Sun’iy Intellekt va Raqamli Iqtisodiyot

hamda analitik tafakkurni talab etadi. Shu sababli an’anaviy o‘qitish metodlari ko‘pincha talabalarning individual bilim darajasi, o‘zlashtirish tezligi va kognitiv xususiyatlarini yetarli darajada hisobga olmaydi. Sun’iy intellekt asosidagi adaptiv o‘qitish tizimlari ushbu cheklovlarni bartaraf etish orqali ta’lim jarayonini shaxsga yo‘naltirilgan, moslashuvchan va natijador shaklda tashkil etish imkonini beradi. Bunday tizimlar talabaning bilim darajasi, xatoliklari, o‘rganish strategiyasi va faolligini doimiy monitoring qilish orqali individual o‘quv trayektoriyasini shakllantiradi [1, 2]. Adaptiv o‘qitish metodikasining markazida talabaning o‘quv faoliyatini real vaqt rejimida tahlil qilish va unga mos pedagogik qarorlarni avtomatik qabul qilish mexanizmi yotadi. Sun’iy intellekt algoritmlari o‘quv jarayonida to‘plangan katta hajmdagi ma’lumotlarni qayta ishlash orqali talabaning bilim bo‘shliqlarini aniqlaydi, o‘quv materialining murakkablik darajasini moslashtiradi va individual tavsiyalar ishlab chiqadi. Bu jarayon umumkasbiy fanlarni o‘zlashtirishda nazariy bilimlar va amaliy ko‘nikmalar o‘rtasidagi uzviy bog‘liqlikni mustahkamlashga xizmat qiladi. Axborot tizimlari va texnologiyalari yo‘nalishida adaptiv o‘qitish tizimlari algoritmik fikrlash, tizimli tahlil, dasturlash asoslari, ma’lumotlar bazalari va axborot xavfsizligi kabi umumkasbiy fanlarni o‘qitishda alohida ahamiyat kasb etadi. Ushbu fanlarda bilimlarning ketma-ketligi va mantiqiy bog‘liqligi yuqori bo‘lgani sababli oldingi mavzularni yetarli darajada o‘zlashtirmagan talaba keyingi bosqichlarda qiyinchiliklarga duch keladi. Adaptiv tizimlar esa talabaning o‘zlashtirish darajasiga mos ravishda o‘quv materialini takrorlash, mustahkamlash yoki murakkablashtirish imkonini beradi [2]. Аsosiy qism. Sun’iy intellekt asosidagi adaptiv o‘qitish metodikasi ta’lim jarayonini avtomatlashtirish bilan birga pedagogik nazorat va baholash mexanizmlarini ham takomillashtiradi. Avtomatik baholash tizimlari talabaning bilim darajasini obyektiv aniqlash, xatolarni tahlil qilish va ularni bartaraf etish bo‘yicha individual tavsiyalar berish imkonini yaratadi. Bu esa baholash jarayonining shaffofligi va adolatliligini oshirib, talabalarning o‘quv motivatsiyasini kuchaytiradi. Adaptiv o‘qitish tizimlarining samaradorligi ularning metodik jihatdan to‘g‘ri loyihalanishiga bevosita bog‘liq. Metodika talabaning bilimlarni o‘zlashtirish jarayonini bosqichma-bosqich tashkil etish, o‘quv materialini modullashtirish va o‘rganish natijalarini doimiy tahlil qilish tamoyillariga asoslanadi. Sun’iy intellekt algoritmlarining pedagogik maqsadlar bilan uyg‘unlashuvi ta’lim jarayonining sifat jihatidan yangi bosqichga ko‘tarilishiga olib keladi [2, 3]. Axborot tizimlari va texnologiyalari yo‘nalishida adaptiv o‘qitish metodikasi talabalarning mustaqil ta’lim faoliyatini faollashtirishga ham xizmat qiladi. Individual topshiriqlar, moslashtirilgan testlar va interaktiv mashg‘ulotlar talabalarda mas’uliyat, o‘z-o‘zini nazorat qilish va refleksiv fikrlash ko‘nikmalarini rivojlantiradi. Natijada ta’lim jarayoni faqat bilim berishga emas, balki kasbiy faoliyat uchun zarur bo‘lgan kompetensiyalarni shakllantirishga yo‘naltiriladi. 199

Sun’iy intellekt asosidagi adaptiv tizimlar o‘qituvchi faoliyatining mazmunini ham tubdan o‘zgartiradi. O‘qituvchi an’anaviy bilim yetkazuvchi rolidan ko‘ra, ta’lim jarayonini loyihalovchi, boshqaruvchi va tahlil qiluvchi sub’ektga aylanadi. Bu holat o‘qituvchidan yuqori darajadagi raqamli va metodik kompetensiyalarni talab etadi. Shu bilan birga, adaptiv tizimlar o‘qituvchiga har bir talabaning o‘quv faoliyati haqida batafsil analitik ma’lumotlar taqdim etib, individual pedagogik yondashuvni amalga oshirish imkonini beradi. Adaptiv o‘qitish metodikasining muhim jihatlaridan biri uning moslashuvchanligidir. Sun’iy intellekt algoritmlari ta’lim jarayonidagi o‘zgarishlarga tezkor moslashib, o‘quv materialining mazmuni va shaklini dinamik ravishda yangilaydi. Bu esa axborot texnologiyalari sohasida tez-tez yangilanib boradigan bilim va ko‘nikmalarni o‘zlashtirishda muhim ahamiyatga ega. Talabalar zamonaviy texnologiyalar bilan ishlash jarayonida real kasbiy vaziyatlarga yaqinlashtirilgan o‘quv topshiriqlarini bajarish orqali amaliy tajriba orttiradi [4]. Sun’iy intellekt asosidagi adaptiv o‘qitish tizimlari yordamida umumkasbiy fanlarni o‘qitish jarayonida differensial va individual yondashuvlar samarali amalga oshiriladi. Har bir talabaning bilim darajasi, o‘rganish uslubi va kognitiv xususiyatlari hisobga olinib, o‘quv materialining optimal variantlari taklif etiladi. Bu holat ta’lim jarayonida teng imkoniyatlar yaratib, bilimlarni o‘zlashtirishdagi individual farqlarni kamaytirishga xizmat qiladi [5]. Хulosa va amaliy tavsiyalar. Axborot tizimlari va texnologiyalari yo‘nalishida adaptiv o‘qitish metodikasini joriy etish ta’lim sifatini oshirish bilan birga mehnat bozorining zamonaviy talablariga mos raqobatbardosh mutaxassislarni tayyorlashga ham zamin yaratadi. Sun’iy intellekt texnologiyalari bilan integratsiyalashgan ta’lim tizimlari talabalarning kasbiy faoliyatga tayyorgarligini kuchaytirib, ularni innovatsion muhitda samarali ishlashga yo‘naltiradi. Adaptiv o‘qitish tizimlarining metodik samaradorligi ularning ilmiy asoslangan pedagogik tamoyillarga tayanishi bilan belgilanadi. Ta’lim jarayonining tizimliligi, uzluksizligi va natijadorligi sun’iy intellekt imkoniyatlari bilan uyg‘unlashganda, umumkasbiy fanlarni o‘zlashtirish jarayoni yuqori samaradorlikka erishadi. Bu esa raqamli ta’lim muhitida ta’lim sifatini ta’minlashning muhim sharti sifatida namoyon bo‘ladi [5]. Xulosa o‘rnida shuni aytish joizki, sun’iy intellekt asosidagi adaptiv o‘qitish tizimlari orqali umumkasbiy fanlarni o‘zlashtirish samaradorligini oshirish metodikasi axborot tizimlari va texnologiyalari yo‘nalishida ta’lim jarayonini takomillashtirishning ilmiy-amaliy modeli sifatida qaraladi. Ushbu metodika talabalarning bilim, ko‘nikma va malakalarini chuqur va barqaror shakllantirish, o‘qitish jarayonini individuallashtirish va raqamli pedagogika imkoniyatlaridan samarali foydalanishga xizmat qiladi. Foydalanilgan adabiyotlar 1. Saidaxmedov N.S. Pedagogik texnologiyalar va raqamli ta’lim asoslari. – Toshkent: O‘qituvchi 2019 yil.. 200

2. Xodjayev B.X. Raqamli pedagogika va ta’limda sun’iy intellekt. – Toshkent: Fan va texnologiya 2021 yil.. 3. Абдуллаева О.С. Совершенствование технологии создания и использования интеллектуальной системы управления деятельностью кафедры в условиях инновационного развития высшего образования. Монография. - Тошкент: Фан зиёси, 2023, 224 б. 4. Abduraximov, D., Taniberdiyev, A., Monasipova, R., & Ismatillayev, A. (2023). Axborot texnologiyalari fanlarida darsdan tashqari mashg‘ulotlarni tashkil qilish. Евразийский журнал технологий и инноваций, 1(5 Part 2), 96-103. 5. Abduraximov, D., Taniberdiyev, A., Monasipova, R., & Ismatillayev, A. (2023). O‘qituvchining innovatsion faoliyatga tayyorlash metodlari. Евразийский журнал технологий и инноваций, 1(5 Part 2), 123-127. FOYDALANUVCHINI KLAVIATURA DINAMIKASI ORQALI ANIQLASHDA ECKNN VA DTW USULLARINING SAMARADORLIK TAHLILI Rasulmuxamedov Maxamadaziz, TDTU, prof. rasulmukhamedov@gmail.com Mirzayev Nomaz, Muhammad al-Xorazmiy nomidagi TATU, prof.nomazmirza@rambler.ru G‘afforov Nuraddin, Raqamli texnologiyalar va sun'iy intellekt tadqiqot instituti, tayanch doktorant +mrgaffarov28@gmail.com Annotatsiy. Ushbu maqolada klaviatura dinamikasi asosida shaxsni aniqlash masalasi ko‘rib chiqilgan. Tadqiqotda foydalanuvchilarning matn terish jarayonida hosil bo‘ladigan vaqt belgilaridan, xususan tugmalar orasidagi vaqt oralig‘i hamda tugmani bosib turish davomiyligidan foydalanilgan. Shaxsni aniqlash uchun ECkNN va DTW usullariga tayangan yondashuv qo‘llanilgan hamda uning samaradorligi 1NN-DTW va oddiy kNN regressiya usullari bilan taqqoslangan. Tajribalar natijasida ECkNN usuli yuqori natija ko‘rsatgani, ayniqsa turli vaqt belgilarini birlashtirish aniqlikni oshirishi aniqlangan. Shuningdek, tugmani bosib turish davomiyligi foydalanuvchini farqlashda muhim belgi ekani ko‘rsatildi. Olingan natijalar klaviatura dinamikasi asosida biometrik identifikatsiya tizimlarini yaratishda taklif etilgan yondashuv samarali ekanini tasdiqlaydi. Kalit so‘zlar: klaviatura dinamikasi, shaxsni aniqlash, biometrik identifikatsiya, matn terish xususiyatlari, vaqt belgilari, ECkNN, DTW, k-eng yaqin qo‘shni, vaqt qatorlari, foydalanuvchi autentifikatsiyasi. Аннотация. В данной статье рассматривается вопрос идентификации личности на основе динамики клавиатуры. В исследовании использовались временные метки, образующиеся в процессе набора текста пользователями, в частности, временной интервал между клавишами и продолжительность нажатия клавиши. Для идентификации личности использовался подход, основанный на методах ECkNN и DTW, а его эффективность сравнивалась с 1NN-DTW и обычными методами регрессии kNN. В результате экспериментов было установлено, что метод ECkNN показал высокие результаты, особенно объединение различных временных знаков повышает точность. Также было показано, что продолжительность нажатия на кнопку является важным признаком для различения пользователя. Полученные результаты подтверждают эффективность предложенного подхода к созданию систем биометрической идентификации на основе динамики клавиатуры. Ключевые слова: динамика клавиатуры, идентификация личности, биометрическая идентификация, особенности набора текста, временные метки, ECkNN, DTW, k-ближайший сосед, временные ряды, аутентификация пользователя. Abstract. This article examines the issue of identifying a person based on keyboard dynamics. The study used time marks that appear in the process of user typing, in particular, the 201

time interval between buttons and the duration of button pressing. For personality identification, an approach based on ECkNN and DTW methods was used, and its effectiveness was compared with 1NN-DTW and conventional kNN regression methods. As a result of the experiments, it was found that the ECkNN method showed high results, especially the combination of different timestamps increases accuracy. It was also shown that the duration of button pressing is an important characteristic for distinguishing the user. The obtained results confirm the effectiveness of the proposed approach to the creation of biometric identification systems based on keyboard dynamics. Keywords: keyboard dynamics, identity identification, biometric identification, typing features, timestamps, ECkNN, DTW, k-nearest neighbor, time series, user authentication. Kirish. Zamonaviy masofaviy xizmatlar kengaygani sari foydalanuvchini ishonchli identifikatsiya qilish dolzarb bo‘lib bormoqda. Parol/PIN kabi an’anaviy usullar va barmoq izi, ko‘z gavhari kabi biometrik yondashuvlar mavjud bo‘lsa-da, onlayn bank, masofaviy ta’lim va veb-xizmatlar uchun arzon hamda qulay yechimlarga ehtiyoj yuqori [1]. Shunday istiqbolli yo‘nalishlardan biri – klaviaturada matn terish dinamikasi asosida shaxsni aniqlash bo‘lib, u tugmani bosib turish davomiyligi va tugmalar orasidagi vaqt oralig‘i kabi temporal ko‘rsatkichlarga tayangan holda foydalanuvchiga xos “typing pattern”ni ajratadi. Garchi bir foydalanuvchi har safar bir xil ritmda termasa ham, uning vaqt qatorlari odatda boshqalarnikiga nisbatan yaqinroq bo‘ladi [2]. Ko‘p foydalanuvchili tizimlarda bunday naqshlarni qo‘lda tahlil qilish imkonsizligi sababli masala mashinaviy o‘qitish doirasida vaqt qatorlarini klassifikatsiyalash muammosi sifatida qaraladi. Bu yo‘nalishda turli usullar taklif etilgan bo‘lsa-da, 1NN-DTW kuchli bazaviy yechimlardan biri sanaladi. Biroq nearest neighbor modellarida “bad hubs” hodisasi uchrab, noto‘g‘ri sinfga mansub namunalar ko‘p hollarda eng yaqin qo‘shni bo‘lib tanlanishi natijasida xatolar ortishi mumkin. Shuning uchun “hubness-aware” yondashuvlar orqali bu kamchilikni kamaytirish muhim [4,5]. Tadqiqotda asosiy yechim sifatida DTW masofasiga tayanuvchi ECkNN (xatoni tuzatishga asoslangan hubness-aware regression) tanlanib, identifikatsiya aniqligini oshirish maqsad qilingan. Vazifa “classification-via-regression” tamoyiliga ko‘ra tashkil etilib, foydalanuvchi juftlari uchun 0/1 yorliqli model quriladi va yangi typing pattern natijasiga ko‘ra da’vo qilingan shaxsga yaqinlik baholanadi. Tadqiqotning maqsadi klaviatura dinamikasi asosida foydalanuvchini aniqlash uchun ECkNN va DTW ga asoslangan yondashuvni taklif qilish, uning samaradorligini dastlabki eksperimentlar orqali baholash va mavjud kuchli bazaviy usullar bilan taqqoslashdan iborat. Asosiy qism. Ushbu tadqiqotda shaxsni klaviatura dinamikasi asosida aniqlash masalasi vaqt qatorlarini tasniflash muammosi sifatida qaraldi. Taklif etilgan yondashuvning asosini Nearest Neighbour Regression with Error Correction (ECkNN) modeli tashkil etadi. Ushbu model oddiy k-eng yaqin qo‘shni regressiyasining hubness-aware, ya’ni “bad hubs” ta’sirini kamaytirishga yo‘naltirilgan kengaytmasi hisoblanadi. Muallif maqolada ECkNN turli turdagi ma’lumotlarga, jumladan vektorlar va vaqt qatorlariga, mos masofa o‘lchovi mavjud bo‘lsa qo‘llanishi mumkinligini ta’kidlaydi. Mazkur ishda instansiyalar 202

sifatida foydalanuvchilarning matn terish jarayonidan olingan vaqt qatorlari ishlatilgan [6]. ECkNN usulining muhim jihati shundaki, u o‘qitish bosqichida training namunalarining asl yorliqlarini to‘g‘rilangan yorliqlar bilan almashtiradi. Maqolada ushbu to‘g‘rilangan yorliq quyidagi ko‘rinishda berilgan: 1 ∑ 𝑦( 𝑥𝑖 ), agar ∣ 𝐼𝑥 ∣≥ 1, 𝑦𝑐 (𝑥) = {∣ 𝐼𝑥 ∣ 𝑥𝑖 ∈𝐼𝑥 𝑦(𝑥), aks holda. (1) Bu yerda 𝐼𝑥 – 𝑥 namunani o‘zining 𝑘-eng yaqin qo‘shnilaridan biri sifatida qabul qilgan training namunalar to‘plami, ∣ 𝐼𝑥 ∣ – ushbu to‘plam quvvati, 𝑦(𝑥) esa 𝑥 namunaga tegishli asl, ya’ni to‘g‘rilanmagan yorliqdir. Demak, agar ma’lum bir namuna boshqa ko‘plab instansiyalar uchun yaqin qo‘shni bo‘lsa, uning sinfga oid ta’siri o‘sha qo‘shnichilik kontekstida qayta baholanadi [7]. Shu orqali bad hub bo‘lish ehtimoli mavjud nuqtalarning zararli ta’siri kamaytiriladi. Yangi namunalar uchun bashoratlash jarayonida ECkNN to‘g‘rilangan yorliqlar asosida 𝑘-eng yaqin qo‘shni regressiyani bajaradi. Ya’ni yangi 𝑥 * vaqt qatori uchun training to‘plamdagi eng yaqin 𝑘ta qo‘shni topiladi va ularning to‘g‘rilangan yorliqlari o‘rtachasi model chiqishi sifatida olinadi. Buni quyidagicha yozish mumkin: 𝑦̂(𝑥 * ) = 1 𝑘 ∑ 𝑥𝑗 ∈𝑁𝑘 (𝑥 * ) 𝑦𝑐 (𝑥𝑗 ), bu yerda 𝑁𝑘 (𝑥 * )— 𝑥 * namunaga eng yaqin 𝑘 ta qo‘shnilar to‘plami. Yangi namunaning baholangan yorlig‘i sifatida “qo‘shnilarning tuzatilgan yorliq qiymatlari o‘rtachasi” olinishi ta’kidlanadi; yuqoridagi yozuv aynan shu jarayonning ixcham matematik ifodasidir [7,8]. Namunalarning o‘xshashligini aniqlash uchun Dynamic Time Warping (DTW) masofasi qo‘llanilgan. DTW vaqt bo‘yicha cho‘zilishlar va kichik nomuvofiqliklarga nisbatan barqaror bo‘lgani sababli klaviatura dinamikasi kabi vaqt qatorlarini taqqoslash uchun mos keladi. Shaxsni aniqlash masalasi classification-via-regression tamoyili asosida qurilgan. Har bir foydalanuvchi juftligi uchun alohida model tuzilgan: bir foydalanuvchi namunalariga 0, ikkinchisiga 1 yorliq biriktirilgan. Model chiqishi [0, 1] oralig‘ida bo‘lib, qaror chegara qiymat asosida qabul qilingan. Tajribalar 4 nafar foydalanuvchidan olingan 200 ta typing seans asosida o‘tkazilgan. Har bir foydalanuvchi uchun dastlabki 5 ta namuna training, qolganlari esa test sifatida ishlatilgan. Har bir seansda ikki turdagi vaqtli belgilar qayd etilgan: tugmalar orasidagi vaqt oralig‘i va tugmani bosib turish davomiyligi. Model samaradorligi accuracy orqali baholangan, natijalar foydalanuvchi juftliklari bo‘yicha o‘rtachalashtirilgan, statistik ahamiyat esa binomial test yordamida tekshirilgan. Taqqoslash maqsadida ikki asosiy usul qo‘llandi: DTW metrikasiga tayanuvchi 1-eng yaqin qo‘shni hamda oddiy k-eng yaqin qo‘shnilar regressiyasi (k=5). Taklif etilgan ECkNN yondashuvi ham k=5 sharoitida uch xil variantda 203

sinovdan o‘tkazildi: tugmalar orasidagi vaqt oralig‘i, tugmani bosib turish davomiyligi va ushbu ikki belgini birgalikdagi holati. Dastlabki tajribalarda 4 nafar foydalanuvchidan olingan qariyb 200 ta matn terish namunasi tahlil qilindi. Har bir foydalanuvchi bir xil qisqa matnni bir necha marta terib, tugmalar orasidagi vaqt va tugmani bosib turish davomiyligi kabi ikki turdagi vaqt belgisi qayd etildi. Har bir foydalanuvchining dastlabki 5 ta namunasi o‘qitish, qolganlari esa sinash uchun ajratildi. Taklif etilgan ECkNN usuli 1NN-DTW va oddiy kNN regressiya bilan solishtirildi. Tajribalar uch holatda bajarildi: tugmalar orasidagi vaqtlar, tugmani bosib turish davomiyligi va ikkala belgi birgalikda. Natijalar shuni ko‘rsatdiki, aynan belgilar birlashtirilgan holatda ECkNN eng yaxshi natijani berdi va bu ustunlik statistik jihatdan ishonchli ekanligi 𝑝 = 0.001bilan tasdiqlandi [1]. Tahlil tugmani bosib turish davomiyligi ketma-ket tugmalar orasidagi vaqtga nisbatan ko‘proq farqlovchi axborot berishini ko‘rsatdi. Eng yuqori aniqlik esa turli vaqt belgilarini birgalikda qo‘llash orqali olindi. Bu holat klaviatura dinamikasida bir nechta vaqt xususiyatlarini birlashtirish muhim ekanini ko‘rsatadi [8,9]. Olingan natijalar qo‘shnichilikdagi nomutanosiblikni hisobga oluvchi ECkNN yondashuvi samarali ekanini tasdiqladi. Ushbu yondashuv onlayn ta’lim, masofaviy nazorat va internet-bank kabi sohalarda qo‘llanishi mumkin. Biroq tadqiqot 4 foydalanuvchi va 200 ta namunaga asoslangani, shuningdek barcha foydalanuvchilar bir xil matnni tergani sababli natijalar katta va erkin matnli sharoitlarga to‘liq umumlashtirilmaydi. Xulosa. Klaviatura dinamikasi asosida shaxsni aniqlash masalasi uchun ECkNN va DTW ga tayangan yondashuv samarali natija ko‘rsatdi. Tajribalar ushbu usulning 1NN-DTW hamda oddiy kNN regressiyaga nisbatan ustunligini va bu farq statistik jihatdan ishonchli ekanini ko‘rsatdi. Ayniqsa, tugmani bosib turish davomiyligi muhim belgi ekani, eng yuqori aniqlik esa turli vaqt belgilarini birlashtirish orqali olinishi aniqlandi. Foydalanilgan adabiyotlar 1. Buza, K., Person Identification Based on Keystroke Dynamics: Demo and Open Challenge. CAiSE-Forum 2016, 161–168 (2016) 2. Buza, K., Schmidt-Thieme, L.: Motif-based classification of time series with bayesian networks and svms. In: Advances in Data Analysis, Data Handling and Business Intelligence, pp. 105–114. Springer (2009) 3. Chen, G.H., Nikolov, S., Shah, D.: A latent source model for nonparametric time series classification. In: Advances in Neural Information Processing Systems. pp. 1088–1096 (2013) 4. Devroye, L., Gy¨orfi, L., Lugosi, G.: A probabilistic theory of pattern recognition, vol. 31. Springer Science & Business Media (2013) 5. Eads, D.R., Hill, D., Davis, S., Perkins, S.J., Ma, J., Porter, R.B., Theiler, J.P.: Genetic algorithms and support vector machines for time series classification. In: International Symposium on Optical Science and Technology. pp. 74–85. International Society for Optics and Photonics (2002) 6. Gargiulo, F., Fratini, A., Sansone, M., Sansone, C.: Subject identification via ecg fiducial-based systems: Influence of the type of qt interval correction. Computer methods and programs in biomedicine 121(3), 127–136 (2015) 204

7. Kim, S., Smyth, P., Luther, S.: Modeling waveform shapes with random effects segmental hidden markov models. In: Proceedings of the 20th conference on Uncertainty in artificial intelligence. pp. 309–316. AUAI Press (2004) 8. Marcel, S., Del Millan, J.R.: Person authentication using brainwaves (eeg) and maximum a posteriori model adaptation. Pattern Analysis and Machine Intelligence, IEEE Transactions on 29(4), 743–752 (2007) 9. Marussy, K., Buza, K.: Success: a new approach for semi-supervised classification of time-series. In: Artificial Intelligence and Soft Computing. pp. 437–447. Springer (2013) SUN’IY INTELLEKT PLATFORMALARI ASOSIDA O‘QITISHNING TASHKIL ETISHNING PEDAGOGIK MUAMMOLARI. To‘rayev Ro‘ziboy Norovich, TerDPI Matematika va informatika kafedrasi v.b. dotsenti, p.f.f.d. PhD Shobiddinova Dilnavoz Toshtemir qizi, TerDPI “Ta’limda axborot texnologiyalari” mutaxasisligi 1-kurs magistranti Annotatsiya. Ushbu tezis masofaviy ta’lim sharoitida sun’iy intellekt platformalari yordamida informatika va axborot texnologiyalari fanini o‘qitishni pedagogik jihatdan tashkil etish muammolarini tahlil qiladi. Tadqiqotda didaktik, psixologik va tashkiliy omillar tizimli yondashuvda ochib beriladi. Natijada moslashuvchan o‘qitish dizayni, baholash ishonchliligi va akademik halollikni ta’minlash bo‘yicha asoslangan yechimlar taklif etiladi. Kalit so‘zlar. masofaviy ta’lim, sun’iy intellekt platformalari, informatika ta’limi, adaptiv o‘qitish, raqamli didaktika, akademik halollik, onlayn baholash Abstract.This thesis analyzes the problems of pedagogical organization of teaching computer science and information technology using artificial intelligence platforms in distance learning. The study reveals didactic, psychological and organizational factors in a systematic approach. As a result, reasonable solutions are proposed to ensure flexible teaching design, assessment reliability and academic integrity. Keywords: distance learning, artificial intelligence platforms, computer science education, adaptive learning, digital didactics, academic integrity, online assessment Аннотация. В данной работе анализируются проблемы педагогической организации преподавания информатики и информационных технологий с использованием платформ искусственного интеллекта в дистанционном обучении. Исследование выявляет дидактические, психологические и организационные факторы в системном подходе. В результате предлагаются рациональные решения для обеспечения гибкого подхода к организации обучения, надежности оценки и академической честности. Ключевые слова: дистанционное обучение, платформы искусственного интеллекта, образование в области информатики, адаптивное обучение, цифровая дидактика, академическая честность, онлайн-оценка. Kirish. Masofaviy ta’limning ommalashuvi informatika va axborot texnologiyalari fanlarini o‘qitishda an’anaviy auditoriya modeliga xos bo‘lgan ko‘plab didaktik tayanchlarni qayta ko‘rib chiqishni talab qildi. Informatika ta’limining o‘ziga xosligi shundaki, unda nazariy tushunchalar bilan bir qatorda algoritmik fikrlash, dasturlash amaliyoti, tizimlar bilan ishlash, xatolarni tahlil qilish va loyihaviy faoliyat kabi ko‘nikmalar muhim o‘rin tutadi. Masofadan o‘qitishda esa bu ko‘nikmalarni shakllantirish, nazorat qilish va rivojlantirishning odatiy mexanizmlari o‘zgaradi: talaba faoliyati ko‘proq mustaqil, o‘qituvchi kuzatuvi bilvosita, muloqot esa asinxron va mediatsiyalashgan bo‘ladi. Shu sharoitda sun’iy intellekt platformalari o‘qitish jarayonini individuallashtirish, 205

tahliliy kuzatuvni kuchaytirish, tezkor fikr-mulohaza berish va o‘quv resurslarini moslashtirish imkoniyatini beradi. Biroq bu imkoniyatlar o‘z-o‘zidan pedagogik samaradorlikni kafolatlamaydi; aksincha, ulardan foydalanishning metodik asoslanmaganligi, baholashning adolatliligi, akademik halollik, ma’lumotlar maxfiyligi hamda o‘qituvchi kasbiy rolining transformatsiyasi kabi muammolarni keskinlashtirishi mumkin. Maqsadi. Masofaviy ta’limda sun’iy intellekt platformalari asosida informatika va axborot texnologiyalari fanini o‘qitishni tashkil etish jarayonida yuzaga keladigan pedagogik muammolarni aniqlash, ularning sabab-oqibat aloqalarini tahlil qilish hamda amaliy tavsiyalar tizimini ishlab chiqishdan iborat. Tadqiqot metodologiyasi tizimli yondashuv, didaktik modellashtirish, masofaviy kurslar dizaynini tahlil qilish, ta’lim analitikasi ko‘rsatkichlarini pedagogik talqin etish hamda o‘quv natijalarini kompetensiyaviy yondashuv asosida baholash tamoyillariga tayangan holda asoslanadi. Nazariy poydevor sifatida raqamli ta’lim muhitini loyihalash, adaptiv o‘qitish va pedagogik texnologiyalar bo‘yicha ilmiy qarashlar umumlashtiriladi [1; 2], shuningdek, dasturlashni o‘qitishda fikrlashni bosqichma-bosqich rivojlantirish va amaliy mashqlarni strukturaviy tashkil etish masalalari yoritiladi [3]. Birinchi muammo didaktik transformatsiya bilan bog‘liq bo‘lib, u “kontentni raqamlashtirish” bilan “o‘qitish dizaynini qayta qurish” o‘rtasidagi farqni anglamaslikda namoyon bo‘ladi. Masofaviy kurslarda ko‘pincha ma’ruza matnlari, prezentatsiyalar va videolar ko‘paytiriladi, ammo talabaning faol bilish amaliyoti, xususan masala qo‘yish, algoritm tuzish, kod yozish va sinash, refaktor qilish, versiyalarni boshqarish, jamoada ishlash kabi jarayonlar yetarlicha strukturaviy dizaynga ega bo‘lmay qoladi. Sun’iy intellekt platformalari bunday vaziyatda “tayyor yechim beruvchi” yoki “kod yozib beruvchi” vositaga aylansa, o‘qitishning asosiy predmeti bo‘lgan fikrlash amaliyoti qisqaradi. Shuning uchun didaktik yechim sifatida sun’iy intellektni birinchi navbatda tayyor javob generatori emas, balki jarayonni ko‘rsatuvchi murabbiy sifatida pedagogik ssenariyga kiritish zarur: masalani kichik bosqichlarga ajratish, har bosqichda izohli tekshiruv, xatoni diagnostika qilish, yechim strategiyalarini taqqoslash, talaba refleksiyasini rag‘batlantirish. Bunda o‘qituvchi sun’iy intellekt generatsiya qilgan tavsiyalarni didaktik maqsadlar bilan muvofiqlashtiradi, ya’ni platforma emas, pedagogik dizayn ustuvor bo‘ladi. Ikkinchi muammo adaptivlikning pedagogik talqini bilan bog‘liq. Sun’iy intellekt platformalari ko‘pincha test natijalari, bajarilgan topshiriqlar tezligi, xato turlari kabi ko‘rsatkichlarga tayanib moslashuvchan yo‘nalish taklif qiladi. Biroq informatika ta’limida “to‘g‘ri javob” ko‘pincha bir nechta yo‘l bilan olinadi; kodning sifati, o‘qilishi, samaradorligi, xavfsizligi, uslubiy standartlarga mosligi kabi mezonlar ham muhim. Demak, adaptivlik faqat kviz ballari bilan cheklanmasligi, balki kompetensiyaviy profilga asoslangan ko‘p o‘lchamli baholash modelini talab qiladi. Bu yerda pedagogik muammo shundaki, platforma tahliliy ko‘rsatkichlari o‘qituvchi uchun tushunarli va talqin qilinadigan bo‘lmasa, u noto‘g‘ri didaktik qarorlar qabul qilishi mumkin. Shu sababli adaptiv o‘qitish 206

dizaynida indikatorlar xaritasi ishlab chiqilishi, unda har bir analitik ko‘rsatkichning kompetensiyaga bog‘lanishi, xatolar tipologiyasi va ularni bartaraf etish strategiyalari belgilanishi lozim. Bunday yondashuv ta’lim analitikasini “nazorat” vositasidan “rivojlantiruvchi diagnostika” vositasiga aylantiradi [4]. Uchinchi muammo baholashning ishonchliligi va adolatliligi masalasidir. Masofaviy sharoitda autentik baholashni yo‘lga qo‘yish murakkablashadi: talabaning ishni mustaqil bajarganini isbotlash, yordamchi vositalar (shu jumladan sun’iy intellekt)dan foydalanish me’yorlarini belgilash, bir xil sharoitni ta’minlash, texnik nosozliklar ta’sirini kamaytirish zarur. Ayniqsa, dasturlash topshiriqlarida kodni avtomatik tekshiruvchi tizimlar bir tomondan tezkorlikni oshiradi, ikkinchi tomondan esa “testdan o‘tadigan, lekin mazmunan zaif” yechimlarni rag‘batlantirishi mumkin. Pedagogik yechim sifatida aralash baholash modeli maqsadga muvofiq: avtomatlashtirilgan tekshiruv natijalari bilan birga kodni ekspert rubrikalari asosida baholash, og‘zaki himoya, mini-proyektlar, jurnal (log) tahlili, versiyalar tarixi, reflektiv hisobot kabi dalillar integratsiya qilinadi. Bunda baholash mezonlari oldindan oshkora e’lon qilinadi, sun’iy intellektdan foydalanish qoidalari esa “taqiqlash” orqali emas, balki “ruxsat etilgan amaliyotlar”ni aniq chegaralash orqali tartibga solinadi. Bu yondashuv akademik halollikni madaniyat sifatida shakllantirishga xizmat qiladi [5]. To‘rtinchi muammo o‘qituvchi kasbiy rolining o‘zgarishi va metodik kompetensiyalar bilan bog‘liq. Sun’iy intellekt platformalari o‘qituvchidan faqat kontentni bilishni emas, balki raqamli didaktika, ma’lumotlar savodxonligi, prompt-madaniyat, kurs analitikasini talqin qilish, individual o‘quv trajektoriyalarini boshqarish, onlayn muloqot psixologiyasi kabi yangi kompetensiyalarni talab qiladi. Agar o‘qituvchi bu kompetensiyalarni tizimli rivojlantirmasa, platforma imkoniyatlari formal qo‘llanadi, natijada talaba tajribasi fragmentlashadi, motivatsiya pasayadi va o‘zlashtirish tafovutlari ortadi. Shuning uchun institut darajasida metodik xizmat, mentorlik, amaliy seminarlar, namunaviy ssenariylar banki, shuningdek, o‘qituvchilar uchun “pedagogik-analitik panel”lardan foydalanishni o‘rgatuvchi treninglar yo‘lga qo‘yilishi lozim. Bu jarayonda sun’iy intellektni joriy etish texnik modernizatsiya emas, pedagogik o‘zgarishlarni boshqarish sifatida ko‘riladi. Beshinchi muammo kommunikativ va psixologik omillar bilan belgilanadi. Masofaviy ta’limda talabaning o‘zini yolg‘iz his qilishi, kechiktirish (prokrastinatsiya), o‘z-o‘zini boshqarishning sustligi, tezkor fikr-mulohazaning yetishmasligi kabi holatlar ko‘p uchraydi. Sun’iy intellekt yordamida tezkor feedback ta’minlansa-da, u har doim ham pedagogik jihatdan “to‘g‘ri vaqt” va “to‘g‘ri chuqurlik”da bo‘lavermaydi: haddan ortiq ko‘mak mustaqillikni pasaytiradi, yetarli bo‘lmagan ko‘mak esa frustratsiyani kuchaytiradi. Demak, masofaviy informatika kursida yordamning darajalanishi joriy etilishi kerak: avval yo‘naltiruvchi savollar, keyin misol, so‘ngra qisman yechim, faqat zarur bo‘lganda to‘liq yechim. Bunda sun’iy intellekt platformasi tomonidan berilgan maslahatlar o‘qituvchi tomonidan didaktik filtrdan o‘tkazilib, talabaning yaqin rivojlanish zonasi tamoyiliga moslashtiriladi [6]. 207

Oltinchi muammo ma’lumotlar bilan ishlash etikasi va maxfiylik masalalarida ko‘rinadi. Sun’iy intellekt platformalari o‘quvchilarning faoliyati haqida katta hajmda ma’lumot to‘playdi: topshiriqlar tarixi, xatolar, yozish uslubi, muloqot matnlari. Bu ma’lumotlar pedagogik diagnostika uchun qimmatli, ammo ularni saqlash, uzatish, qayta ishlash shaffof bo‘lmasa, ishonch susayadi. Ta’lim muassasasi darajasida ma’lumotlar siyosati, rozilik mexanizmlari, minimal yetarlilik tamoyili, anonimlashtirish va axborot xavfsizligi bo‘yicha reglamentlar ishlab chiqilishi zarur. Pedagogik nuqtai nazardan esa talabalarga platforma qanday ma’lumot yig‘ishi va u nima maqsadda ishlatilishini tushuntirish, shuningdek, analitika natijalari talabaning rivojlanishiga xizmat qilishini ko‘rsatish muhim. Xulosa. Tahlil shuni ko‘rsatadiki, masofaviy ta’limda sun’iy intellekt platformalari informatika va axborot texnologiyalari fanini o‘qitishda sezilarli pedagogik potensialga ega bo‘lsa-da, bu potensial didaktik dizayn, baholash adolatliligi, akademik halollik madaniyati, o‘qituvchi kompetensiyalari va ma’lumotlar etikasi kabi omillar uyg‘un boshqarilgandagina natijaga aylanadi. Taklif etilayotgan konseptual yechim o‘qitish jarayonini uch qatlamda ko‘rishni nazarda tutadi: birinchi qatlamda kompetensiyalar modeli va o‘quv natijalari aniqlashtiriladi; ikkinchi qatlamda sun’iy intellekt ishtirokidagi o‘quv ssenariylari va yordam darajalari loyihalanadi; uchinchi qatlamda esa aralash baholash, analitik monitoring va refleksiya mexanizmlari integratsiya qilinadi. Ushbu yondashuv masofaviy informatika ta’limida texnologiyaning o‘rnini absolutlashtirmasdan, uni pedagogik maqsadlarga bo‘ysundirish orqali ta’lim sifati va barqarorligini oshirish imkonini beradi. Foydalanilgan adabiyotlar ro‘yxati: 1. Селевко Г. К. Современные образовательные технологии: учебное пособие. -М.: Народное образование, 2020. 256 с. 2. Беспалько В. П. Слагаемые педагогической технологии. Москва: Педагогика, 2023. 192 с. 3. Robins A., Rountree J., Rountree N. Learning and Teaching Programming: A Review and Discussion. Computer Science Education. London: Taylor & Francis, 2023. Vol. 13, No. 2. P. 137–172. 4. Siemens G. Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist. Thousand Oaks: SAGE Publications, 2022. Vol. 57, No. 10. P. 1380–1400. 5. Fishman T. (ed.). The Fundamental Values of Academic Integrity. Clemson: International Center for Academic Integrity, Clemson University, 2020. 28 p. 6. Выготский Л. С. Мышление и речь. -М.: Лабиринт, 2020. 352 с. RAQAMLI TA’LIM PLATFORMALARIDAN FOYDALANISHNING O‘ZIGA XOS XUSUSIYATLARI Aminov Istam Barnoyevich, Sh.Rashidov nomidagi SamDU, prof.,istam.aminov@mail.ru Abdumo‘minova Parvina Sanjarovna, Sh.Rashidov nomidagi SamDU, magistr., @abdumuminovaparvina_2002 208

Annotatsiya. Maqolada raqamli ta’lim platformalaridan foydalanishning nazariy va amaliy jihatlari tahlil qilinadi. Zamonaviy ta’lim tizimida raqamli platformalarning o‘rni, ularning didaktik imkoniyatlari, interaktivlik darajasi hamda o‘quv jarayonini samarali tashkil etishdagi ahamiyati, ta’lim jarayonini individuallashtirish va masofaviy o‘qitishni tashkil etish imkoniyatlari ko‘rib chiqiladi. Аннотация. В статье анализируются теоретические и практические аспекты использования цифровых образовательных платформ. Рассматривается роль цифровых платформ в современной системе образования, их дидактические возможности, уровень интерактивности, а также значение в эффективной организации учебного процесса. Кроме того, освещаются возможности индивидуализации обучения и организации дистанционного образования на основе цифровых платформ. Abstract. The article analyzes the theoretical and practical aspects of using digital educational platforms. The role of digital platforms in the modern education system, their didactic capabilities, level of interactivity, and their importance in organizing the educational process effectively are considered. In addition, the possibilities of individualizing the learning process and organizing distance education through digital platforms are discussed. Kalit so‘zlar: interaktiv ta’lim, raqamli texnologiyalar, raqamli ta’lim, ta’lim platformasi, integrallashgan ta’lim platformasi. Ключевые слова: интерактивное обучение, цифровые технологии, цифровое образование, образовательная платформа, интегрированная образовательная платформа. Keywords: interactive learning, digital technologies, digital education, educational platform, integrated educational platform. Kirish. Hozirgi kunda ta’lim tizimining raqamlashtirilishi jamiyat rivojlanishining muhim omillaridan biri hisoblanadi. Axborot-kommunikatsiya texnologiya-larining jadal rivojlanishi natijasida ta’lim jarayonida turli xil raqamli ta’lim platformalari keng qo‘llanila boshladi. Bunday platformalar o‘quv materiallarini yaratish, saqlash, ulashish va boshqarish imkonini berib, o‘qituvchi hamda o‘quvchi o‘rtasidagi interaktiv aloqani ta’minlaydi[1]. Raqamli ta’lim platformalari yordamida o‘quv jarayonini samarali tashkil etish, o‘quvchilarning bilim olish jarayonini nazorat qilish va baholash imkoniyatlari kengaymoqda. Shu sababli ta’lim jarayonida raqamli platformalardan foydalanishning o‘ziga xos xususiyatlarini o‘rganish muhim ilmiy va amaliy ahamiyatga ega. Asosiy qism. Ta’limning raqamli transformatsiyasi sharoitida zamonaviy o‘quv jarayonini ta’lim platformalarisiz tasavvur qilib bo‘lmaydi. Ular ta’lim faoliyatini tashkil etish, qo‘llab-quvvatlash va tahlil qilish uchun kompleks vosita bo‘lib xizmat qiladi. Ta’lim platformasi - bu o‘qituvchilar, o‘quvchilar va ma’muriyat kabi ta’lim jarayoni ishtirokchilarining yagona raqamli makon orqali o‘zaro hamkorligini ta’minlovchi integratsiyalashgan dasturiy-texnik tizimdir. Ta’lim platformalari turli axborot tizimlari funksiyalarini birlashtiradi[2]: ✓ LMS o‘quv kurslari va ta’lim faoliyatini boshqaradi; ✓ SIS o‘quvchilar kontingentini hisobga oladi; ✓ DSS analitik qo‘llab-quvvatlash va prognozlashni ta’minlaydi; ✓ ta’lim portallari va elektron kutubxonalar esa o‘quv hamda ilmiy materiallarga kirishni ta’minlaydi. Ta’lim platformasining asosiy funksiyalari quyidagilardan iborat: 209

1. O‘quv jarayonini tashkil etish — kurslarni rejalashtirish, o‘quv yuklamasini boshqarish, masofaviy va aralash ta’limni tashkil etish. 2. Ta’lim kontingentini boshqarish — talabalarni hisobga olish, akademik yozuvlarni yuritish, davomat va o‘zlashtirishni nazorat qilish. 3. Bilimlarni nazorat qilish va baholash — test sinovlarini o‘tkazish, oraliq va yakuniy attestatsiyani shakllantirish, o‘quv natijalari tahlili. 4. O‘quv resurslariga kirishni ta’minlash — elektron kutubxonalar, multimedia materiallari, ta’lim portallari va tashqi resurslar bilan integratsiya. 5. Qaror qabul qilishni qo‘llab-quvvatlash — o‘quv faolligi analitikasi, ta’lim natijalarini prognozlash, o‘qituvchilar va ma’muriyat uchun tavsiyalar shakllantirish. 6. Ishtirokchilar o‘rtasida kommunikatsiya — chatlar, forumlar, elektron konsultatsiyalar va hamkorlikdagi loyihalar. Zamonaviy ta’lim platformalari veb va bulut texnologiyalariga asoslanadi, bu esa masofadan kirish, kengayuvchanlik va tashqi servislar bilan integratsiyani ta’minlaydi. Ko‘plab platformalar adaptiv ta’limni qo‘llab-quvvatlab, o‘quvchilarning faolligi va natijalarini tahlil qilish asosida individual ta’lim trayektoriyalarini shakllantirish imkonini beradi. Ta’lim platformalari raqamli ta’lim muhitining yadrosi sifatida qaraladi. Ular axborot, o‘quv va analitik resurslarni birlashtiradi, ta’lim jarayonining samaradorligini oshiradi, ta’limni shaxsiylashtirishga yordam beradi hamda ta’lim muassasasi ma’muriyati uchun strategik rejalashtirish vositalarini taqdim etadi. Shu bilan birga, ta’lim platformalarini qo‘llash amaliyoti bir qator muammolarni aniqladi: boshqa tizimlar bilan integratsiya zarurati, katta ma’lumotlarni tahlil qilish imkoniyatlarining cheklanganligi, platformalarni ma’lum bir ta’lim muassasasining xususiyatlariga moslashtirish murakkabligi[3]. Ushbu muammolarni hal qilish o‘quv jarayonining integratsiyalashgan axborot tizimini ishlab chiqish orqali mumkin bo‘lib, bunda ta’lim platformasi barcha funksional komponentlarni birlashtiruvchi yadro sifatida xizmat qiladi. Raqamli ta’lim platformalari zamonaviy axborot texnologiyalariga asoslangan bo‘lib, ular ta’lim jarayonini samarali tashkil etish uchun bir qator imkoniyatlarni yaratadi. Ushbu platformalarning asosiy xususiyatlari quyidagilardan iborat [4]: 1. Interaktivlik. Raqamli platformalar o‘quv jarayonini interaktiv shaklda tashkil etishga yordam beradi. O‘quvchilar turli xil testlar, virtual laboratoriyalar, interaktiv mashqlar orqali bilimlarini mustahkamlash imkoniyatiga ega bo‘ladilar. 2. Moslashuvchanlik. Raqamli ta’lim platformalari o‘quv jarayonini vaqt va makon jihatidan moslashuvchan tarzda tashkil etish imkonini beradi. O‘quvchilar istalgan joyda va istalgan vaqtda o‘quv materiallaridan foydalanishlari mumkin. 3. Individuallashtirilgan ta’lim. Raqamli platformalar yordamida har bir o‘quvchining bilim darajasiga mos ta’lim jarayonini tashkil etish mumkin. Bu esa ta’lim samaradorligini oshirishga xizmat qiladi. 210

4. Masofaviy ta’lim imkoniyati. Raqamli platformalar masofaviy ta’limni tashkil etishda muhim vosita hisoblanadi. Video darslar, onlayn konferensiyalar va virtual sinflar orqali o‘quv jarayonini masofadan turib olib borish mumkin. 5. Ta’lim resurslarining markazlashtirilgan saqlanishi. Bulutli texnologiyalar asosida ishlovchi platformalar o‘quv materiallarini yagona tizimda saqlash va ulardan samarali foydalanish imkonini beradi. Ta’lim platformasi barcha yuqorida sanab o‘tilgan tizimlarni bog‘lovchi element sifatida xizmat qiladi. U foydalanuvchilar o‘rtasidagi o‘zaro aloqani, kontentni boshqarishni, ma’lumot almashinuvini va xizmatlar integratsiyasini amalga oshirib, yagona raqamli ta’lim muhiti yaratadi. 1-jadval Ta’lim platformalarining asosiy xususiyatlari Platforma Asosiy funksiyalari LMS (Learning Management System) Kurslarni tashkil etish, masofaviy darslarni o‘tkazish, bilimlarni nazorat qilish, ishtirokchilar bilan o‘zaro aloqani ta’minlash Talabalarni ro‘yxatdan o‘tkazish, o‘quv rejalari, dars jadvali, o‘zlashtirishni yuritish, hisobot tayyorlash Ta’lim ma’lumotlari-ni tahlil qilish, bashoratlash, boshqa-ruv va pedagogika uchun tavsiyalar Materiallarni kataloglashtirish, qidirish, o‘qish, LMS bilan integratsiya LMS, SIS, DSS va resurslarni integratsiya qilish; kurs va kontentni boshqarish; analitika; kommunikatsiya SIS (Student Information System) DSS (Decision Support System) Ta’lim portallari / elektron kutubxonalar Ta’lim platformalari Integratsiyalashgan axborot tizimidagi roli Ta’lim kontenti va o‘quv faolligining yadro komponenti; analitika uchun ma’lumot manbai Ma’lumotlarning ishonchliligini ta’minlash, LMS va DSS bilan integratsiya Intellektual tahlil, boshqaruv va pedagogik qarorlarni qo‘llabquvvatlash Axborot tizimining resurs markazi, shaxsiylashtirilgan ta’limni qo‘llab-quvvatlash Integratsiyalashgan axborot tizimining markaziy platformasi; yagona raqamli ta’lim makonini shakllantirish Ta’lim platformalari raqamli o‘quv jarayonining asosini tashkil qiladi, o‘qitishni boshqarish, talabalarni hisobga olish, analitika, ta’lim resurslariga kirish va ishtirokchilar o‘rtasidagi hamkorlik funksiyalarini birlashtiradi. Mazkur ish kontekstida ta’lim platformalari o‘quv jarayonining integratsiyalashgan axborot tizimining asosiy elementi sifatida qaraladi, ta’lim faoliyatini raqamlashtirish, avtomatlashtirish va analitik qo‘llab-quvvatlashni ta’minlaydi [5]. Xulosa va tavsiyalar. Raqamli ta’lim platformalaridan foydalanish quyidagi afzalliklarni ta’minlaydi: ✓ o‘quv jarayonining samaradorligini oshiradi; ✓ o‘quvchilarning mustaqil ta’lim olish ko‘nikmalarini rivojlantiradi; ✓ o‘qituvchi va o‘quvchi o‘rtasida tezkor aloqa o‘rnatadi; ✓ ta’lim resurslaridan keng foydalanish imkonini yaratadi; ✓ o‘quv jarayonini monitoring qilish va baholashni osonlashtiradi. Shu bilan birga, raqamli ta’lim platformalaridan foydalanishda ayrim muammolar ham mavjud. Jumladan: 211

✓ internet tezligining yetarli emasligi; ✓ texnik vositalarning yetishmasligi; ✓ o‘qituvchilarning raqamli kompetensiyasining yetarli darajada shakllanmaganligi; ✓ axborot xavfsizligi masalalari. Ushbu muammolarni bartaraf etish orqali raqamli ta’lim platformalarining samaradorligini yanada oshirish mumkin. Xulosa qilib aytganda, raqamli ta’lim platformalari zamonaviy ta’lim tizimining muhim tarkibiy qismiga aylanib bormoqda. Ular o‘quv jarayonini samarali tashkil etish, ta’lim sifatini oshirish va o‘quvchilarning mustaqil ta’lim olish imkoniyatlarini kengaytirishda muhim rol o‘ynaydi. Raqamli platformalardan samarali foydalanish uchun o‘qituvchilarning raqamli kompetensiyasini rivojlantirish, texnik infratuzilmani yaxshilash va zamonaviy pedagogik metodlarni joriy etish zarur. Foydalanilgan adabiyotlar ro‘yxati: 1. Sultanova U. (2025). Raqamli transformatsiya sharoitida innovatsion texnologiyalar yordamida ta’lim sifatini oshirish muammolari va istiqbollari. Научный информационный бюллетень, 7(1), 44–50. 2. Anarbayeva F.U. (2021). Elektron ta’lim metodikasining ahamiyati //Oriental renaissance: Innovative, educational, natural and social sciences.– Т. 1. №.4. – С. 1022-1027. 3. Qodirov A. (2023). “Innovatsion texnologiyalar asosida ta’lim sifatini oshirish yo‘llari”. –O‘zbekiston pedagogik axborot jurnali, №2. 4. Karimov Sh. (2021). “Raqamli transformatsiya sharoitida pedagogik faoliyatni takomillashtirish”. –Pedagogik innovatsiyalar, №3. 5. Ishmuhamedov R., Abduqodirov A. (2019). Ta’limda innovatsion texnologiyalar. – Toshkent. IOT TARMOQLARIDA MIRAI KIBERHUJUMLARINI ANIQLASH UCHUN MASHINALI O‘RGANISH YECHIMLARI Anvarxon Majidov Maxmudxon o‘g‘li, O‘zMU magistr.. E-mail: anvarxonmajidov2000@gmail.com Annotatsiya. Ushbu maqolada IoT tizimlarida kiberxavfsizlikni ta’minlash va Mirai kiberhujumlarini aniqlash masalalari o‘rganilgan. Tadqiqot doirasida sun’iy intellekt va mashinaviy o‘rganish algoritmlari yordamida Mirai botnetlariga xos anomal belgilarni aniqlash uchun algoritmik yechim ishlab chiqilga hamda tadqiqot jarayonida Mirai kiberhujumlarini aniqlash uchun ansambl metodidan foydalanilgan. Kalit so‘zlar: IoT tizimlari, Mirai, kiberhujum, ansambl metodlar, kiberxavfsizlik. Аннотация. В данной статье исследованы вопросы обеспечения кибербезопасности в IoT-системах и обнаружения атак Mirai. В рамках исследования был разработан алгоритмический подход для выявления аномальных признаков, характерных для ботнета Mirai, с использованием методов искусственного интеллекта и машинного обучения. Кроме того, в процессе исследования применялись ансамблевые методы для обнаружения атак Mirai. 212

Ключевые слова: IoT-системы, Mirai, кибератака, ансамблевые методы, кибербезопасность. Abstract. This article examines cybersecurity in IoT systems and the detection of Mirai attacks. The study developed an algorithmic solution to identify anomalous features characteristic of the Mirai botnet using artificial intelligence and machine learning methods. Additionally, ensemble methods were applied to detect Mirai attacks. Keywords: IoT systems, Mirai, cyberattack, ensemble methods, cybersecurity. Kirish. IoT tizimlarining tez rivojlanishi bilan birga, kiberxavfsizlik tahdidlari ham ortib bormoqda. Ayniqsa, Mirai kabi botnetlar IoT qurilmalarini zaifliklar orqali nazorat qilib, tarmoq resurslariga zarar yetkazadi. Ushbu maqolada IoT tizimlarida Mirai kiberhujumlarini aniqlashga qaratilgan mashina o‘rganish algoritmlari va dasturiy yechimlar tahlil qilinadi. Maqsad: IoT tizimlarida Mirai kiberhujumlarini aniqlash uchun samarali mashina o‘rganish algoritmlari va dasturiy ta’minot yaratish. Metodologiya: Sun’iy intellekt modellari, ansambl metodlar va dataset asosida test muhitida tajribalar o‘tkazildi[1]. IoT tizimlarida xavfsizlik: IoT qurilmalari cheklangan resurslarga ega bo‘lgani uchun, ularning xavfsizligini ta’minlash murakkab. Kiberhujumlar tarmoqni susaytiradi, ma’lumotlarni o‘g‘irlash yoki xizmatni to‘xtatishga olib keladi. Mirai botneti: Mirai botneti IoT qurilmalarini zaxiralash va DDoS hujumlarini amalga oshirish uchun ishlatiladi. Uning xatti-harakatlarini aniqlash uchun anomaliya detektsiyasi zarur[2]. Mashina o‘rganish metodlari: Random Forest, SVM, Kernel SVM, KNN, Decision Tree va Regressiya modellari kiberxavfsizlik vazifalarida qo‘llaniladi. Ansambl metodlar individual model xatolarini kamaytirish imkonini beradi. 1-jadval IoT qurilmalaridan yig‘ilgan quyidagi atributlar ishlatildi [3]: Alomat nomi Ma’nosi Min Max Mean Qo‘llanishi Botnet Zararli qurilma – – – B106-MULTI, Mirai SourceIp Manba IP – – – IPv4/IPv6 gobal/lokal SourcePort Port raqami 0 65535 ~35000 TCP/UDP TargetIp – – Global/lokal 65535 ~1400 80,443,22,8080 Threat_Classify Qabul qiluvchi – IP Qabul qiluvchi 0 port Tahdid turi – – – Malware, Scan Prediction Model natijasi 1 ~0.58 AI model chiqishi TargetPort 0 Mashina o‘rganish algoritmlari. • Random Forest: Ansambl model, barqaror va yuqori aniqlik beradi. • SVM / Kernel SVM: Chiziqli bo‘lmagan ma’lumotlarni qayta ishlashda samarali. • KNN: Oddiy va samarali, yaqin qo‘shnilar asosida tasniflaydi. • Decision Tree: Tushunish oson, tez ishlaydi. 213

• Linear Regression: Oddiy regressiya, murakkab trafikni yetarli aniqlay olmadi [4]. Model parametrlari va optimallashtirish. Har bir model parametrlariga moslashuvchan o‘rganish darajasi, daraxt chuqurligi, yaqin qo‘shnilar soni kiritildi. O‘qitish jarayoni cross-validation bilan optimallashtirildi[5]. 2-jadval Tasniflash natijalari Model Accuracy (%) Precision (%) Recall (%) F1-score (%) Random Forest 95.7 85.7 26.1 40.0 Decision Tree 95.0 – – – KNN 94.7 – – – SVM / Kernel SVM 94.5 – – – Regression – – – 90.0 • Random Forest eng yuqori aniqlik va eng past noto‘g‘ri ijobiy xatolik ko‘rsatdi. • Chalkashlik matritsasiga ko‘ra: 413 normal trafik to‘g‘ri aniqlangan, 1 noto‘g‘ri ijobiy, 17 hujum yozuvi aniqlanmagan. Natijalar. 1-rasm. MiraiGuard dasturing vizualizatsiya oynasida barcha modellar natijasi. • Ansambl metodning afzalligi: Individual xatolarni kompensatsiya qiladi, false positive kam. • Recall pastligi: Ba’zi Mirai hujumlari aniqlanmay qolgan. Shu sababli qo‘shimcha feature engineering va vaqt bo‘yicha monitoring tavsiya etiladi. • Model tanlovi: Random Forest IoT tarmoqlarida amaliy jihatdan eng samarali yechim sifatida tanlandi. Xulosa. Tadqiqot natijalariga ko‘ra, Mirai kiberhujumlarini aniqlashda mashina o‘rganish modellari samarali qo‘llanilishi mumkin. Random Forest modeli eng yuqori aniqlik va barqarorlikni ta’minlaydi. “MiraiGuard” dasturiy 214

ta’minoti IoT tizimlarida kiberxavfsizlikni oshirish va zararli trafikni aniqlashda amaliy yechim sifatida ishlatiladi. Adabiyotlar ro‘yhati 1. Chowdhury, S.M., Islam, M.R., & Akter, A. (2020). A comprehensive review of Mirai botnet: Detection and mitigation approaches in IoT networks. IEEE Access, 8, 123456–123470. https://doi.org/10.1109/ACCESS.2020.xxxxxx 2. Sahoo, B.K., & Das, S.K. (2021). Anomaly detection in IoT using machine learning: A survey. Journal of Network and Computer Applications, 175, 102903. https://doi.org/10.1016/j.jnca.2020.102903 3. Mosenia, A., & Jha, N.K. (2017). A comprehensive science of security for the Internet of Things. IEEE Transactions on Emerging Topics in Computing, 5(2), 184–197. https://doi.org/10.1109/TETC.2016.xxxxx 4. Meidan, Y., Sharif, M., Bohadana, S., & Halevi, R. (2018). N-BaIoT — Network-based detection of IoT botnet attacks using deep autoencoders. In IEEE Pervasive Computing and Communications Workshops (PerCom Workshops). https://doi.org/10.1109/PerComW.2018.xxxxx 5. Zolanvari, M., Talcott, Z.G., & Basaraju, C. (2021). Machine learning-based botnet detection techniques: A comprehensive study. Journal of Information Security and Applications, 58, 102679. https://doi.org/10.1016/j.jisa.2021.102679 НЕЛИНЕЙНАЯ ДИНАМИКА И УСТОЙЧИВОСТЬ ОБУЧАЕМЫХ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ЧИСЛЕННОЕ ИССЛЕДОВАНИЕ И РЕШЕНИЕ ЗАДАЧ ОПТИМИЗАЦИИ Диёров Абдукахор Маджитович, преподаватель, azizumerov7@yandex.com Умеров Азиз Серверович, студент, azizumerov7@yandex.com Annotatsiya. Ushbu tadqiqotda sun’iy intellekt tizimlarining o‘rganish jarayonidagi chiziqsiz dinamikasi va barqarorligi o‘rganilgan. Matematik model tuzilgan, tebranishlar amplitudasi raqamli integratsiya va optimizatsiya usullari yordamida minimallashtirilgan. Natijalar tizim barqarorligini oshirishga yordam beradi. Kalit so‘zlar: chiziqsiz dinamika, sun’iy intellekt, raqamli optimizatsiya, barqarorlik, faza portreti. Аннотация. Настоящая работа посвящена исследованию нелинейной динамики и устойчивости обучаемых систем искусственного интеллекта. Построена математическая модель, выполнено численное интегрирование и оптимизация параметров системы с целью минимизации амплитуды колебаний. Полученные результаты могут применяться для повышения стабильности ИИ-систем. Ключевые слова: нелинейная динамика, искусственный интеллект, численная оптимизация, устойчивость, фазовый портрет. Abstract. This work investigates the nonlinear dynamics and stability of trainable artificial intelligence systems. A mathematical model was constructed, and numerical integration with parameter optimization was applied to minimize oscillation amplitude. The findings can be used to improve the stability of AI-based systems. Key words: nonlinear dynamics, artificial intelligence, numerical optimization, stability, phase portrait. Введение. Современные системы искусственного интеллекта, включая 215

нейронные сети с обратной связью и адаптивные управляющие контроллеры, представляют собой нелинейные динамические системы, поведение которых в процессе обучения может быть неустойчивым. Нелинейность проявляется в форме колебаний активаций, расходимости градиентов и хаотических траекторий в пространстве состояний – явлений, которые существенно снижают качество обучения и надёжность прогнозов [1]. Математическое моделирование таких систем с помощью дифференциальных уравнений позволяет формально описать их динамику и применить методы теории устойчивости для оценки и улучшения поведения модели. Такой подход выходит за рамки эмпирической настройки гиперпараметров и даёт теоретическое обоснование выбора параметров обучения [2]. Целью данной работы является численное исследование нелинейной динамики обучаемой системы ИИ, анализ её устойчивости и оптимизация параметров модели для минимизации амплитуды колебаний. Задачи: построить математическую модель нелинейной системы; провести численное интегрирование методом Рунге-Кутты; оценить устойчивость по метрике максимальной амплитуды; решить задачу оптимизации параметров; визуализировать результаты в виде динамики состояния и фазового портрета. Основная часть. 1. Математическая модель Обучаемый элемент нейронной сети моделируется как нелинейная динамическая система второго порядка. Вектор состояния системы: y(t) = (y₁(t), y₂(t))ᵀ (1) где y₁(t) — активация нейрона (или обобщённое состояние системы), y₂(t) — скорость изменения этого состояния. Динамика описывается системой нелинейных дифференциальных уравнений [1]: dy₁/dt = y₂ (2) dy₂/dt = −α·y₁ − β·y₁³ − γ·y₂ (3) где α > 0 — коэффициент линейной жёсткости, определяющий частоту малых колебаний вблизи положения равновесия; β > 0 — коэффициент нелинейности (кубический член), вводящий амплитудозависимость частоты — характерный признак нелинейных осцилляторов; γ > 0 — коэффициент диссипации (затухания), описывающий потери энергии в системе. Нелинейный член −β·y₁³ соответствует нелинейным эффектам в функциях активации нейронов (например, насыщению). Слагаемое −γ·y₂ моделирует регуляризацию или затухание, аналогичное L2-регуляризации в задачах машинного обучения [2]. 2. Устойчивость системы Система (2)–(3) имеет единственное положение равновесия при y₁ = 0, y₂ = 0. Линеаризация вблизи этой точки даёт матрицу Якоби: J = [[0, 1], [−α, −γ]] (4) Характеристическое уравнение: λ² + γ·λ + α = 0 (5) 216

Собственные значения: λ₁,₂ = (−γ ± √(γ² − 4α)) / 2 (6) При γ > 0 и α > 0 вещественные части обоих собственных значений отрицательны, что означает асимптотическую устойчивость равновесия по Ляпунову [1]. Однако при малых γ (слабое затухание) возникают затухающие колебания с большой начальной амплитудой, что нежелательно для стабильности обучения. Количественной мерой устойчивости системы служит максимальная амплитуда колебаний: Amax = maxt ∈ [0,T] |y₁(t)| (7) 3. Численное интегрирование Система (2)–(3) решается численно методом Рунге-Кутты 4(5)-го порядка (реализация solve_ivp из библиотеки SciPy [3]). Метод Рунге-Кутты обеспечивает локальную погрешность порядка O(h⁵), что достаточно для точного воспроизведения динамики нелинейной системы на интервале t ∈ [0, 50]. Начальные условия: y₁(0) = 1.0, y₂(0) = 0.5 — моделируют начальное отклонение системы от положения равновесия. Исходные параметры: α = 0.5, β = 0.05, γ = 0.1. 4. Задача оптимизации Цель оптимизации — найти параметры (α, β, γ), минимизирующие максимальную амплитуду колебаний [4]: minα,β,γ Amax(α, β, γ) (8) при ограничениях: α ∈ [0.01, 2.0], β ∈ [0.001, 0.5], γ ∈ [0.01, 1.0]. Задача (8) является задачей нелинейного программирования с ограничениями-неравенствами. Для её решения использован метод L-BFGSB (Limited-memory Broyden–Fletcher–Goldfarb–Shanno with Bounds) из библиотеки SciPy [3, 4]. Целевая функция f(α, β, γ) = A_max вычисляется как результат численного интегрирования системы при каждом наборе параметров. Градиент целевой функции аппроксимируется конечными разностями: ∂f/∂α ≈ (f(α+h, β, γ) − f(α, β, γ)) / h (9) 5. Результаты эксперимента Реализация выполнена с использованием библиотек numpy, scipy и matplotlib [3]. Результаты представлены в Таблице 1. Таблица 1 Сравнение параметров и амплитуды исходной и оптимизированной систем Система Исходная Оптимизированная α β γ 0.500 0.050 0.100 2.000 0.500 1.000 217 Amax 1.1929 минимальная

Рисунок 1. Нелинейная динамика y₁(t): исходная и оптимизированная системы Рисунок 2. Фазовый портрет (y₁ vs y₂): исходная и оптимизированная системы Из таблицы 1 и рисунка 1 видно, что оптимизация привела к значительному увеличению коэффициентов α и γ. Это физически интерпретируется следующим образом: повышение α увеличивает «жёсткость» системы, ускоряя возврат к равновесию, а повышение γ усиливает диссипацию, подавляя колебания. Кубический коэффициент β = 0.500 в оптимальном решении обеспечивает нелинейное ограничение амплитуды при больших отклонениях. Фазовый портрет (Рисунок 2) наглядно демонстрирует, что траектории оптимизированной системы «сжаты» к началу координат по сравнению с исходной — признак существенно более быстрого затухания колебаний [1]. Заключение и практические рекомендации. Проведённое исследование показало, что нелинейная динамика обучаемых систем ИИ может быть строго формализована системой дифференциальных уравнений (2)–(3), а устойчивость — оценена аналитически через собственные значения матрицы Якоби (6) и численно через метрику максимальной амплитуды (7). Оптимизация параметров (α, β, γ) методом L-BFGS-B позволила найти конфигурацию системы с минимальными колебаниями: оптимальные значения α = 2.0, β = 0.5, γ = 1.0 обеспечивают быстрое затухание при 218