СТУДЕНТТЕРДІҢ СЫНИ ОЙЛАУ ДАҒДЫЛАРЫН ДАМЫТУҒА АРНАЛҒАН БЕЙІМДЕЛГІШ ОҚЫТУ ЖҮЙЕСІН ӘЗІРЛЕУДЕ ЖАСАНДЫ ИНТЕЛЛЕКТТІ ҚОЛДАНУ

Мақалада жасанды интеллект элементтерін пайдалана отырып, білім алушылардың сыни ойлауын қалыптастыруға және бағалауға арналған бейімделгіш оқыту жүйесін әзірлеу және пилоттық апробациялау нәтижелері көрсетілген. Эсселерді автоматтандырылған және үлкен тілдік модельдерге (LLM) негізделген бағалау бағыттарындағы қолданыстағы зерттеулермен салыстырғанда, зерттеудің ғылыми жаңалығы сыни ойлауды көпкомпонентті бағалау, ЖИ негізіндегі бағалаудың каскадты механизмі және апелляция механизмін қолдануымен сипатталады. Бұл студенттің сыни ойлауын дамытудағы әлсіз тұстарын дәлірек анықтауға, сыни ойлауды бағалаудың ашықтығын қамтамасыз етуге, жүйенің істен шығу жағдайларына төзімділігін арттыруға және даулы жағдайларда студентке бағалау нәтижесіне шағымдану мүмкіндігін беруге мүмкіндік береді. Жүйе эсселер мен есептердің шешімдерін сыни ойлаудың алты компоненті бойынша бағалайды: талдау, интерпретация, бағалау, аргументация, логикалық байланыстылық және рефлексия. Әрбір компонент үшін есептеу формулалары ұсынылды; олар тілдік модельдер, сөйлем түрлендіргіштеріне негізделген семантикалық эмбеддингтер және резервтік TF-IDF механизмі арқылы есептеледі. Апробация К.И. Сәтбаев атындағы Қазақ ұлттық техникалық зерттеу университетінің (Satbayev University) 20 студентінен құралған таңдамада жүргізілді. Сараптамалық бағалауға авторлар қатарынан үш оқытушы қатысты. Эксперименттік деректер 40 студенттік жұмысты қамтыды: 20 эссе және 20 есептің шешімі. Әрбір жұмысты үш оқытушы тәуелсіз бағалады, сондай-ақ жұмыстар оқыту жүйесі арқылы бағаланды. Эталондық баға ретінде үш оқытушының орташа бағасы алынды. Автоматтандырылған бағалау мен орташа сараптамалық бағалау арасындағы корреляция r = 0,84 құрады, ал орташа ауытқу он балдық шкала бойынша 1,0 балл болды. Алынған нәтижелер жүйені оқытушыны қолдау құралы ретінде пайдалануға мүмкіндік беретінін көрсетеді, алайда оны үлкенірек таңдама негізінде әрі қарай зерттеу қажет. Ойындандыру элементтері, прогресті визуализациялау және апелляция механизмі білім алушылардың қызығушылығын арттырып, автоматтандырылған және сараптамалық бағалау арасындағы тепе-теңдікті қамтамасыз етеді.

1. Batdı, V., Elaldı, Ş., Özçelik, C. et al. Evaluation of the effectiveness of critical thinking training on critical thinking skills and academic achievement by using mixed-meta method. Review of Education, 12, e70001 (2024). https://doi.org/10.1002/rev3.70001

2. Almulla, M.A. Constructivism Learning Theory: A Paradigm for Students' Critical Thinking, Creativity, and Problem Solving to Affect Academic Performance in Higher Education. Sustainability, 15 (17), 12903 (2023). https://doi.org/10.1080/2331186X.2023.2172929

3. Pack, A., Barrett, A., and Escalante, J. Large language models and automated essay scoring of English language learner writing: Insights into validity and reliability. Computers and Education: Artificial Intelligence, 6, 100234 (2024). https://doi.org/10.1016/j.caeai.2024.100234

4. Facione, P.A. Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction (The Delphi Report) (Millbrae, CA: California Academic Press, 1990).

5. Uto, M. A Review of Deep-Neural Automated Essay Scoring Models. Behaviormetrika, 48 (2), 459– 484 (2021). https://doi.org/10.1007/s41237-021-00142-y

6. Lee, S., Cai, Y., Meng, D., Wang, Z., and Wu, Y. Unleashing Large Language Models' Proficiency in Zero-shot Essay Scoring. arXiv preprint, arXiv:2404.04941 (2024). https://arxiv.org/abs/2404.04941

7. Stahl, M., Biermann, L., Nehring, A., and Wachsmuth, H. Exploring LLM Prompting Strategies for Joint Essay Scoring and Feedback Generation. Proceedings of the 19th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2024) (Mexico City: Association for Computational Linguistics, 2024), pp. 283–298. https://aclanthology.org/2024.bea-1.23/

8. Chu, S.Y., Kim, J.W., Wong, B., and Yi, M.Y. Rationale Behind Essay Scores: Enhancing S-LLM's Multi-Trait Essay Scoring with Rationale Generated by LLMs. Findings of the Association for Computational Linguistics: NAACL 2025 (Albuquerque, New Mexico: Association for Computational Linguistics, 2025), pp. 5811–5829. https://doi.org/10.18653/v1/2025.findings-naacl.322

9. Bloom, B.S. Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain (New York: David McKay Company, 1956).

10. Reimers, N., and Gurevych, I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP) (2019). https://doi.org/10.18653/v1/D19-1410

11. Klebanov, B.B., and Madnani, N. Automated Essay Scoring. Synthesis Lectures on Human Language Technologies (Morgan & Claypool Publishers, 2024).