru ilə bizneslər arasındakı rəqəmsal qarşılıqlı əlaqələr yalnız proqram interfeysindən istifadəni deyil; müxtəlif məlumat mənbələrinin birləşdirilməsini, qurumlar və maraqlı tərəflər arasındakı əlaqələrin başa düşülməsini, siyasət boşluqlarının müəyyənləşdirilməsini və sübuta əsaslanan qərarların formalaşdırılmasını tələb edir. Mənbənin çıxış nöqtəsi ondan ibarətdir ki, ənənəvi İdarəetmə İnformasiya Sistemləri tədrisi bu mürəkkəb əlaqələri çox vaxt ayrı-ayrı texnoloji xüsusiyyətlər və ya yazılı hallar kimi təqdim edir və tələbələrin inteqrasiya olunmuş qərarvermə prosesini təcrübədən keçirmək imkanları məhdud qala bilər.
B2G kontekstində menecer yalnız sistemin texniki olaraq necə işlədiyini deyil, məlumatın hansı qurumdan gəldiyini, hansı siyasət problemini təmsil etdiyini, hansı aktorlara təsir etdiyini və təhlil nəticəsinin necə tövsiyəyə çevriləcəyini də başa düşməlidir. Buna görə tədqiqat bulud əsaslı simulyasiyanı insan kapitalının və əsas rəqəmsal idarəetmə səriştələrinin inkişafı üçün vasitə kimi mövqeləndirir.
B2G Cloud Intelligence nədir?
B2G Cloud Intelligence tələbələri B2G informasiya sistemi kontekstində məlumatların kəşfi, inteqrasiyası, siyasətin şərhi, AI dəstəkli alternativlərin hazırlanması, boşluq təhlili və Policy Map hazırlanması mərhələlərindən keçirən; son qərarın tələbə və müəllimdə qaldığı bulud əsaslı tədris və qərar dəstəyi simulyasiyasıdır.
Business-to-Government konteksti
Business-to-Government (B2G), bizneslərlə dövlət qurumları arasında informasiya, xidmət, tənzimləmə, məlumat və qərar proseslərini əhatə edən qarşılıqlı əlaqə kontekstidir. Mənbədə istifadə edilən tədris ssenarilərində dövlət xidməti ehtiyacları, biznes məlumatları, siyasət göstəriciləri, istifadəçi ehtiyacları və maraqlı tərəflərin rolları birlikdə nəzərdən keçirilir.
Tələbələr sistem analitiki və qərarverici roluna yerləşdirilərək yalnız düzgün texniki xüsusiyyəti seçmək əvəzinə aşağıdakı zənciri anlamağa çalışırlar:
problem konteksti → məlumat → maraqlı tərəf → siyasət boşluğu → alternativ izah → tövsiyə.
Konseptual öyrənmə çərçivəsi
Mənbənin Şəkil 1-ində B2G Cloud Intelligence-ın konseptual quruluşu dörd əsas mərhələdə təqdim olunur.
- Girişlər: idarəetmə ixtisası tələbələri, Management Information Systems dərsi, B2G ssenarisi və dövlət/biznes məlumatları.
- B2G Cloud Intelligence platforması: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis və Policy Map.
- Təcrübəyə əsaslanan öyrənmə prosesi: kəşf, problem təhlili, komanda müzakirəsi, qərarvermə və refleksiya.
- Öyrənmə nəticələri: B2G informasiya sistemlərini anlama, məlumat təhlili, siyasət tövsiyəsi hazırlama, əməkdaşlığa əsaslanan problem həlli və layihə refleksiyası.
Bu quruluş platformanı yalnız məzmun təqdim edən öyrənmə idarəetmə sistemindən fərqləndirir. Tələbənin vəzifəsi verilmiş materialı oxumaqdan daha çox, ssenari daxilində məlumat və qərar zəncirini qurmaqdır.
Altı əsas modul
| Modul | Elmi/tədris funksiyası |
|---|---|
| Helicopter View | B2G ssenarisindəki göstəriciləri və problem kontekstini makro səviyyədə görməyə imkan verir. |
| Data Integration | Müxtəlif məlumat mənbələri və göstəricilər arasındakı əlaqələrin araşdırılmasını dəstəkləyir. |
| Policy Insight | Siyasət problemlərinin və əlaqəli göstəricilərin sistemli şəkildə şərh edilməsini dəstəkləyir. |
| AI Consultant | Alternativ izahlar, analitik ipucları və ilkin tövsiyə variantları təqdim edən istiqamətləndirilmiş qərar dəstəyi komponentidir. |
| Gap Analysis | Mövcud şərtlərlə gözlənilən/hədəf şərtlər arasındakı fərqlərin müəyyənləşdirilməsinə kömək edir. |
| Policy Map | Məlumatı, aktoru, problemi, boşluğu və tövsiyələri strukturlaşdırılmış, sübuta əsaslanan qərar çıxışına çevirir. |
AI Consultant tələbələrin əvəzinə qərar verirmi?
Xeyr. Mənbədə AI Consultant avtonom qərarverici kimi deyil, problemin izahını və alternativ tövsiyələrin hazırlanmasını dəstəkləyən scaffolding vasitəsi kimi təqdim edilir; tələbələr AI çıxışını Data Integration, Policy Insight və Gap Analysis nəticələri ilə yoxlamalı, müəllimlər isə tövsiyələrin məntiqini və ardıcıllığını nəzarətdə saxlamalıdırlar.
İnsan nəzarəti niyə mərkəzidir?
Tədqiqat AI çıxışlarının birbaşa yekun cavab kimi istifadə edilməsinə imkan verən dizayn təqdim etmir. Tələbələr AI Consultant-dan gələn tövsiyələri mövcud göstəricilər və ssenari konteksti ilə müqayisə etmişlər. Müəllimlər qrup müzakirələri və təqdimatlar zamanı tövsiyələrin uyğunluğunu, məntiqini və ardıcıllığını qiymətləndirmişlər.
Bu dizaynın məqsədi tələbənin AI-dan alınan tövsiyəni passiv şəkildə köçürməsi əvəzinə, tövsiyənin məlumat və siyasət əsasını sorğulamasıdır. Mənbə AI-nın töhfəsini xüsusilə kəşfin sürətləndirilməsi və koqnitiv scaffolding kontekstində müzakirə edir.
Bununla belə, mənbə AI Consultant-un altında işləyən konkret AI modeli və ya böyük dil modeli, versiya, təminatçı, API, prompt şablonu və ya inference konfiqurasiyası kimi texniki detalları bildirmir. Buna görə AI komponentinin proqram təminatı səviyyəsində eynilə yenidən qurulması üçün tələb olunan bütün texniki məlumatlar məqalədə mövcud deyil.
Sistem arxitekturası
Mənbənin Şəkil 2-si platformanı laylı arxitektura kimi göstərir:
| Lay | Mənbədə göstərilən funksiyalar |
|---|---|
| User Layer | Tələbələr, müəllimlər və administratorlar |
| Interface Layer | Dashboard, Helicopter View, Policy Map Interface, Gap Analysis Interface |
| Core Service Layer | Simulation Engine, AI Consultant, Policy Insight Engine, Learning Activity Manager |
| Data Layer | B2G ssenari məlumat dəstləri, istifadəçi fəaliyyət qeydləri, siyasət göstəriciləri və tələbə çıxışları |
| Evaluation Layer | Pre-test/post-test, TAM/istifadəolunma, rubrik balvermə və öyrənmə analitikası |
| Learning Outcomes | B2G sistem anlayışı, məlumat təhlili, siyasət tövsiyəsi və layihə refleksiyası |
Şəkil platformanın yalnız məlumat təqdim edən bir ekran deyil, istifadəçi qarşılıqlı əlaqəsini, təhlil xidmətlərini, məlumat layını və qiymətləndirmə proseslərini bir-birinə bağlayan öyrənmə sistemi kimi dizayn edildiyini göstərir.
Tədqiqat sualları
Mənbə iki əsas tədqiqat sualı irəli sürür. Birinci sual B2G Cloud Intelligence-ın süni intellekt dəstəkli, bulud əsaslı simulyasiya kimi rəqəmsal iqtisadi idarəetmə qabiliyyətini dəstəkləyəcək şəkildə necə dizayn və tətbiq edildiyidir. İkinci sual isə platformadan istifadədən sonra tələbələrin rəqəmsal bacarıq, məlumat inteqrasiyası, siyasət təhlili və sübuta əsaslanan qərarvermə göstəricilərində nə dərəcədə dəyişiklik görüldüyüdür.
Bu sualların ikinci hissəsi “platforma tələbələrin peşəkar performansını artırırmı?” sualı ilə eyni deyil. Tədqiqat real dövlət qulluqçuları və ya əmək bazarındakı peşəkarlar üzərində aparılmayıb.
Tədqiqatın Metodu və Nəticələri
Tədqiqat dizaynı
Tədqiqat qiymətləndirici bir qruplu pre-test–post-test pilot dizaynından istifadə etmişdir. Eyni tələbələrin simulyasiyadan əvvəl və sonrakı balları müqayisə edilmişdir. Nəzarət qrupu olmadığından müşahidə olunan dəyişikliklər zaman baxımından platforma ilə əlaqəlidir; yalnız platformanın səbəb olduğu təsir kimi müəyyən edilə bilməz.
İştirakçılar
| Element | Dəyər |
|---|---|
| Başlanğıc iştirakçıları | 72 tələbə |
| Təhlilə daxil edilən etibarlı məlumat | 68 tələbə |
| Çıxarılan | 4 tələbə; post-test və ya sorğu tamamlanmadı |
| Sinif sayı | 4 |
| Tədqiqat qrupu | 12 qrup |
| Qrup ölçüsü | 5–6 tələbə |
| Daha əvvəl B2G-ni xüsusi olaraq öyrənməyən | 49 tələbə |
| Əsas B2G biliyinə malik olan | 19 tələbə |
Dörd həftəlik prosedur
| Həftə | Əsas fəaliyyət |
|---|---|
| 1 | Platforma oriyentasiyası, B2G ssenarisinin izahı, qrup yaradılması və pre-test |
| 2 | Helicopter View və Data Integration ilə göstərici və məlumat əlaqələrinin araşdırılması |
| 3 | Policy Insight, AI Consultant və Gap Analysis ilə problemin şərhi və alternativ həllərin hazırlanması |
| 4 | Policy Map və Gap Analysis Report, qrup təqdimatı, post-test və TAM/istifadəolunma sorğusu |
Tədqiqat dörd həftə ərzində həftədə iki sessiya formasında aparılmışdır.
Pre-test və post-test hansı səriştələri ölçdü?
Beş göstəricidən istifadə edilmişdir:
- B2G informasiya sistemi axınını anlama,
- bulud əsaslı sistem arxitekturasını anlama,
- məlumat inteqrasiyasının təhlili,
- siyasət təhlili,
- sistem dizaynı və qərarvermə.
Mənbə maddələrin məzmun etibarlılığının idarəetmə informasiya sistemləri, rəqəmsal idarəetmə və təhsil qiymətləndirilməsi üzrə ekspertlər tərəfindən nəzərdən keçirildiyini bildirir. Lakin ekspertlərin sayı, maddələrin sayı və ayrıca kəmiyyət məzmun etibarlılığı əmsalı bildirilmir.
Normallaşdırılmış qazanc
Mənbə öyrənmə dəyişikliklərini xam bal fərqi ilə yanaşı normallaşdırılmış qazancla da ifadə edir:
\[ g = \frac{\text{post-test puanı}-\text{pre-test puanı}} {\text{maksimum puan}-\text{pre-test puanı}} \]
Mənbə təsnifatında \(g<0{,}30\) aşağı, \(0{,}30\leq g\leq0{,}70\) orta və \(g>0{,}70\) yüksək qazancdır. Tədqiqatın ümumi ortalaması \(g=0{,}54\) olduğundan mənbə bunu orta səviyyəli normallaşdırılmış qazanc kimi təsnif edir.
Pre-test və post-test ortalamaları
| Səriştə | Pre-test | Post-test | Artım |
|---|---|---|---|
| B2G informasiya sistemi axınını anlama | 60,8 | 82,1 | +21,3 |
| Bulud əsaslı sistem arxitekturası | 57,6 | 78,4 | +20,8 |
| Məlumat inteqrasiyasının təhlili | 59,2 | 80,7 | +21,5 |
| Siyasət təhlili | 62,1 | 84,3 | +22,2 |
| Sistem dizaynı və qərarvermə | 61,7 | 83,0 | +21,3 |
| Ümumi orta | 60,3 | 81,7 | +21,4 |
Ən böyük xam artım siyasət təhlili göstəricisində müşahidə edilmişdir: 62,1-dən 84,3-ə, yəni 22,2 bal.
Statistik müqayisə
| Göstərici | Orta fərq | Normallaşdırılmış qazanc | Test | p | Cohen's dz | %95 GA |
|---|---|---|---|---|---|---|
| B2G informasiya sistemi axını | 21,3 | 0,54 | t(67)=15,14 | <0,001 | 1,84 | [18,49; 24,11] |
| Bulud sistem arxitekturası | 20,8 | 0,49 | t(67)=13,83 | <0,001 | 1,68 | [17,80; 23,80] |
| Məlumat inteqrasiyasının təhlili | 21,5 | 0,53 | t(67)=15,03 | <0,001 | 1,82 | [18,64; 24,36] |
| Siyasət təhlili | 22,2 | 0,59 | t(67)=16,35 | <0,001 | 1,98 | [19,49; 24,91] |
| Sistem dizaynı və qərarvermə | 21,3 | 0,56 | t(67)=14,52 | <0,001 | 1,76 | [18,37; 24,23] |
| Ümumi bal | 21,4 | 0,54 | t(67)=20,52 | <0,001 | 2,49 | [19,32; 23,48] |
21,4 ballıq artım platformanın səbəb-nəticə təsirini sübut edirmi?
Xeyr. Pre-test ilə post-test arasındakı 21,4 ballıq fərq statistik olaraq aydın olsa da, nəzarət qrupu olmadığından normal dərs irəliləyişi, təkrar test təsiri, müəllim rəhbərliyi, qrup müzakirəsi və zamanla mövzuya tanışlıq kimi alternativ izahlar istisna edilə bilməz.
TAM əsaslı istifadəçi qəbulu
| Ölçü | Orta | SS | Mənbə Cədvəl 3 etiketi |
|---|---|---|---|
| Qavranılan faydalılıq | 4,31 | 0,52 | Excellent |
| Qavranılan istifadə rahatlığı | 4,08 | 0,61 | Good |
| Öyrənmədə iştirak | 4,27 | 0,55 | Excellent |
| Qərar dəstəyinin keyfiyyəti | 4,22 | 0,58 | Excellent |
| Ümumi orta | 4,22 | 0,57 | Excellent |
Mənbədaxili kateqoriya qeydi: metod bölməsi 1–5 Likert şkalasında 3,41–4,20 aralığını “good”, 4,21–5,00 aralığını “very good” kimi müəyyənləşdirir. Buna baxmayaraq, mənbənin Cədvəl 3-də 4,21-dən yuxarı dəyərlər “Excellent” kimi etiketlənmişdir. Verianla ədədi nəticələri olduğu kimi qoruyur və iki fərqli şifahi kateqoriya sistemini səssizcə birləşdirmir.
Mənbə TAM şkalası üçün Cronbach's alpha ilə daxili ardıcıllıq təhlilinin aparıldığını bildirir; lakin nəticələr bölməsində ədədi Cronbach alfa əmsalı təqdim edilmir. Buna görə şkalanın daxili ardıcıllığı ilə bağlı yeni dəyər yaradıla bilməz.
Layihə çıxışlarının qrup səviyyəsində qiymətləndirilməsi
| Qiymətləndirmə ölçüsü | Orta bal | Mənbə şərhi |
|---|---|---|
| Problemin müəyyənləşdirilməsi | 12,6/15 | Good |
| B2G proses xəritələşdirilməsi | 13,0/15 | Good |
| Məlumat kəşfi və inteqrasiyası | 13,0/15 | Good |
| AI Consultant və Policy Insight istifadəsi | 13,2/15 | Good |
| Gap Analysis keyfiyyəti | 12,8/15 | Good |
| Policy Map və tövsiyə | 13,4/15 | Excellent |
| Refleksiya və komanda işi | 8,1/10 | Good |
| Cəmi | 86,1/100 | Good |
Bu ballar 68 tələbənin fərdi rubrik ballarının ortalaması deyil. Policy Map, Gap Analysis Report və Project Reflection 12 işçi qrup tərəfindən birgə hazırlandığından nəticələr qrup səviyyəli analitik çıxış keyfiyyəti kimi şərh edilməlidir.
Platformadan istifadə qeydləri niyə nəticə modelinə daxil edilmədi?
Helicopter View, Data Integration, AI Consultant, Policy Insight, Gap Analysis və Policy Map qarşılıqlı əlaqə qeydləri dəstəkləyici məlumat kimi saxlanılmışdır; lakin mənbə bu logları tamamlanmış kəmiyyət məlumat dəsti kimi təhlil etməmişdir. Buna görə “AI Consultant-dan daha tez-tez istifadə edən tələbələr daha çox inkişaf etdi” və ya müəyyən modulun bal artımını izah etdiyi kimi əlaqə nəticələri bu tədqiqatdan çıxarıla bilməz.
Tədqiqatın dəstəklədiyi nəticələr
- Dörd həftəlik tətbiqdən sonra eyni tələbələrin bütün beş əsas səriştə sahəsində orta balları yüksəlmişdir.
- Ümumi pre/post fərqi 21,4 baldır və cütləşdirilmiş müqayisədə p<0,001 kimi bildirilmişdir.
- Ümumi Cohen's dz effekt ölçüsü mənbədə 2,49 kimi verilmişdir.
- Orta normallaşdırılmış qazanc 0,54 olmaqla mənbənin orta qazanc kateqoriyasındadır.
- Tələbələr platformanın faydalılıq, iştirak və qərar dəstəyi ölçülərini yüksək qiymətləndirmişlər.
- 12 tələbə qrupu orta hesabla 86,1/100 səviyyəsində Gap Analysis Report, Policy Map və Project Reflection çıxışları hazırlamışdır.
- AI Consultant yekun qərarverici deyil, insan yoxlamasına bağlı dəstək aləti kimi tətbiq edilmişdir.
Tədqiqatın dəstəkləmədiyi nəticələr
- B2G Cloud Intelligence-ın bal artımının yeganə səbəbi olduğunu sübut etmir.
- Nəzarət qrupu olmadan platformanın ənənəvi tədrisdən daha yaxşı olduğunu göstərmir.
- Tələbələrin real dövlət qurumlarında daha yaxşı performans göstərəcəyini sübut etmir.
- Əmək bazarına hazırlıqda və ya iş tapmaq ehtimalında artımı ölçmür.
- Dövlət sektoru səmərəliliyini, institusional performansı və ya makroiqtisadi nəticələri ölçmür.
- Bir universitetdəki nəticələrin digər ölkələr, universitetlər və ya peşəkar qruplar üçün eyni olacağını göstərmir.
- AI Consultant-un öyrənmə qazancına təkbaşına verdiyi müstəqil töhfəni ayırmır.
Əsas məhdudiyyətlər
- Nəzarət qrupu yoxdur. Bir qruplu dizayn səbəb-nəticə əlaqəsi qura bilməz.
- Ölçülən struktur əsas səviyyədədir. Maraqlı tərəflərlə danışıqlar, siyasi həyata keçirilmə qabiliyyəti, real siyasət icra potensialı və dövlət sektoru performansı ölçülməmişdir.
- Bir universitet və bir dərs kontekstidir. Ümumiləşdirilə bilmə məhduddur.
- İştirakçılar tələbələrdir. Dövlət qulluqçuları və ya əmək bazarı peşəkarları deyillər.
- Platforma logları inferensial təhlilə daxil edilməyib. Moduldan istifadə tezliyi ilə öyrənmə nəticəsi arasındakı əlaqə məlum deyil.
- AI texniki detalları natamamdır. AI Consultant-un model təminatçısı, model versiyası və texniki inference konfiqurasiyası mənbədə verilməyib.
- Şkalanın etibarlılıq əmsalı çatışmır. Cronbach alfa metod kimi qeyd olunsa da, ədədi nəticə bildirilmir.
Gələcək tədqiqatlar
Mənbə daha güclü sübut üçün nəzarət qruplu, gözləmə siyahılı, uyğunlaşdırılmış müqayisəli və ya yarı-eksperimental dizaynlar təklif edir. Həmçinin müxtəlif universitetlərdə, dövlət işçiləri, yerli idarəetmə personalı və MSME siyasət fasilitatorları kimi daha müxtəlif iştirakçı qruplarında qiymətləndirmə aparılmasının vacibliyi qeyd olunur.
Platformadan istifadə gündəliklərinin gələcəkdə kəmiyyətləşdirilməsi də tövsiyə olunur. Potensial göstəricilər arasında funksiyalara giriş tezliyi, istifadə müddəti, AI Consultant sorğularının sayı, Policy Map reviziyalarının sayı və bu davranışların qiymətləndirmə nəticələri ilə əlaqəsi vardır.
Real dövlət məlumatları, MSME siyasət məlumatları və yerli idarəetmə qərar halları ilə aparılacaq tədqiqatlar platformanın təhsil mühitindən kənardakı tətbiq dəyərini daha birbaşa qiymətləndirə bilər.
Mənbə və Metod Qeydi
Özgün başlıq: AI-Assisted B2G Cloud Intelligence Simulation for Foundational Digital Governance Competencies: A Pilot Study in Higher Education
Müəlliflər: Subagyo; Andi Basuki; I Nyoman Suputra; Ari Gunawan; Afis Baghiz Syafruddin
Məsul müəllif: Andi Basuki
Qurum 1: Department of Management, Universitas Negeri Malang, Malang 65145, Indonesia
Qurum 2: Department of Management, Universitas Gadjah Mada, Yogyakarta 55281, Indonesia
Jurnal: Economies
Nəşriyyat: MDPI
Nəşr növü: Rəyli tədqiqat məqaləsi; pilot ali təhsil qiymətləndirmə tədqiqatı
Biblioqrafik qeyd: Economies, 2026, 14(9), 362
DOI: 10.3390/economies14090362
Təqdim edilmə: 8 İyul 2026
Reviziya: 7 Avqust 2026
Qəbul: 19 Avqust 2026
Nəşr: 1 Sentyabr 2026
Lisenziya: Creative Commons Attribution (CC BY).
Tədqiqat dizaynı: Bir qruplu, pre-test–post-test, dörd həftəlik qiymətləndirmə pilotu.
Nümunə: 72 başlanğıc iştirakçı; 68 etibarlı fərdi pre/post və sorğu qeydi; 12 qrup səviyyəli layihə çıxışı.
Əsas platforma modulları: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis və Policy Map.
Əsas qiymətləndirmə alətləri: beş göstəricili pre-test/post-test, TAM əsaslı 1–5 Likert istifadəolunma sorğusu və 100 ballıq qrup layihə rubriki.
Statistika: təsviri ortalamalar, xam qazanc, normallaşdırılmış qazanc, cütləşdirilmiş seçmə müqayisəsi, %95 etibar intervalları və Cohen's dz effekt ölçüsü. Mənbə normallıq şərti ödənmədikdə Wilcoxon signed-rank testinin istifadə ediləcəyini bildirir; təqdim edilən əsas nəticələr t statistikaları ilə verilmişdir.
Maliyyələşdirmə: Institute for Research and Community Service, State University of Malang; KBK Topic Competitive scheme, contract No. 24.2.121/UN32.14.1/LT/2025.
Etika: Universitas Negeri Malang tərəfindən etik azadolma; No. 19.06.11/UN32.14.2.8/LT/2026. Mənbə sənədində azadolmanın 19 İyun 2025-də verildiyi və 19 İyun 2026-dək qüvvədə olduğu bildirilir.
Məlumatlandırılmış razılıq: Bütün iştirakçılardan alınmışdır.
Məlumatların əlçatanlığı: Məlumatların sorğu əsasında təqdim ediləcəyi bildirilmişdir.
Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişlər.
Müəllif töhfələri: Konseptuallaşdırma Subagyo və I Nyoman Suputra; metodologiya Andi Basuki və Subagyo; proqram təminatı Afis Baghiz Syafruddin; doğrulama Ari Gunawan və I Nyoman Suputra; formal təhlil Andi Basuki və Subagyo; tədqiqat Subagyo; resurslar Afis Baghiz Syafruddin; məlumatların kurasiyası Ari Gunawan; ilkin qaralama Subagyo, Andi Basuki və I Nyoman Suputra; nəzərdən keçirmə/redaktə Afis Baghiz Syafruddin, Andi Basuki və Ari Gunawan; vizuallaşdırma Afis Baghiz Syafruddin və Ari Gunawan; nəzarət Subagyo; layihə idarəçiliyi I Nyoman Suputra; maliyyələşdirmənin əldə edilməsi Subagyo tərəfindən həyata keçirilmişdir.
Mənbədaxili TAM kateqoriya qeydi: metod bölməsi 4,21–5,00 aralığını “very good” kimi müəyyənləşdirərkən Cədvəl 3 eyni aralıqdakı bəzi balları “Excellent” kimi etiketləyir.
Etibarlılıq hesabatı məhdudiyyəti: Cronbach's alpha ilə daxili ardıcıllıq təhlilinin aparıldığı bildirilir; lakin məqalədə ədədi alpha dəyəri verilməyib.
AI yenidən istehsal oluna bilmə məhdudiyyəti: AI Consultant-un pedaqoji və funksional rolu təsvir edilmişdir; lakin istifadə olunan AI modeli, təminatçı, model versiyası, API/prompt konfiqurasiyası və ətraflı bulud infrastrukturu bildirilmir.
Əsas şərh məhdudiyyəti: Tədqiqat əsas rəqəmsal idarəetmə səriştələrində müşahidə olunan pre/post dəyişikliklərə dair pilot sübut yaradır; əmək bazarı, peşəkar performans, dövlət sektorunun səmərəliliyi və ya makroiqtisadi təsir üçün səbəb-nəticə sübutu deyil.
Vizualın yenidən çəkilməsi: Mənbənin Şəkil 1-dəki konseptual öyrənmə axını və Şəkil 2-dəki laylı sistem arxitekturası Verianla üçün semantik baxımdan ekvivalent, lakin qrafik baxımdan orijinal sxemlər kimi yenidən qurula bilər. Şəkil 3–6-dakı platforma ekranları və tələbə çıxışları birbaşa ekran surəti əvəzinə əsas informasiya axınını təmsil edən izahlı sxemlər kimi yenidən dizayn edilməlidir.
Verianla Live uyğunluğu: Live Architecture, Live Process, Live Compare və Live Data üçün yüksək dərəcədə uyğundur. İstifadəçi parametrlərindən yeni öyrənmə effekti yaradan interaktiv simulyasiya mənbə tərəfindən dəstəklənmir.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib