ЖАСАНДЫ ИНТЕЛЛЕКТ: ИНЖЕНЕРЛІК БІЛІМ БЕРУДЕГІ ЖАҢА БИОИНСПИРАЦИЯЛЫҚ ТӘСІЛ

Білім алу процесінде гомеостазды нейроэндокриндік реттеу қағидатына негізделген біріздендірілген жасанды иммундық жүйені пайдалану арқылы техникалық мамандықтар бойынша қашықтан оқытудың когнитивтік технологиясы әзірленді. Ұсынылған БЖИЖ–НЭЖ (біріздендірілген жасанды иммундық жүйе – нейроэндокриндік жүйе) технологиясы негізінде өнеркәсіптік автоматтандырудың күрделі объектілерін басқаруға арналған интеллектуалды қашықтан білім беру жүйесін іске асыру үшін иммундық, нейрондық және эндокриндік ішкі жүйелердің онтологиялық модельдерінен тұратын интеграцияланған онтологиялық модель жасалды. Осы модель негізінде оқу процесіне когнитивтік технологияны енгізуге арналған білім базасы қалыптастырылды. Деректерді екі кезеңде өңдеу үшін сыныптар мен ішкі сыныптар әзірленіп, олардың өзара әрекеттесуі қарастырылды: атап айтқанда, ақпараттық емес белгілерді редукциялау және биоинспирациялық алгоритмдер негізінде жіктеу міндеттері шешілді. Жүйе сапасын бағалау критерийлері өзара бірін-бірі жоққа шығаратын сыныптарға (жақсы және нашар нәтижелер) бөлу арқылы метрикалар негізінде әзірленді. Технология негізінде деректерді талдау нәтижесінде алынған кәсіби инженерлік дағдылар деңгейі, пәнді сәтті меңгеру ықтималдығы және білім алушының күрделі техникалық басқару міндеттерін шешуге дайындығы деңгейі болжанады. Бұл көрсеткіштер студенттің құзыреттерінің цифрлық профилі түрінде ұсынылады.

1. Rahman, A., Khandakar, A., Ayari, M.A. et al. Artificial intelligence innovations challenges and emerging trends in engineering education. Discov Educ 5, 179 (2026). https://doi.org/10.1007/s44217-02601137-1

2. Liu, Y., Jing, Y., Li, J., Dai, J. Application of AI in engineering education: A bibliometric study. Review of Education, 13(1), e70044 (2025) https://doi.org/10.1002/rev3.70044.

3. Liu, C. A comprehensive review of applications of AI technologies in higher engineering education. Discov Educ 4, 528 (2025). https://doi.org/10.1007/s44217-025-00954-0.

4. Tiukhova, E., Vemuri, P., Flores, N.L. et al. Explainable Learning Analytics: Assessing the stability of student success prediction models by means of explainable AI. Decision Support Systems. 182, 114229 (2024). https://doi.org/10.1016/j.dss.2024.114229.

5. Taşkın, M. Artificial Intelligence in Personalized Education: Enhancing Learning Outcomes Through Adaptive Technologies and Data-Driven Insights. Human Computer Interaction. 202, 1, 173. https://doi.org/10.62802/ygye0506.

6. Hazrat, M.A., Hassan, N.M.S., Chowdhury, A.A., Rasul, M.G., Taylor, B.A. Developing a Skilled Workforce for Future Industry Demand: The Potential of Digital Twin-Based Teaching and Learning Practices in Engineering Education. Sustainability 2023, 15, 16433. https://doi.org/10.3390/su152316433.

7. Magaña, E.C., Ariza, A.C., Ruiz-Palmero, J. et al. Virtual, augmented, and mixed reality in the University environment: an analysis of scientific production. J. New Approaches Educ. Res. 14, 8 (2025). https://doi.org/10.1007/s44322-025-00027-y.

8. Wang, N., Wang, Х., Su, Y. Critical analysis of the technological affordances, challenges and future directions of Generative AI in education: a systematic review. Asia Pacific Journal of Education, 44, 139–155 (2024). https://doi.org/10.1080/02188791.2024.2305156.

9. Cuperman, D., Raveh, I. Adaptation of Engineering Higher Education to Teaching Industry 4.0 Technologies: Faculty Perspectives on Opportunities, Challenges, and Needs. In book: 2025 Yearbook Emerging Technologies in Learning (pp. 37–53). 2026. https://doi.org/10.1007/978-3-032-09058-4_3.

10. Pulari, S.R., Shomona GraciaJacob, S.G. Research Insights on the Ethical Aspects of AI-Based Smart Learning Environments: Review on the Confluence of Academic Enterprises and AI. Procedia Comput. Sci. 256, 284–291 (2025). https://doi.org/10.1016/j.procs.2025.02.122.

11. Zhang, H., Lee, I., Ali, S. et al. Integrating Ethics and Career Futures with Technical Learning to Promote AI Literacy for Middle School Students: An Exploratory Study. Int J Artif Intell Educ. 33, 290–324 (2023). https://doi.org/10.1007/s40593-022-00293-3.

12. Li, K.C., Wong, B.T.M., Chan, H.T. Teaching and learning innovations for distance learning in the digital era: a literature review. Frontiers in Education, 8 (2023). https://doi.org/10.3389/feduc.2023.1198034. 13 Liu, C., Wang, GC, Wang, HF. The application of artificial intelligence in engineering education: A

13. systematic review. IEEE Access. 2025; 13:17895–17910. https://doi.org/10.1109/ACCESS.2025.3532595.

14. Ayanwale, M.A., Olatunbosun, S.O. & Bamiro, N.B. Mapping neural network research in education through bibliometric analysis. Discov Educ х5, 224 (2026). https://doi.org/10.1007/s44217-026-01194-6.

15. Al Faraby, S., Adiwijaya, A. & Romadhony, A. Review on Neural Question Generation for Education Purposes. Int J Artif Intell Educ., 34, 1008–1045 (2024). https://doi.org/10.1007/s40593-023-00374-x.

16. Tobias, A.G., Kittur J. Strategic innovations and future directions in deep learning for engineering applications: a systematic literature review. Front. Educ., 10, 1583404 (2025). https://doi.org/10.3389/feduc.2025.1583404.

17. Umair, M., Rashid, N., Khan, U.S., et al. Negative selection-based artificial immune system (NegSlAIS): A hybrid multimodal emotional effect classification model. Results in Engineering, 27, 106601 (2025). https://doi.org/10.1016/j.rineng.2025.106601

18. Astachova, I., and Kiseleva, E. The application of the artificial immune system for design, development and using of the hybrid system in education. In: Sukhomlin, V., and Zubareva, E. (eds.), Modern Information Technology and IT Education. Communications in Computer and Information Science, Vol. 1204 (Cham: Springer, 2021), pp. 95–109. https://doi.org/10.1007/978-3-030-78273-3_7

19. Samigulina, G.A., and Samigulin, T.I. Development of a cognitive mnemonic scheme for an optical Smart-technology of remote learning based on artificial immune systems. Computer Optics, 45 (2), 286–295 (2021). https://doi.org/10.18287/2412-6179-CO-736

20. Samigulina, G.A., and Samigulina, Z.I. Development of Intelligent Technology for Complex Objects Control Based on a Unified Artificial Immune System and Principles of Immunological Homeostasis for Industrial Automation Using Modern Microprocessor Equipment (Yelm, WA, USA: Science Book Publishing House, 2023), 196 p. ISBN 978-1-62174-150-3.

21. Paradise, C.J., and Campbell, A.M. Organismal Homeostasis (New York: Garland Science, 2016), 100 p.

22. Michael-Titus, A.T., and Shortland, P. The Nervous System: Systems of the Body, ed. S.H. Hughes (Amsterdam: Elsevier, 2022), 344 p. ISBN 0702083402.

23. Hinson, J.P., Raven, P., Chew, S.L., and Hughes, S.H. The Endocrine System, 3rd ed. (Oxford: Elsevier, 2022). (Systems of the Body Series).

24. Sompayrac, L.M. How the Immune System Works, 7th ed. (Hoboken, NJ: Wiley-Blackwell, 2022), 176 p. ISBN 978-1-119-89068-3.

25. Chen, Y., Wang, X., and Zhang, Q. Unified artificial immune system. In: Proceedings of the 5th International Conference on Computational Intelligence and Communication Networks (CICN) (2013), pp. 617–621. https://doi.org/10.1109/CICN.2013.135

26. Samigulina, G.A., Samigulina, Z.I., and Bekeshev, D. Development of an Intelligent Self-Assembly Technology for a Unified Artificial Immune System to Control Complex Industrial Automation Objects Using a Neuroendocrine System (Yelm, WA, USA: Science Book Publishing House, 2026), 228 p. ISBN 978-162174-164-0.

27. Liu, B., Xu, M., Gao, L., and Di, X. A hybrid approach for high-dimensional optimization: Combining particle swarm optimization with mechanisms in neuro-endocrine-immune systems. Knowledge-Based Systems, 253, 109527 (2022). https://doi.org/10.1016/j.knosys.2022.109527

28. Lundberg, S.M., and Lee, S.I. A unified approach to interpreting model predictions. In: Advances in Neural Information Processing Systems, Vol. 30 (2017), pp. 4765–4774.

29. Protégé Ontology Editor and Knowledge Acquisition System. Available at: Protégé.

30. Samigulina, G.A., Samigulina, Z.I., and Bekeshev, D.D. SELF-ASSEMBLY OF A UNIFIED ARTIFICIAL IMMUNE SYSTEM WITH NEUROENDOCRINE INTERACTION. Author’s Certificate No. 62526, published September 30, 2025.

31. BilimClass Educational Platform. Available at: BilimClass.

32. Microsoft Teams. Available at: Microsoft Teams.

33. Samigulina, G.A., and Samigulina, Z.I. Development of a multi-agent system for intelligent diagnostics of industrial equipment. KBTU Bulletin, 22 (3), 85–97 (2025). https://doi.org/10.55452/1998-6688-2025-22-3-85-97

34. Samigulina, G., Samigulina, Z., and Bekeshev, D. Bio-inspired modified framework for advanced predictive maintenance. Procedia Computer Science, 278, 125–132 (2026). https://doi.org/10.1016/j.procs.2026.02.446

35. Samigulina, G., Samigulina, Z., Bekeshev, D., et al. Digital twin-enabled intelligent HMI for real-time industrial automation systems. Scientific Reports (2026). https://doi.org/10.1038/s41598-026-53028-y