SUN’IY INTELLEKT ASOSIDA TALABALAR BILIMINI BAHOLASH VA PROGNOZLASHNING RAQAMLI MODELI
DOI:
https://doi.org/10.65164/x5sgj316Kalit so‘zlar:
Sun’iy intellekt, mashinaviy o‘rganish, ta’lim tizimi, talabalar bilimini baholash, akademik natijalarni prognozlash, raqamli model, neyron tarmoqlar, data mining, ta’lim analitikasiAbstrak
Mazkur tadqiqotda sun’iy intellekt texnologiyalariga asoslangan holda talabalar
bilimini baholash va ularning akademik natijalarini prognozlashga mo‘ljallangan raqamli model
ishlab chiqildi. Tadqiqot jarayonida talabalar faoliyatiga oid ko‘p o‘lchovli ma’lumotlar (davomat,
baholar, mustaqil topshiriqlar, onlayn faollik va boshqa ko‘rsatkichlar) yig‘ilib, ular asosida
mashinaviy o‘rganish algoritmlari yordamida tahlil qilindi.
Metodologiya doirasida Logistic Regression, Decision Tree, Random Forest va sun’iy neyron
tarmoqlar kabi modellar qo‘llanilib, ularning samaradorligi o‘zaro taqqoslandi. Modelni baholashda
Accuracy, Precision, Recall va F1-score kabi metrikalardan foydalanildi. Olingan natijalar shuni
ko‘rsatdiki, sun’iy neyron tarmoqlar modeli eng yuqori aniqlikni (0.93) ta’minladi va murakkab
bog‘lanishlarni aniqlashda samarali ekanligi isbotlandi.
Tadqiqot natijalari sun’iy intellekt asosidagi yondashuvlar ta’lim tizimida baholash jarayonini
avtomatlashtirish, talabalar natijalarini oldindan prognozlash va individual yondashuvni
shakllantirishda muhim ahamiyatga ega ekanligini ko‘rsatdi. Taklif etilgan model ta’lim sifatini
oshirish va qaror qabul qilish jarayonini qo‘llab-quvvatlash uchun samarali vosita bo‘lib xizmat
qiladi.
Havolalar
[1]. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. New York: Springer.
[2]. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge: MIT Press.
[3]. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Elsevier.
[4]. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill Education.
[5]. Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press.
284
[6]. Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art.
IEEE Transactions on Systems, Man, and Cybernetics, 40(6), 601–618.
[7]. Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In
Learning Analytics (pp. 61–75). Springer.
[8]. Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education.
EDUCAUSE Review, 46(5), 30–40.
[9]. Rayimjonova, O. S., & Toshpulatov, S. M. (2025). Flyugerlar uchun burchakli siljish o
‘zgartirgichlarini tahlil qilish va zamonaviy nanolitografik texnologiya tamoyillari.
Строительство и образование, 4(3), 185-192.
[10]. Райимжонова, О. С., Эргашев, Ш. У., & Тиллабоев, М. Г. (2023). Арсенид галлийли афн–
элементлар. ЖУРНАЛИ, 234.
[11]. Райимжонова, О. (2023). Оптоэлектронное измерение сильных токов и сильных
магнитных полей. Engineering problems and innovations, 1(1), 35-38.
[12]. Tojiboev, I., Rayimjonova, O. S., Iskandarov, U. U., Makhammadjonov, A. G., & Tokhirova,
S. G. (2022). Analysis of the flow of information of the physical level of internet services in
multiservice networks of telecommunications. Мировая наука, (3 (60)), 26-29.
[13]. Rayimjonova, O. S., & Nurdinova, R. A. (2024). Boshqarish va nazorat qilish sistemalari uchun
issiqlik o ‘zgartirgichlarni tadqiq qilish. Al-Farg’oniy avlodlari, (2), 152-157.
[14]. Ergashev, S. U., & Tillaboyev, M. G. (2025). Аномально высокий диотовольтаический
эффект в тонких пленках арсенид-галлия. Строительство и образование, 4(3), 179-184.
[15]. Muxiddinjon, T. (2024). Pillani namligini o ‘lchishning optoelektron qurilmasi. Al-Farg’oniy
avlodlari, (4), 189-192.
[16]. Rustambekovich, D. L. (2025). RAQAMLI TASVIRLARNI QAYTA ISHLASHDA
SHOVQINNI KAMAYTIRISH USULLAR. TADQIQOTLAR, 76(4), 347-352.
[17]. Khalilov, M. M. (2023). Effect of heat treatment on the photosensitivity of polycrystalline PbTe
films and PbS. Al-Farg’oniy avlodlari, 1(4), 218-221.
