Sun’iy intellekt yordamidagi aqlli o‘qitish tizimi (AI-driven Intelligent Tutoring System, ITS), talabaning ishlashi va o‘zaro ta’sirlariga qarab vazifa, fikr-mulohaza, diagnostika va o‘rganishni qo‘llab-quvvatlashni moslashtira oladigan kompyuterga asoslangan ta’lim muhitidir. Ushbu tadqiqot IELTSga tayyorgarlikda bunday tizimdan foydalanadigan o‘rganuvchilarda tizimdan foydalanishni davom ettirish niyati qanday shakllanishini o‘rganadi. Tadqiqot 494 ta yaroqli so‘rovnomaga asoslanadi va kengaytirilgan Texnologiyani Qabul Qilish Modelini (Technology Acceptance Model, TAM) qisman eng kichik kvadratlar strukturaviy tenglama modellashtirish (PLS-SEM), ko‘p guruhli tahlil (MGA) va sun’iy neyron tarmog‘i (ANN) orqali baholaydi.

Kengaytirilgan modelda idrok etilgan foydalilik (PU), idrok etilgan foydalanish qulayligi (PEOU), idrok etilgan zavq (PENJ) va o‘z-samaradorlik (SE) o‘rganishga munosabatning (LA) oldingi omillari sifatida o‘rganilgan. O‘rganishga munosabat va o‘z-samaradorlik esa uzluksiz o‘rganish niyatining (CLI) bevosita oldingi omillaridir. Butun namunada oltita asosiy strukturaviy yo‘lning barchasi ijobiy va statistik jihatdan ahamiyatli bo‘lgan. O‘rganishga munosabatga olib boruvchi eng yuqori umumiy yo‘l koeffitsienti idrok etilgan foydalilikka tegishli (\(\beta=0.323\)); uzluksiz o‘rganish niyatiga olib boruvchi ikki bevosita yo‘l ichida o‘rganishga munosabat (\(\beta=0.361\)) bilan o‘z-samaradorlik (\(\beta=0.348\)) bir-biriga yaqin kattalikdadir.

Tinglab tushunish va o‘qish kontekstlari taqqoslanganda ikki muhim kontekstual farq aniqlangan. Idrok etilgan zavqning o‘rganishga munosabatga ta’siri tinglab tushunishda \(\beta=0.340\), o‘qishda \(\beta=0.178\) bo‘lgan va guruhlar farqi ahamiyatlidir (\(p=0.037\)). Idrok etilgan foydalilikning o‘rganishga munosabatga ta’siri esa o‘qishda \(\beta=0.424\), tinglab tushunishda \(\beta=0.226\) bo‘lgan; bu guruh farqi ham ahamiyatlidir (\(p=0.016\)). Foydalanish qulayligi, o‘z-samaradorlik va o‘rganishga munosabatning boshqa yo‘llarida tinglab tushunish bilan o‘qish o‘rtasida statistik jihatdan ahamiyatli yo‘l farqi aniqlanmagan.

ANN natijalari kontekstga xos ushbu tartibni qo‘llab-quvvatlagan. O‘rganishga munosabatni bashorat qiluvchi ANNda tinglab tushunish guruhining eng muhim kirishi idrok etilgan zavqdir; o‘rtacha ahamiyat 0,334 va normallashtirilgan ahamiyat %100. O‘qish guruhida eng muhim kirish idrok etilgan foydalilikdir; o‘rtacha ahamiyat 0,423 va normallashtirilgan ahamiyat %100. Bu yerdagi %100 o‘zgaruvchi o‘rganishga munosabatning %100 qismini tushuntiradi degani emas; u faqat ayni ANN ichidagi eng muhim bashoratlovchi boshqa o‘zgaruvchilarning nisbiy ahamiyatini masshtablash uchun %100 ga belgilanganini ko‘rsatadi.

Tadqiqotning muhim talqin chegarasi shundaki, o‘lchangan bog‘liq o‘zgaruvchi haqiqiy uzoq muddatli foydalanish yoki IELTS natijasi emas, balki talabalarning kelajakda tizimdan foydalanishni davom ettirish niyatidir. Ma’lumotlar bir vaqt nuqtasida to‘plangan o‘z-o‘zini hisobot qilish so‘rovnomasidir. Shu sababli natijalar o‘zgaruvchilar o‘rtasidagi munosabatlar va bashorat naqshlarini ko‘rsatadi; “zavq tinglab tushunish muvaffaqiyatini oshiradi” yoki “foydalilikni idrok etish o‘qish ballini ko‘taradi” kabi sababiy natija xulosalarini chiqarib bo‘lmaydi.

Tadqiqotning asosiy muammosi

Aqlli o‘qitish tizimlari shaxsiylashtirilgan vazifa tavsiyalari, adaptiv mashqlar, tezkor fikr-mulohaza, xatolar diagnostikasi va o‘rganish analitikasini taqdim eta oladi. Biroq ta’lim texnologiyasidan foydalana olish bilan talabaning undan uzoq vaqt foydalanishni xohlashi bir xil muammo emas. Talaba tizimdan texnik jihatdan foydalana olishi va hatto uni foydali deb bilishi mumkin; shunga qaramay, o‘rganish tajribasi zerikarli, qiyin yoki boshqarib bo‘lmaydigandek tuyulsa, davom ettirish niyati susayishi mumkin.

Shu sababli tadqiqot klassik Texnologiyani Qabul Qilish Modelining ikkita asosiy texnologik idrokini —idrok etilgan foydalilik va idrok etilgan foydalanish qulayligini— o‘z holicha yetarli deb hisoblamagan. Modelga talabaning o‘z bajara olish qobiliyatiga oid o‘z-samaradorlik e’tiqodi hamda o‘rganish jarayonining o‘zidan oladigan idrok etilgan zavq qo‘shilgan.

Tadqiqotning ikkinchi muammosi kontekst farqidir. IELTS tinglab tushunish va o‘qish, ikkalasi ham reseptiv til ko‘nikmalari bo‘lsa-da, bir xil kognitiv vazifa emas. Tinglab tushunishda axborot o‘tkinchidir; audio oqimi davom etar ekan, talaba axborotni qayta ishlashi, saqlashi va ma’no hosil qilishi kerak. O‘qishda esa matnga qaytish, tezlikni o‘zgartirish va strategiyani moslashtirish imkoniyati ko‘proq. Shu sababli tadqiqotchilar bir xil ITS ichidagi turli vazifalar talabaning foydalilik va zavq baholariga turlicha og‘irlik berish-bermasligini sinagan.

PLS-SEM, MGA va ANN Nega Birgalikda Qo‘llanildi?

PLS-SEM nazariy modeldagi yo‘naltirilgan munosabatlar va gipotezalarni sinash, MGA tinglab tushunish va o‘qish guruhlaridagi yo‘l koeffitsientlari haqiqatdan farq qiladimi-yo‘qmi tekshirish, ANN esa chiziqli modeldan tashqaridagi ehtimoliy nochiziqli bashorat naqshlari hamda bashoratlovchilarning nisbiy ahamiyatini baholash uchun ishlatilgan; uchala usul ayni savolning turli qatlamlarini o‘rganadi va bir-birining o‘rnini bosmaydi.

Texnologiyani Qabul Qilish Modeli va kengaytirilgan model

Texnologiyani Qabul Qilish Modeli (Technology Acceptance Model, TAM), texnologiyaning qabul qilinishini tushuntirish uchun, ayniqsa, idrok etilgan foydalilik, idrok etilgan foydalanish qulayligi, munosabat va xulqiy niyat o‘rtasidagi aloqalardan foydalanadigan nazariy doiradir. Ushbu tadqiqot klassik TAMni bevosita takrorlash o‘rniga uni ikki o‘zgaruvchi bilan kengaytirgan: idrok etilgan zavq va vazifaga xos o‘z-samaradorlik.

Bu yerda o‘z-samaradorlik umumiy akademik o‘z-samaradorlik emas. Tadqiqot, xususan, talabaning sun’iy intellekt yordamidagi IELTS o‘rganish muhitida vazifalarni boshqarish, tizim fikr-mulohazasini tushunish, yangi muammolarga yechim topish va mos strategiyalar ishlab chiqish qobiliyatiga oid e’tiqodini o‘lchaydi.

Tadqiqot modelining ikkita asosiy strukturaviy tenglamasi

O‘rgatuvchi ko‘rsatish: Maqola quyidagi ikki tenglamani raqamlangan formula sifatida bermaydi. Ular manba 1-rasmdagi strukturaviy munosabatlarni matematik jihatdan aniq o‘qishga imkon beradigan standart chiziqli ifodalardir.

\[ LA=\beta_1PU+\beta_2PEOU+\beta_3PENJ+\beta_4SE+\varepsilon_{LA} \]

Bu tenglama o‘rganishga munosabatning to‘rtta oldingi omil bilan tushuntiriladigan qismini ko‘rsatadi. \(\beta_1,\ldots,\beta_4\) PLS-SEM yo‘l koeffitsientlaridir. \(\varepsilon_{LA}\) modeldagi to‘rtta o‘zgaruvchi bilan tushuntirilmaydigan o‘rganishga munosabat variatsiyasini ifodalaydi.

\[ CLI=\beta_5SE+\beta_6LA+\varepsilon_{CLI} \]

Ikkinchi tenglama uzluksiz o‘rganish niyatining o‘z-samaradorlik va o‘rganishga munosabat bilan tushuntiriladigan qismini ifodalaydi. Tadqiqotda PU, PEOU va PENJdan CLIga to‘g‘ridan-to‘g‘ri yo‘llar qurilmagan; ularning CLIga bilvosita ta’sirlari LA orqali o‘rganilgan.

Gipotezalar

O‘rganilgan ITS qanday ishlagan?

Tadqiqotda tijorat brendi bo‘yicha umumlashtirish qilinmasdan “sun’iy intellekt asosidagi imtihonga tayyorgarlik assistenti” sifatida ta’riflangan bitta tizim ishlatilgan. Talaba avval mavjud ingliz tili darajasi va maqsadlariga qarab maqsadli IELTS ballini belgilaydi. Tizim ishlash natijasi va maqsadga qarab o‘qish yoki tinglab tushunish vazifalarini tavsiya qiladi, mazmun va qiyinlik darajasini dinamik ravishda moslashtira oladi.

Har bir vazifadan so‘ng talabalar tezkor javob fikr-mulohazasi va sun’iy intellekt yaratgan o‘rganish tahlili hisobotlarini olgan. Hisobotlarda natija, xato naqshlari va keyingi mashg‘ulot uchun tavsiyalar bo‘lgan. O‘qish moduli savol mashqlari, xato diagnostikasi va matnni tushunishni qo‘llab-quvvatlashga ko‘proq e’tibor qaratgan bo‘lsa, tinglab tushunish moduli audio kirish ustida takroriy mashq va interaktiv fikr-mulohazaga ko‘proq o‘rin bergan.

Shu bois ishtirokchining tizim bilan munosabati faqat mazmunni ko‘rishdan iborat emas. Tadqiqotdagi o‘zaro ta’sir sikli taxminan maqsadni belgilash → vazifani bajarish → fikr-mulohaza olish → o‘rganish tahlilini ko‘rib chiqish → keyingi mashqni moslashtirish ko‘rinishidadir.

O‘lchov vositasi qanday tuzilgan?

Tinglab tushunish va o‘qish uchun kontekstga moslashtirilgan ikkita alohida so‘rovnoma shakli tayyorlangan. Har bir shakl 18 banddan iborat bo‘lgan. Oltita latent konstruktning har biri uchta band bilan o‘lchangan va javoblar 1 = mutlaqo qo‘shilmayman bilan 5 = mutlaqo qo‘shilaman orasidagi besh ballik Likert shkalasida olingan.

PU, PEOU, PENJ, LA va CLI bandlari oldingi TAM va ta’lim texnologiyalari tadqiqotlaridan moslashtirilgan. SE bandlari oldingi raqamli o‘z-samaradorlik tadqiqotlaridan moslashtirilgan; ma’no jihatdan bir-biriga juda o‘xshash ikki asl banddan biri chiqarilib, uch bandli muvozanatli tuzilma yaratilgan.

Inglizcha shkalalarni xitoy tilida qo‘llash uchun tarjima va qayta tarjima amalga oshirilgan. Ikki tilli ikki tadqiqotchi ingliz tilidan xitoy tiliga mustaqil tarjima qilgan, tadqiqot jamoasi ushbu versiyalarni muvofiqlashtirgan; asl shkalalarni ko‘rmagan boshqa ikki tilli ikki tadqiqotchi xitoycha versiyani yana ingliz tiliga tarjima qilgan. Qayta tarjima qilingan inglizcha matn asl bandlar bilan taqqoslangan va semantik farqlar qayta ko‘rib chiqilgan. So‘ng ikki tilli ta’lim va ta’lim texnologiyalari tajribasiga ega uch professor madaniy va til jihatidan moslikni baholagan.

PLS-SEM nima?

Qisman Eng Kichik Kvadratlar Strukturaviy Tenglama Modellashtirish (Partial Least Squares Structural Equation Modeling, PLS-SEM), kuzatib bo‘lmaydigan nazariy konstruktlarni bir nechta so‘rovnoma bandi orqali ifodalab, bu konstruktlar o‘rtasidagi yo‘naltirilgan munosabatlarni bitta model ichida baholashga xizmat qiladigan dispersiyaga asoslangan strukturaviy tenglama modellashtirish yondashuvidir.

Ushbu tadqiqotda PLS-SEM tanlanishining asosiy sababi faqat oldindan tuzilgan TAMni tasdiqlash emas; TAMni o‘z-samaradorlik va idrok etilgan zavq bilan kengaytirish, muhim bashoratlovchilarni aniqlash hamda modelning tushuntiruvchi/bashorat qiluvchi imkoniyatlarini birgalikda baholashdir. Tahlil SmartPLS 4 yordamida bajarilgan.

Yo‘l koeffitsienti \(\beta\) qanday talqin qilinadi?

PLS-SEMdagi \(\beta\), boshqa tegishli bashoratlovchilar modelda saqlanganda, latent o‘zgaruvchidagi o‘sish bilan natija o‘zgaruvchisi o‘rtasidagi yo‘nalish va nisbiy bog‘liqlik kattaligini ko‘rsatuvchi yo‘l koeffitsientidir. Ijobiy \(\beta\) o‘zgaruvchilar bir yo‘nalishda harakatlanishini ko‘rsatadi. Biroq kesimiy kuzatuv ma’lumotlarida ijobiy va ahamiyatli \(\beta\) o‘z-o‘zidan eksperimental sababiylik dalili emas.

Ta’sir kattaligi \(f^2\) nimani anglatadi?

O‘rgatuvchi standart formula:

\[ f^2= \frac{R^2_{\mathrm{dahil}}-R^2_{\mathrm{hariç}}} {1-R^2_{\mathrm{dahil}}} \]

Ushbu metrika muayyan bashoratlovchi modeldan chiqarilganda tushuntirilgan variatsiya qanchalik kamayishini ko‘rsatadi. Tadqiqotda LA → CLI uchun \(f^2=0.173\) eng yuqori qiymat bo‘lib, mualliflar tomonidan o‘rta kattalikdagi ta’sir sifatida talqin qilingan. SE → CLI uchun \(f^2=0.162\) ham o‘rta darajada. PU → LA uchun \(f^2=0.149\) o‘rta darajaga yaqinlashadi.

Bilvosita ta’sir qanday hosil bo‘ladi?

PU, PEOU va PENJ modelda CLIga bevosita bog‘lanmagan. Ushbu o‘zgaruvchilar avval LAga, LA esa CLIga ta’sir qiladigan tuzilmada sinovdan o‘tkazilgan. Oddiy vositachilik zanjiridagi bilvosita koeffitsient ikki yo‘l ko‘paytmasi bilan ifodalanishi mumkin:

\[ \beta_{\mathrm{dolaylı}} = \beta_{X\rightarrow LA} \times \beta_{LA\rightarrow CLI} \]

Masalan, PU → LA koeffitsienti 0,323 va LA → CLI koeffitsienti 0,361 bo‘lgani uchun ko‘paytma taxminan \(0.323\times0.361\approx0.117\) ga teng; tadqiqot bootstrap natijasini 0,116 deb xabar qiladi. Ushbu kichik farq yaxlitlashdan kelib chiqishi mumkin.

R², Q² va SRMR nimani o‘lchaydi?

\(R^2\), model ichki o‘zgaruvchidagi variatsiyaning qanchasini tushuntirishini ko‘rsatadi. Tadqiqotda LA uchun \(R^2=0.436\), CLI uchun \(R^2=0.338\). Boshqacha aytganda, model namunadagi o‘rganishga munosabat variatsiyasining taxminan %43,6 qismini va uzluksiz o‘rganish niyati variatsiyasining taxminan %33,8 qismini tushuntiradi. Bu nisbatlar model barcha individual xulq-atvorni tushuntiradi degani emas.

\(Q^2\), modelning bashoratga oid dolzarbligini baholovchi o‘lchovdir. Tadqiqotda LA va CLI uchun mos ravishda 0,305 va 0,236 deb xabar qilingan va ikkala qiymatning ham noldan katta bo‘lishi ijobiy bashorat dolzarbligi sifatida talqin qilingan.

SRMR (Standardized Root Mean Square Residual), model bashorat qilgan va kuzatilgan munosabat tuzilmalari o‘rtasidagi standartlashtirilgan qoldiqlarning umumiy kattaligini jamlaydi. Tadqiqotda SRMR=0,062 bo‘lib, mualliflar qo‘llagan 0,08 mos yozuvlar chegarasidan past.

MICOM nega MGAdan oldin bajarildi?

Measurement Invariance of Composite Models (MICOM), tinglab tushunish va o‘qish guruhlarida ayni latent konstruktlar yetarlicha taqqoslanadigan tarzda o‘lchanayotganini tekshirish uchun qo‘llangan. Agar ikki guruhda “idrok etilgan foydalilik” yoki “o‘rganishga munosabat” bir xil konstruktni ifodalamasa, yo‘l koeffitsientlarini bevosita taqqoslash chalg‘ituvchi bo‘lishi mumkin.

MICOM uch bosqichdan iborat: konfiguratsion invariantlik, kompozitsion invariantlik va kompozit o‘rtacha/dispersiya tengligi. Tadqiqotda konfiguratsion va kompozitsion invariantlik ta’minlangan va shu tariqa qisman o‘lchov invariantligi hosil qilingan. To‘liq o‘rtacha/dispersiya tengligi barcha konstruktlarda ta’minlanmagan. Shu sababli MGAni o‘tkazish mumkin bo‘lgan, biroq mualliflar ikki guruh so‘rovnoma bandlari o‘qish va tinglab tushunish kontekstiga moslashtirilganini alohida talqin cheklovi sifatida qayd etgan.

ANN arxitekturasi

ANN tahlili SPSS 27.0 ichidagi ko‘p qatlamli perseptron (Multilayer Perceptron, MLP) yordamida bajarilgan. Ikki model tuzilgan. Model 1 kirishlari PU, PEOU, PENJ va SE; chiqishi LA. Model 2 kirishlari SE va LA; chiqishi CLI.

Har ikkala modelda bitta yashirin qatlam va yashirin qatlamda beshta neyron mavjud. Yashirin qatlam aktivatsiyasi sigmoid, chiqish qatlam aktivatsiyasi identity funksiyasidir. O‘qitish batch training usuli bilan amalga oshirilgan.

Min–max normallashtirish

ANNga berilgan barcha kirish va chiqish o‘zgaruvchilari 0–1 oralig‘iga masshtablangan. Standart min–max o‘zgartirish:

\[ x'=\frac{x-x_{\min}}{x_{\max}-x_{\min}} \]

\(x\) asl qiymat, \(x_{\min}\) o‘zgaruvchining minimumi, \(x_{\max}\) maksimumi va \(x'\) 0–1 shkalasidagi o‘zgartirilgan qiymatdir. Bu amal o‘zgaruvchilarni umumiy sonli diapazonga olib keladi. Shu sababli ANNda xabar qilingan RMSE qiymatlari IELTS band ballarida emas; ular normallashtirilgan model o‘zgaruvchilarining bashorat xatosidir.

Sigmoid aktivatsiya funksiyasi

Yashirin qatlamda qo‘llangan sigmoid funksiyaning standart ko‘rinishi:

\[ \sigma(z)=\frac{1}{1+e^{-z}} \]

Funksiya har qanday haqiqiy \(z\) sonini 0 bilan 1 orasidagi nochiziqli chiqishga aylantiradi. Bu ANNning faqat oddiy chiziqli munosabatlar o‘rniga murakkabroq naqshlarni modellashtirishiga yordam beradi.

RMSE nimani o‘lchaydi?

ANNning bashorat xatosi Root Mean Square Error (RMSE) bilan baholangan. Standart formula:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

\(y_i\) haqiqiy kuzatilgan shkala qiymati, \(\hat{y}_i\) ANN bashorati va \(n\) baholashga kiritilgan kuzatuvlar sonidir. Xatolar kvadratga ko‘tarilgani uchun katta xatolar ko‘proq og‘irlik oladi. Kichikroq RMSE kichikroq bashorat xatosini bildiradi.

ANNdagi %100 Normallashtirilgan Ahamiyat Nimani Anglatadi?

Normallashtirilgan ahamiyat %100 ANN modelida eng yuqori o‘rtacha ahamiyat qiymatiga ega bashoratlovchi mos yozuv sifatida 100 ga masshtablanganini ko‘rsatadi; bu o‘zgaruvchi natijaning %100 qismini tushuntiradi, %100 aniqlikni ta’minlaydi yoki sababiy ta’sir %100 degani emas.

Standart o‘rgatuvchi ko‘rsatish:

\[ NI_j= \frac{I_j}{\max(I)} \times100 \]

\(I_j\) tegishli o‘zgaruvchining ANN sezgirlik tahlilidagi o‘rtacha ahamiyatidir; \(\max(I)\) ayni model ichidagi eng yuqori ahamiyat qiymatidir. Shunday qilib, eng yuqori o‘zgaruvchi %100 bo‘ladi va boshqa o‘zgaruvchilar unga nisbatan masshtablanadi.

Tadqiqot Usuli va Natijalari

Namuna tanlash va ma’lumot to‘plash

Tadqiqotchilar maqsadli tanlama usulidan foydalangan. Ishtirokchi tadqiqotga kiritilishi uchun IELTSga tayyorgarlik tajribasiga, sun’iy intellekt asosidagi imtihonga tayyorgarlik assistentidan foydalanish tajribasiga hamda IELTS o‘qish yoki tinglab tushunish vazifalarini bajara olish qobiliyatiga ega bo‘lishi kerak edi.

So‘rov Fevral–Aprel 2026 oralig‘ida Credamo onlayn so‘rov platformasida o‘tkazilgan. Ishtirokchilar Pekin, Guangzhou, Chongqing, Wuhan, Nanjing va Macaodan to‘plangan; 18 yosh va undan katta maktab o‘quvchilari hamda bakalavriat, magistratura va doktorantura talabalari namunaga kiritilgan.

G*Power 3.1.9.7 yordamida ta’sir kattaligi 0,15, \(\alpha=0.05\) va quvvat \(1-\beta=0.95\) qo‘llanib, minimal namuna hajmi 107 deb hisoblangan. Asosiy so‘rovdan oldin sun’iy intellekt yordamidagi IELTS o‘rganish tajribasiga ega 50 talaba bilan pilot tadqiqot o‘tkazilgan.

Pilot tadqiqotning sifat nazoratlari

Pilotdan so‘ng tadqiqotchilar o‘lchov bandlariga yangi tuzatish kiritmagan va asosiy so‘rovda ayni shakldan foydalangan.

522 so‘rovnomadan 494 yaroqli so‘rovnomaga o‘tish

Jami 522 ta so‘rovnoma to‘plangan. Yaroqlilikni tekshirish savolidan o‘tmagan, nazariy jihatdan o‘xshash bo‘lishi kutilgan bandlarda yaqqol nomuvofiqlik ko‘rsatgan yoki yetishmaydigan javoblarni o‘z ichiga olgan shakllar chiqarib tashlangan. Natijada 494 ta yaroqli so‘rovnoma qolgan va yaroqli javoblar ulushi %94,64 bo‘lgan.

Tinglab tushunish va o‘qish guruhlari to‘liq muvozanatlangan holda har biri 247 ishtirokchidan iborat bo‘lgan. Hech bir ishtirokchi ikki kontekstning so‘rovnomasini ham to‘ldirmagan.

Ishtirokchilar profili

Akademik yo‘nalishlar ham muhandislik, gumanitar fanlar, biznes va iqtisodiyot, ijtimoiy fanlar, axborot texnologiyalari/kompyuter ilmi, tibbiyot fanlari, san’at-dizayn va tabiiy fanlar o‘rtasida taqsimlangan. Eng yuqori ulush ijtimoiy fanlarga (%15,8), eng past ulush san’at va dizaynga (%9,3) to‘g‘ri keladi.

Umumiy usul tarafkashligi qanday nazorat qilindi?

Barcha asosiy o‘zgaruvchilarning ayni o‘z-o‘zini hisobot qilish so‘rovnomasidan olinishi Common Method Bias (CMB) xavfini yuzaga keltirishi mumkin. Tadqiqotchilar avval Harmanning bir omilli testidan foydalangan. Asosiy ma’lumotlar to‘plamida birinchi omil umumiy dispersiyaning %32,744 qismini tushuntirgan va manbada qo‘llangan %50 chegarasidan past bo‘lgan.

Harman testining cheklovi sababli qo‘shimcha ravishda full-collinearity VIF nazorati amalga oshirilgan. Konstrukt darajasidagi VIF qiymatlari 1,155–1,770 oralig‘ida bo‘lib, qo‘llangan 3,3 mos yozuv chegarasidan past. Mualliflar bu ikki nazoratni birgalikda baholab, jiddiy umumiy usul tarafkashligi natijalarni ustun tarzda boshqarayotganiga dalil yo‘q degan xulosaga kelgan. Bu testlar CMB mutlaqo mumkin emasligini isbotlamaydi.

O‘lchov modelining ishonchliligi va konvergent validligi

Barcha band yuklamalari 0,807–0,890 oralig‘ida xabar qilingan. Band darajasidagi VIF qiymatlari 1,552–2,139 oralig‘ida. SRMR=0,062. PLSpredict tahlilida PLS-SEM aksariyat ko‘rsatkichlar uchun chiziqli modelga nisbatan pastroq bashorat xatosini bergan.

Diskriminant validlik

Fornell–Larcker baholashida har bir konstruktning AVE kvadrat ildizi o‘z qatoridagi boshqa konstruktlar bilan korrelyatsiyalardan katta bo‘lishi kutiladi. Manba 3-jadvalda diagonal AVE kvadrat ildizlari 0,837–0,880 oralig‘ida.

HTMT baholashida esa turli latent konstruktlarning indikator munosabatlari taqqoslanadi. Manba 4-jadvalda ko‘rinadigan eng yuqori HTMT qiymati PU bilan LA o‘rtasida 0,651 bo‘lib, qo‘llangan 0,85 chegarasidan past; xabar qilingan ishonch intervallarining hech biri 1 ni o‘z ichiga olmaydi.

Butun namunada gipotezalarni sinash

O‘rganishga munosabatning to‘rtta oldingi omili orasida butun namunada eng yuqori yo‘l koeffitsienti idrok etilgan foydalilikka tegishli (\(\beta=0.323\)). Uzluksiz o‘rganish niyatiga boradigan bevosita yo‘llarda LA (\(\beta=0.361\)) va SE (\(\beta=0.348\)) bir-biriga yaqin natija bergan.

O‘rganishga munosabatning vositachilik roli

Barcha ishonch intervallari noldan tashqarida. Eng yuqori bilvosita ta’sir PU → LA → CLI yo‘lida 0,116. SEning CLIga ham bevosita yo‘li, ham LA orqali bilvosita yo‘li mavjud.

MICOM natijasi

1000 permutatsiyali MICOM baholashida barcha konstruktlar uchun konfiguratsion invariantlik va kompozitsion invariantlik ta’minlangan. Shu tariqa qisman o‘lchov invariantligi o‘rnatilgan. Biroq LA, PENJ, PU va SE uchun guruh o‘rtachalarining, LA uchun esa qo‘shimcha ravishda guruh dispersiyasining tengligi ta’minlanmagan. Shuning uchun tinglab tushunish–o‘qish MGA taqqoslashi o‘tkazish mumkin deb qabul qilingan, ammo to‘liq o‘lchov invariantligi mavjuddek talqin qilinmagan.

Tinglab tushunish va o‘qish guruhlarida yo‘l koeffitsientlari

Bu yerda e’tibor berish kerak bo‘lgan jihat shuki, “tinglab tushunishda zavq muhim, o‘qishda foydalilik muhim” degan ifoda boshqa o‘zgaruvchilar ahamiyatsiz degani emas. Oltita asosiy yo‘l har ikki guruhda ham ijobiy va ahamiyatli. Guruh taqqoslashida faqat PU → LA va PENJ → LA yo‘llarining kattaligi ahamiyatli ravishda farqlangan.

ANN o‘qitish va test xatolari

Har bir ANN modeli va har bir kontekstda 10 ta mustaqil tasodifiy o‘qitish–test bo‘linishi amalga oshirilgan. Har bir ishga tushirishda taxminan %90 o‘qitish va %10 test ishlatilgan; tasodifiy taqsimlash sababli haqiqiy N qiymatlari ishga tushirishlar orasida o‘zgargan. Test to‘plamlari turli takrorlarda qisman ustma-ust tushishi mumkin.

Manba o‘qitish va test RMSElari o‘rtasidagi farqlarning umuman kichik bo‘lishini held-out namunalarda keng darajada izchil ishlash belgisi sifatida talqin qiladi. Ayrim takrorlarda test RMSEsi o‘qitish RMSEsidan past bo‘lishi tasodifiy test quyi to‘plami bir xilroq yoki osonroq bashorat qilinadigan kuzatuvlarni o‘z ichiga olishi bilan izohlanadigan tanlama o‘zgaruvchanligi deb baholangan.

Ushbu RMSE kattaliklarining amaliy ma’nosi chiqish shkalasi va o‘zgaruvchanlikka bog‘liq. Qiymatlar min–max normallashtirishdan keyingi model shkalasidadir; IELTS imtihon balli xatosi emas.

ANN sezgirlik tahlili

PLS-SEM va ANN tartiblari umuman olganda bir-birini qo‘llab-quvvatlaydi. Tinglab tushunishda LA uchun PENJ birinchi o‘rinda; o‘qishda LA uchun PU birinchi o‘rinda. Tinglab tushunish Model 1da PEOU va SEni quyi tartiblash PLS-SEM bilan ANN o‘rtasida kichik farq ko‘rsatadi, biroq asosiy kontekstual naqsh o‘zgarmaydi.

Mustahkamlik tekshiruvi

Namunaning %6,1 qismini tashkil etgan 18 yosh va undan katta maktab o‘quvchilari asosiy natijalarga ta’sir qilgan-qilmaganini ko‘rish uchun ular chiqarib tashlanib, PLS-SEM va MGA qayta baholangan.

Ushbu tahlilda oltita asosiy gipoteza yana qo‘llab-quvvatlangan. PU → LA uchun \(\beta=0.313\), PEOU → LA uchun \(\beta=0.225\), PENJ → LA uchun \(\beta=0.254\), SE → LA uchun \(\beta=0.176\), SE → CLI uchun \(\beta=0.346\) va LA → CLI uchun \(\beta=0.356\) olingan; barcha yo‘llar \(p<0.001\).

Tinglab tushunish–o‘qish taqqoslashining ikkita asosiy farqi ham saqlangan: PU → LA o‘qishda kuchliroq, PENJ → LA esa tinglab tushunishda kuchliroq bo‘lib qolgan. Maktab o‘quvchilari chiqarilganda PU guruh farqi −0,186 va PENJ guruh farqi 0,181 deb xabar qilingan; ikkalasi ham \(p<0.05\).

Ushbu Tadqiqot Sun’iy Intellekt Yordamidagi IELTS Tizimi O‘rganish Muvaffaqiyatini Oshirishini Isbotlaydimi?

Yo‘q. Tadqiqot haqiqiy IELTS balli oshishini, uzoq muddatli foydalanish xulqini yoki eksperimental o‘rganish yutug‘ini o‘lchamaydi; bir vaqt nuqtasida to‘plangan o‘z-o‘zini hisobot qilish ma’lumotlari orqali talabalarning texnologiya idroklari, o‘rganishga munosabati va kelajakda foydalanishni davom ettirish niyati o‘rtasidagi munosabatlarni o‘rganadi.

Tinglab tushunish va o‘qish farqining ma’nosi

Mualliflarning nazariy talqiniga ko‘ra, tinglab tushunish o‘tkinchi audio kirish, vaqt bosimi va real vaqt rejimida qayta ishlash talabi sababli talabaning diqqat va ishtirokini saqlashini qiyinlashtirishi mumkin. Shu sababli zavq va ijobiy tajriba tinglab tushunish kontekstida o‘rganishga munosabat bilan kuchliroq bog‘liq bo‘lishi mumkin.

O‘qishda esa talaba matnga qaytishi, tezligini sozlashi, strategiya qo‘llashi va tizimning xato diagnostikasi yoki matnni tushunishni qo‘llab-quvvatlashi vazifa muvaffaqiyatiga bevosita qanchalik hissa qo‘shishini aniqroq baholashi mumkin. Shu sababli amaliy foydalilik idroki o‘qishda munosabatning kuchliroq belgilovchisi sifatida yuzaga kelgan bo‘lishi mumkin.

Biroq tadqiqot bu izohni “til ko‘nikmalarining o‘zgarmas tabiati” sifatida isbotlamaydi. Qo‘llangan platformaning tinglab tushunish moduli ko‘proq takroriy mashq va interaktiv tezkor fikr-mulohazani o‘z ichiga olgan, o‘qish moduli esa diagnostika va vazifani qo‘llab-quvvatlashga ko‘proq e’tibor qaratgan. Demak, aniqlangan farq vazifa xususiyati va platforma dizaynining birgalikdagi natijasi bo‘lishi mumkin.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Idrok etilgan foydalilik, foydalanish qulayligi, zavq va o‘z-samaradorlik o‘rganishga munosabat bilan ijobiy bog‘liq.
• O‘rganishga munosabat va o‘z-samaradorlik uzluksiz o‘rganish niyati bilan ijobiy bog‘liq.
• PU, PEOU, PENJ va SEni CLIga LA orqali ahamiyatli bilvosita ta’sirlari mavjud.
• Tinglab tushunish kontekstida PENJ → LA yo‘li o‘qishga qaraganda ahamiyatli darajada kuchliroq.
• O‘qish kontekstida PU → LA yo‘li tinglab tushunishga qaraganda ahamiyatli darajada kuchliroq.
• PEOU → LA, SE → LA, SE → CLI va LA → CLI yo‘llarida ikki kontekst o‘rtasida ahamiyatli yo‘l farqi kuzatilmagan.
• ANNning nisbiy ahamiyat tartibi asosiy kontekstual MGA naqshini qo‘llab-quvvatlaydi.
• Maktab o‘quvchilari chiqarilgan mustahkamlik tahlilida asosiy natijalar katta darajada saqlangan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot zavq IELTS tinglab tushunish ballini oshirishini, idrok etilgan foydalilik IELTS o‘qish natijasini yaxshilashini, ANN IELTS muvaffaqiyatini bashorat qilishini, sun’iy intellekt asosidagi ITS inson o‘qituvchidan ustunligini, talabalar haqiqatan ham tizimdan uzoq muddat foydalanishni davom ettirishini yoki topilgan munosabatlar qat’iy sababiy ekanini ko‘rsatmaydi.

Asosiy cheklovlar

Kesimiy dizayn: Ma’lumotlar bir vaqt nuqtasida to‘plangani sababli motivatsiya, munosabat va foydalanish niyatining vaqt davomida o‘zgarishi kuzatilmagan. Qat’iy sababiy xulosa chiqarib bo‘lmaydi.

O‘z-o‘zini hisobot qilish: Asosiy o‘zgaruvchilar talabalarning o‘z javoblaridir. Statistik CMB nazoratlari bajarilgan bo‘lsa-da, o‘z-o‘zini hisobot qilish ma’lumotlarining barcha cheklovlari yo‘qolmaydi.

Maqsadli va onlayn tanlama: Credamo foydalanuvchilari internetdan ko‘proq foydalanadigan va raqamli texnologiyaga yaxshi tanish shaxslarni ortiqcha ifodalashi mumkin. Ixtiyoriy ishtirok ham sun’iy intellekt yordamidagi o‘rganishga ko‘proq qiziqqan shaxslar tanlanishiga olib kelishi mumkin. Namuna barcha IELTS o‘rganuvchilarining tasodifiy vakili emas.

Geografik/madaniy cheklov: Namuna asosan xitoylik IELTS o‘rganuvchilariga asoslangan. Natijalarni turli mamlakatlar, madaniyatlar va ta’lim tizimlariga bevosita umumlashtirish tasdiqlanmagan.

Bitta platforma: Faqat bitta sun’iy intellekt asosidagi IELTS tayyorgarlik tizimi ishlatilgan. Platformaning o‘ziga xos o‘zaro ta’sir, fikr-mulohaza va diagnostika dizayni natijalarga ta’sir qilishi mumkin.

Kontekstga moslashtirilgan o‘lchov: Tinglab tushunish va o‘qish so‘rovnomalari ayni konseptual konstruktlarni o‘lchash uchun tuzilgan bo‘lsa-da, bandlar tegishli vazifa kontekstiga moslashtirilgan. Qisman o‘lchov invariantligi ta’minlangan taqdirda ham guruh farqlarining barchasi faqat vazifa turidan kelib chiqqani aniq emas.

Model qamrovi: Texnologiyaga ishonch, idrok etilgan algoritmik adolat, o‘qituvchi ko‘magi, ta’limiy mavjudlik, o‘rganish analitikasi fikr-mulohazasi va ta’lim texnologiyalari boshqaruvi kabi boshqa ehtimoliy o‘zgaruvchilar modelga kiritilmagan.

Manba va Usul Haqida Izoh

Asl sarlavha: Utilitarian Value or Enjoyment Experience? The Formation Mechanism of IELTS Learners’ Continuous Learning Intention in AI-Driven Intelligent Tutoring Systems: Evidence from PLS-SEM, MGA, and ANN

Mualliflar: Sunyu Tao, Hongfeng Zhang, Shenglin Liu.

Mualliflar tartibi: Manbadagi tartib aynan saqlangan.

Teng hissa: Manbada teng birinchi mualliflik yoki teng hissa belgisi ko‘rsatilmagan.

Mas’ul muallif: Hongfeng Zhang.

Affiliatsiya 1: Faculty of Humanities and Social Sciences, Macao Polytechnic University, Macao 999078, China.

Affiliatsiya 2: School of Management, Universiti Sains Malaysia, Pulau 11800, Penang, Malaysia.

Jurnal: Education Sciences.

Nashriyot: MDPI.

Nashr ma’lumoti: 2026, Volume 16, Article 1526.

DOI: 10.3390/educsci16091526.

Rasmiy nashr havolasi: DOI orqali MDPI Education Sciences maqola qaydi.

Yuborilgan sana: 9 Iyul 2026.

Tahrir sanasi: 11 Sentabr 2026.

Qabul qilingan sana: 15 Sentabr 2026.

PDFdagi nashr sanasi: 16 Sentabr 2026.

Versiya izohi: MDPIning rasmiy Article Version Notes qaydi 16 Sentabr 2026 sanasidagi Version of Recorddan keyin PDF/HTML fayllari 17 Sentabr 2026da yangilanganini ko‘rsatadi. Ushbu Verianla yozuvi foydalanuvchi taqdim etgan PDFning ilmiy mazmunini asos qilib oladi.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi. Kesimiy, maqsadli tanlamali, o‘z-o‘zini hisobot qilish so‘rovnomasiga asoslangan kuzatuv/korrelyatsion tadqiqot; PLS-SEM, MICOM, MGA va ANN usullaridan birgalikda foydalanadi.

Taqriz holati: Education Sciences jurnalida chop etilgan taqrizdan o‘tgan maqola.

Litsenziya: PDF maqola Creative Commons Attribution (CC BY) litsenziyasi ostida ochiq kirishli ekanini bildiradi. PDFdagi matnli qayddan qo‘shimcha CC versiya raqami faraz qilinmagan.

Namuna: To‘plangan 522 so‘rovnomadan 494 yaroqli so‘rovnoma; tinglab tushunish n=247, o‘qish n=247.

Ma’lumot to‘plash davri: Fevral–Aprel 2026.

Ma’lumot to‘plash platformasi: Credamo.

Tahlil dasturlari: SmartPLS 4, SPSS 27.0 va namuna/quvvat tahlillarida G*Power 3.1.9.7.

Etika qo‘mitasi: Macao Polytechnic University Research Committee; Approval No. RP/FCHS-01/2023/E01, 30 Noyabr 2023.

Xabardor qilingan rozilik: Barcha ishtirokchilardan olingan.

Moliyalashtirish: Macao Polytechnic University tomonidan RP/FCHS-01/2023 raqami bilan qo‘llab-quvvatlangan.

Ma’lumotlardan foydalanish imkoniyati: Tadqiqot ma’lumotlari asosli so‘rov bo‘yicha mas’ul muallifdan olinishi mumkinligi ko‘rsatilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvini bildirmagan.

Muallif hissalari: Konseptuallashtirish Sunyu Tao; usul Sunyu Tao va Hongfeng Zhang; dasturiy ta’minot Sunyu Tao va Shenglin Liu; tasdiqlash Sunyu Tao va Shenglin Liu; formal tahlil Sunyu Tao; tadqiqot Sunyu Tao; resurslar Hongfeng Zhang; ma’lumotlarni kuratsiya qilish Sunyu Tao va Shenglin Liu; dastlabki qoralama Sunyu Tao; ko‘rib chiqish va tahrirlash Hongfeng Zhang; vizuallashtirish Sunyu Tao; ilmiy rahbarlik Hongfeng Zhang; loyiha boshqaruvi Hongfeng Zhang; moliyalashtirishni jalb qilish Hongfeng Zhang.

Manba ichidagi nomuvofiqlik 1 — Fornell–Larcker izohi: Asosiy matn eng yuqori konstrukt korrelyatsiyalarini 0,48 deb ta’riflaydi, biroq 3-jadvalda PU–LA korrelyatsiyasi 0,518 ko‘rinadi. Verianla jadval qiymatini o‘zgartirmagan.

Manba ichidagi nomuvofiqlik 2 — HTMT yuqori chegarasi: Matnda HTMT oralig‘i 0,159–0,596 deb yozilgan, biroq 4-jadvalda PU–LA HTMT qiymati 0,651. Verianla aniq qiymat sifatida jadvalda ko‘rsatilgan 0,651 ni asos qilib olgan.

Manba ichidagi nomuvofiqlik 3 — Strukturaviy VIF oralig‘i: Strukturaviy model izohida VIF oralig‘i 1,088–1,239 deb yozilgan; 5-jadvaldagi PENJ → LA qatorida VIF=1,247 mavjud. Verianla bu qiymatni yashirincha o‘zgartirmaydi.

Manba ichidagi nomuvofiqlik 4 — PEOU bilvosita ta’sir p qiymati: 6-jadvaldan oldingi matn PEOU → LA → CLI uchun p<0,01 ifodasini ishlatadi, 6-jadval esa p<0,001 beradi. Asosiy natijalar jadvalida 6-jadvalning aniq qiymati saqlangan va farq bu yerda ko‘rsatilgan.

ANN talqin chegarasi: ANN chiqishlari LA va CLI shkala qiymatlarini bashorat qiladi; haqiqiy IELTS o‘qish/tinglab tushunish ballini bashorat qilmaydi. RMSE natijalari min–max normallashtirishdan keyingi shkalaga tegishli.

MGA talqin chegarasi: Tinglab tushunish va o‘qish kontekstlari uchun qisman o‘lchov invariantligi o‘rnatilgan; to‘liq invariantlik barcha konstruktlarda ta’minlanmagan. Ikki so‘rovnoma shakli vazifa kontekstiga moslashtirilgan.

Sababiylik chegarasi: Tadqiqot kesimiydir. “Ta’sir” va “yo‘l” iboralari PLS-SEM modelidagi statistik munosabat tilidir; eksperimental sababiylikni anglatmaydi.