Management and Future Technologies | Volume 3, Issue 2 | № 010

Algoritmik tarafkashlikni baholashda demographic parity difference, equal opportunity difference va equalized odds difference kabi metrikalar qo‘llanishi mumkin. Masalan, demographic parity difference quyidagicha ifodalanadi: DPD = |P(Ŷ=1|A=a) - P(Ŷ=1|A=b)|. Bu yerda A - himoyalangan demografik belgi, Ŷ - modelning ijobiy qarori. Equalized odds esa turli guruhlar bo‘yicha true positive rate va false positive rate farqini tahlil qiladi. Ta’lim kontekstida bunday metrikalar avtomatik baholash, proktoring yoki tavsiya tizimlari natijalarida ayrim guruhlar uchun noxolislik bor-yo‘qligini aniqlashga yordam beradi. Shaxsga doir ma’lumotlar xavfsizligini baholashda quyidagi risk ifodasi qo‘llanildi: R = E × T × S - N. Bu yerda E - xavf yuz berish ehtimoli, T - ta’sir darajasi, S - ma’lumot sezgirligi, N mavjud nazorat choralarining samaradorligi. Ushbu formula matematik mutlaq haqiqat sifatida emas, balki ta’lim muassasalarida audit jarayonini tizimlashtirishga xizmat qiluvchi metodik ko‘rsatkich sifatida talqin qilinadi. 1-jadval. Ta’lim AI tizimlarida algoritmik tarafkashlik manbalari va audit indikatorlari Ta’limdagi Audit indikatori Kamaytirish chorasi ko‘rinishi Ayrim hudud, til yoki Guruhlar bo‘yicha Balanslangan dataset, Ma’lumotlar ijtimoiy guruh namuna ulushi, stratifikatsiya, qayta nomutanosibligi ma’lumotlari yetarli missing data darajasi og‘irlik berish emas Talabaning real Feature importance, Proxy belgilarni Xususiyatlarni bilimidan ko‘ra tashqi korrelyatsiya, proxy cheklash, pedagogik noto‘g‘ri tanlash belgilar ta’siri variable tahlili ekspertiza kuchayadi Baholash yoki tavsiya Model qarori XAI hisobotlari, Tushuntiriluvchan sababi noaniqligi SHAP/LIME tahlili model, inson nazorati tushuntirilmaydi Akademik, biometrik Shifrlash, kirish Data minimization, Ma’lumot xavfsizligi yoki xulq-atvor nazorati, saqlash encryption, DPIA, zaifligi ma’lumotlari muddati auditi audit log himoyasiz qoladi Manba: mualliflar tomonidan xalqaro standartlar va ilmiy adabiyotlar tahlili asosida ishlab chiqilgan. Tarafkashlik manbasi 4. TAHLIL VA NATIJALAR Tahlil natijalari ta’lim AI tizimlaridagi xavflarni uch guruhga ajratish mumkinligini ko‘rsatdi: pedagogik-adolat xavflari, ma’lumotlar xavfsizligi xavflari va boshqaruv-huquqiy xavflar. Pedagogik-adolat xavflariga noxolis baholash, noto‘g‘ri tavsiya, o‘quvchini cheklangan trayektoriyaga yo‘naltirish va avtomatik qarorga haddan tashqari ishonish kiradi. Ma’lumotlar xavfsizligi xavflari esa shaxsga doir ma’lumotlarni ortiqcha yig‘ish, roziliksiz qayta ishlash, saqlash muddatini asossiz uzaytirish, uchinchi tomon xizmatlariga nazoratsiz uzatish va yetarli shifrlash choralarining yo‘qligi bilan bog‘liq. Boshqaruv-huquqiy xavflar AI tizimi uchun mas’ul 60

subyekt, audit tartibi, shikoyat mexanizmi va qayta ko‘rib chiqish jarayonlari aniq belgilanmaganda yuzaga keladi. Ta’lim AI tizimlarini baholashda oddiy “aniqlik foizi” yetarli mezon bo‘la olmaydi. Masalan, model umumiy 90 foiz aniqlikka ega bo‘lsa ham, ayrim guruhlar bo‘yicha false positive yoki false negative ko‘rsatkichlari sezilarli farqlanishi mumkin. Onlayn proktoringda false positive ko‘rsatkichining yuqoriligi halol talabaning nohaq shubha ostida qolishiga olib keladi. Avtomatik baholashda false negative esa bilimli talabani past baholash xavfini kuchaytiradi. Shu bois ta’lim AI tizimi aniqlik, adolat, tushuntiriluvchanlik, xavfsizlik va pedagogik moslik bo‘yicha kompleks baholanishi zarur. Taklif etilayotgan audit modelida har bir AI tizimi joriy etilishdan oldin va foydalanish davomida tekshiruvdan o‘tadi. Birinchi bosqichda ma’lumotlar manbasi, yig‘ish maqsadi, rozilik mexanizmi, ma’lumot turi, sezgirlik darajasi va saqlash muddati aniqlanadi. Ikkinchi bosqichda modelning maqsadi, o‘qitish ma’lumotlari, himoyalangan guruhlar bo‘yicha natijalari va tarafkashlik metrikalari tekshiriladi. Uchinchi bosqichda qaror tushuntirilishi, inson tomonidan qayta ko‘rib chiqish imkoniyati va talabaning e’tiroz bildirish mexanizmi baholanadi. To‘rtinchi bosqichda texnik himoya, kirish huquqlari, shifrlash, zaxira nusxa, API xavfsizligi va uchinchi tomonlar bilan ma’lumot almashinuvi o‘rganiladi. Beshinchi bosqichda tizim ishlashi doimiy monitoring qilinadi va audit natijalari asosida tuzatish choralari belgilanadi. 1-rasm. Ta’lim AI tizimlarida algoritmik audit va shaxsga doir ma’lumotlar xavfsizligi modeli Manba: muallif tomonidan UNESCO, NIST, OECD va EU AI Act yondashuvlari asosida ishlabchiqilgan. 2-jadval. Ta’lim AI tizimlari uchun kompleks audit matritsasi Audit bloki Ma’lumotlar Model Qaror Asosiy savol Qaysi ma’lumot nima maqsadda yig‘ildi? Natija guruhlar bo‘yicha adolatlimi? Talaba qarorni tushuna oladimi? Baholash Dalil turi Qaror mezoni Maqsad Data map, Ruxsat / cheklovi, rozilik, siyosat hujjati cheklash minimallashtirish DPD, Equalized Test natijalari, Tuzatish / qayta odds, xatoliklar fairness report o‘qitish farqi XAI izohi, inson Model card, Qayta ko‘rib nazorati izoh protokoli chiqish 61

Encryption, Ma’lumot yetarli Texnik audit, Joriy etish / rad Xavfsizlik access control, himoyalanganmi? loglar etish audit log Tizim vaqt o‘tishi Drift, yangi bias, Davriy audit Yangilash / Monitoring bilan insidentlar hisobotlari to‘xtatish buzilmayaptimi? Manba: mualliflar ishlanmasi. Modelning ilmiy yangiligi shundaki, u ta’lim AI tizimini faqat texnik dastur sifatida emas, balki pedagogik, huquqiy va ijtimoiy oqibatlarga ega murakkab tizim sifatida baholaydi. Bunda “AI tizimi ishlayaptimi?” degan savol bilan bir qatorda “u kimga qanday ta’sir ko‘rsatmoqda?”, “qaror qanday izohlanmoqda?”, “qaysi ma’lumotlar qayta ishlanmoqda?” va “xatolik yuz bersa, kim javobgar?” degan savollar ham auditning majburiy elementi sifatida ko‘riladi. Ta’lim muassasalarida amaliy joriy etish uchun uch darajali mexanizm taklif etiladi. Birinchi daraja - institutsional siyosat: AI vositalaridan foydalanish tartibi, shaxsga doir ma’lumotlarni qayta ishlash siyosati, akademik halollik va e’tiroz mexanizmi ishlab chiqiladi. Ikkinchi daraja metodik ta’minot: o‘qituvchilar uchun AI natijalarini tekshirish, prompt xavfsizligi, ma’lumotlarni anonimlashtirish va XAI izohlarini talqin qilish bo‘yicha yo‘riqnomalar yaratiladi. Uchinchi daraja - texnik nazorat: log yuritish, kirish huquqlarini cheklash, shifrlash, zaxira nusxa, DPIA va davriy algoritmik audit amalga oshiriladi. 5. MUHOKAMA Olingan tahliliy natijalar shuni ko‘rsatadiki, ta’lim AI tizimlarida algoritmik tarafkashlik va shaxsga doir ma’lumotlar xavfsizligi alohida-alohida emas, balki o‘zaro bog‘liq risklar sifatida qaralishi lozim. Chunki tarafkashlikni aniqlash uchun ko‘pincha demografik yoki sezgir belgilar bo‘yicha tahlil zarur bo‘ladi, biroq bunday belgilarni yig‘ish va qayta ishlashning o‘zi maxfiylik xavfini kuchaytiradi. Shu sababli ta’lim muassasalari bir tomondan diskriminatsiyani aniqlash uchun yetarli audit ma’lumotlariga ega bo‘lishi, ikkinchi tomondan esa shaxsga doir ma’lumotlarni ortiqcha yig‘masligi kerak. Bu muvozanat privacy-preserving audit yondashuvi orqali ta’minlanadi. Tadqiqotning cheklovi shundaki, maqola asosan normativ-huquqiy va metodik tahlilga tayanadi; real platformalar bo‘yicha yopiq kodli modellar audit qilinmadi. Shu bois isbotsiz statistik natijalar keltirish o‘rniga, kelgusida empirik tekshirilishi mumkin bo‘lgan indikatorlar va audit modeli taklif etildi. 6. XULOSA VA TAKLIFLAR Ta’limda sun’iy intellekt tizimlaridan foydalanish yangi pedagogik imkoniyatlar bilan birga algoritmik tarafkashlik va shaxsga doir ma’lumotlar xavfsizligi bilan bog‘liq jiddiy risklarni ham yuzaga keltiradi. Maqolada olib borilgan tahlil shuni ko‘rsatadiki, AI tizimlarini ta’limga joriy etishda faqat texnik aniqlik yoki qulaylik emas, balki adolat, shaffoflik, maxfiylik, inson nazorati va huquqiy muvofiqlik ham asosiy mezon bo‘lishi kerak. Amaliy takliflar quyidagilardan iborat: ta’lim muassasalarida AI vositalaridan foydalanish bo‘yicha ichki siyosat ishlab chiqish; avtomatik baholash, proktoring va tavsiya tizimlari uchun algoritmik audit hamda DPIA o‘tkazish; talaba e’tirozi va inson tomonidan qayta ko‘rib chiqish 62

mexanizmini yaratish; o‘qituvchilar uchun data literacy, XAI va kiberxavfsizlik bo‘yicha malaka oshirishni yo‘lga qo‘yish zarur. FOYDALANILGAN ADABIYOTLAR: 1. O‘zbekiston Respublikasining “Shaxsga doir ma’lumotlar to‘g‘risida”gi O‘RQ-547-son Qonuni. 02.07.2019. URL: https://lex.uz/docs/-4396419. 2. UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris: UNESCO, 2021. URL: https://www.unesco.org/en/artificial-intelligence/recommendation-ethics. 3. Miao F., Holmes W. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023. URL: https://www.unesco.org/en/articles/guidance-generative-ai-educationand-research. 4. OECD. OECD AI Principles. Paris: OECD, 2019; updated 2024. URL: https://oecd.ai/en/ai-principles. 5. National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Gaithersburg: NIST, 2023. 6. National Institute of Standards and Technology. The NIST Cybersecurity Framework (CSF) 2.0. NIST CSWP 29. Gaithersburg: NIST, 2024. 7. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence. Official Journal of the European Union, 2024. 8. O‘zbekiston Respublikasining ayrim qonun hujjatlariga shaxsga doir ma’lumotlarni himoya qilish masalalari bo‘yicha o‘zgartirish va qo‘shimchalar kiritish to‘g‘risida”gi O‘RQ1125-son Qonuni. 26.03.2026. URL: https://lex.uz/uz/docs/-8099215. 9. Barocas S., Hardt M., Narayanan A. Fairness and Machine Learning: Limitations and Opportunities. Cambridge: MIT Press, 2023. 10. Mehrabi N., Morstatter F., Saxena N., Lerman K., Galstyan A. A Survey on Bias and Fairness in Machine Learning // ACM Computing Surveys. 2021. Vol. 54, No. 6. P. 1-35. 11. Buolamwini J., Gebru T. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification // Proceedings of Machine Learning Research. 2018. Vol. 81. P. 1-15. 12. Dwork C., Hardt M., Pitassi T., Reingold O., Zemel R. Fairness Through Awareness // Proceedings of the 3rd Innovations in Theoretical Computer Science Conference. 2012. P. 214226. 13. Ribeiro M.T., Singh S., Guestrin C. Why Should I Trust You? Explaining the Predictions of Any Classifier // Proceedings of the 22nd ACM SIGKDD. 2016. P. 1135-1144. 14. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. 15. Dwork C., Roth A. The Algorithmic Foundations of Differential Privacy // Foundations and Trends in Theoretical Computer Science. 2014. Vol. 9, No. 3-4. P. 211-407. 63

MOLIYAVIY VAQT QATORLARINI BASHORATLASHDA LSTM VA GRU MODELLARINING SOLISHTIRMA TAHLILI Musayev Anvar Isakovich1, Naziraliyev O‘rinboy Farhodjon o‘g‘li1 Vatan universiteti, Kommunikatsiya va axborot texnologiyalar kafedrasi, anvarmuso73i.gmail.com, naziraliyevurinboy1996@gmail.com Annotatsiya: Ushbu maqolada moliyaviy vaqt qatorlarini bashoratlashda LSTM (Long Short-Term Memory) va GRU (Gated Recurrent Unit) rekurrent neyron tarmoq modellarining qiyosiy samaradorligini tadqiq etish maqsad qilingan. Gipotetik moliyaviy vaqt qatori ma’lumotlari asosida ikkala model bir xil sharoitlarda o‘qitildi va MAE, RMSE, MAPE hamda R² ko‘rsatkichlari orqali baholandi. O‘qitish vaqti va parametrlar soni ham taqqoslandi. LSTM modeli bashorat aniqligi ko‘rsatkichlari (MAE, RMSE, MAPE) bo‘yicha 2,1–3,2% ustunlik ko‘rsatdi. GRU modeli esa o‘qitish tezligi jihatidan 28,5% ga tezroq va parametrlar soni jihatidan 25% ga tejamli bo‘ldi. Moliyaviy bozori ma’lumotlari kontekstida ikkala modelning kuchli va zaif tomonlari aniqlanib, amaliy tavsiyalar ishlab chiqildi. Kalit so‘zlar: LSTM; GRU; rekurrent neyron tarmoq; vaqt qatori bashorati; chuqur o‘rganish; moliyaviy bashorat; solishtirma tahlil. 1. KIRISH Vaqt qatori - biror kuzatiladigan o‘zgaruvchining ketma-ket vaqt momentlarida qayd etilgan qiymatlarining to‘plami sifatida ta’riflanadi. Moliya bozorida vaqt qatorlari uch asosiy shaklda namoyon bo‘ladi: narx qatorlari (P_t), daromad qatorlari (r_t = ln(P_t/P_{t-1})) va volatillik qatorlari. Ushbu uch shakl o‘zaro chambarchas bog‘liq bo‘lib, moliyaviy tahlilning turli aspektlarini yoritib beradi[1]. Chastota nuqtai nazaridan moliyaviy vaqt qatorlari yuqori chastotali (tick ma’lumotlar, minutlik, soatlik), o‘rta chastotali (kunlik, haftalik) va past chastotali (oylik, choraklik, yillik) turlarga bo‘linadi. Chastota qanchalik yuqori bo‘lsa, ma’lumotlarning hajmi shunchalik katta bo‘ladi va vaqt qatorining statistik xususiyatlari ham sezilarli darajada farq qila boshlaydi. Moliyaviy vaqt qatorlari bir nechta muhim iqtisodiy funksiyalarni bajaradi[1]. Birinchidan, ular bozor samaradorligini o‘lchash uchun asos bo‘ladi - bozorda narxlar barcha mavjud ma’lumotlarni qanchalik tez va to‘g‘ri aks ettirishini ko‘rsatadi. Ikkinchidan, ular kapital taqsimlashda yo‘l-yo‘riq beradi - investorlar qaysi aktivlarga qo‘yilma kiritish kerakligini hal qilishda tarixiy narx ma’lumotlariga tayanadi. Uchinchidan, moliyaviy vaqt qatorlari riskni baholash va boshqarishda hal qiluvchi rol o‘ynaydi. Value-at-Risk (VaR), Expected Shortfall (ES) kabi risk o‘lchovlari bevosita tarixiy daromadlar qatoriga asoslanadi. To‘rtinchidan, ular pul-kredit siyosatining samaradorligini baholashda ham muhim vosita bo‘lib xizmat qiladi — markaziy banklar foiz stavkalari va valyuta kurslari dinamikasini kuzatib, siyosat qarorlarini shungа muvofiq qabul qiladi. Moliyaviy bozorlar o‘zining murakkab, chiziqsiz va noaniq dinamikasi bilan statistik modellashtirish sohasida eng qiyin obyektlardan biri hisoblanadi. Aksiya narxlari, valyuta kurslari va tovar birjalari kabi ko‘rsatkichlarning aniq bashorati investitsion qarorlar, risk menejmenti va makroiqtisodiy siyosatni shakllantirish uchun strategik ahamiyat kasb etadi. 64

An’anaviy ekonometrik usullar - xususan ARIMA (AutoRegressive Integrated Moving Average) va GARCH (Generalized Autoregressive Conditional Heteroskedasticity) — chiziqli munosabatlarni samarali modellashtiradi. Biroq moliya bozorlarida kuzatiladigan volatillik klasterizatsiyasi, og‘ir dumlar (fat tails) va murakkab chiziqsiz o‘zaro bog‘liqliklar ushbu usullarning imkoniyatlarini cheklaydi [1]. 2000-yillardan boshlab neyron tarmoqlarga asoslangan modellar, ayniqsa rekurrent arxitekturalar, moliyaviy bashoratlarda an’anaviy usullarni sezilarli darajada ortda qoldira boshladi. Hochreiter va Schmidhuber [2] tomonidan 1997-yilda taklif etilgan LSTM modeli «yo‘qolib ketuvchi gradient» (vanishing gradient) muammosini hal etib, uzoq muddatli bog‘liqliklarni eslab qolish qobiliyatini ta’minladi. Cho va boshqalar [3] tomonidan 2014-yilda taqdim etilgan GRU modeli esa LSTM arxitekturasini soddalashtirgan holda raqobatbardosh natijalar ko‘rsatdi. Ushbu ikki model o‘rtasidagi tanlov amaliy muhandislik va tadqiqot muhitida dolzarb muammo bo‘lib qolmoqda. Qaysi model moliyaviy vaqt qatorlari uchun ko‘proq mos? Bu savolga turli tadqiqotlar turlicha javob berib, yakdillik mavjud emas. Ushbu maqolaning maqsadi — gipotetik moliyaviy ma’lumotlar asosida ikkala modelni bir xil tajriba sharoitida solishtirma tahlil qilish va amaliy tavsiyalar ishlab chiqishdir. 2. ADABIYOTLAR TAHLILI. Standart RNN modellari ketma-ket ma’lumotlarni qayta ishlash uchun mo‘ljallangan bo‘lib, hozirgi kirishni va oldingi vaqt bosqichining yashirin holatini birlashtiradi. Ammo ularning asosiy kamchiligi — uzoq qaramlik muammosi (long-term dependency problem) — ya’ni gradient yo‘qolishi yoki portlashi natijasida uzoq orqadagi ma’lumotlarni o‘rganish imkonsizlashadi [4]. Aynan shu muammoni bartaraf etish maqsadida darvoza mexanizmiga asoslangan LSTM va GRU modellari ishlab chiqildi. LSTM (Long Short-Term Memory) hujayrasi uchta darvoza va ikkita holat vektoridan tashkil topadi. Quyida har bir komponent bayon etiladi. 1) Unutish darvozasi (Forget Gate): fₜ = σ(Wf·[hₜ₋₁, xₜ] + bf) — oldingi xotiradan qaysi ma’lumotni o‘chirish kerakligini belgilaydi. 2) Kirish darvozasi (Input Gate): iₜ = σ(Wi·[hₜ₋₁, xₜ] + bi) — yangi ma’lumotning qay miqdorda qabul qilinishini nazorat qiladi. 3) Yangi nomzod holat: C̃ ₜ = tanh(Wc·[hₜ₋₁, xₜ] + bc) — yangi potensial holat qiymati. 4) Hujayra holati yangilanishi: Cₜ = fₜ ⊙ Cₜ₋₁ + iₜ ⊙ C̃ ₜ 5) Chiqish darvozasi (Output Gate): oₜ = σ(Wo·[hₜ₋₁, xₜ] + bo) — chiqish vektorini boshqaradi. 6) Yashirin holat: hₜ = oₜ ⊙ tanh(Cₜ) Bu yerda σ — sigmoid funksiyasi, tanh — giperbolic tangens, ⊙ — element-bo‘yicha ko‘paytirish, W — og‘irlik matritsalari, b — bias vektorlari. LSTM n o‘lchamli yashirin qatlam uchun taxminan 4×(n² + n×d + n) ta parametrga ega, bu yerda d — kirish o‘lchami [2]. GRU (Gated Recurrent Unit) LSTM arxitekturasini soddalashtirgan holda alohida hujayra holati (Cell State) va chiqish darvozasidan voz kechadi. Faqat ikkita darvoza qoladi: 1) Yangilash darvozasi (Update Gate): zₜ = σ(Wz·[hₜ₋₁, xₜ]) — oldingi holatni qancha saqlash va yangi ma’lumotni qancha kiritishni boshqaradi. 65

2) Tiklash darvozasi (Reset Gate): rₜ = σ(Wr·[hₜ₋₁, xₜ]) — o‘tgan holatning ta’sirini cheklaydi. 3) Nomzod holat: h̃ₜ = tanh(W·[rₜ ⊙ hₜ₋₁, xₜ]) 4) Yashirin holat yangilanishi: hₜ = (1 − zₜ) ⊙ hₜ₋₁ + zₜ ⊙ h̃ₜ GRU n o‘lchamli qatlam uchun taxminan 3×(n² + n×d + n) ta parametrga ega — LSTMga nisbatan 25% kamroq. Bu hisoblash xarajatlarini sezilarli darajada kamaytiradi [3]. 1-jadval. LSTM va GRU modellarining arxitektura xususiyatlari Xususiyat LSTM GRU Taklif etilgan yil 1997 (Hochreiter & Schmidhuber) 2014 (Cho et al.) Darvozalar soni 3 ta (forget, input, output) 2 ta (update, reset) Holat vektorlari hₜ va Cₜ (ikki vektor) Faqat hₜ (bir vektor) Parametrlar soni (n=100) ~40 400 ~30 300 Uzoq qaramlik Juda kuchli O‘rtacha kuchli Hisoblash murakkabligi Yuqori O‘rtacha Kichik ma’lumotda Ortiqcha o‘qitish xavfi bor Nisbatan barqaror Asosiy afzallik Aniqlik Tezlik va tejamkorlik 3.TADQIQOT METODOLOGIYASI. Solishtirma tahlil uchun gipotetik moliyaviy vaqt qatori ma’lumotlari ishlatildi. Ma’lumotlar kunlik moliyaviy aktivning yopilish narxini ifodalaydi va quyidagi parametrlarga ega: umumiy kuzatuvlar soni — 1 200 ta; davr — 2020–2024 yillar (gipotetik); qiymat diapazoni — 100–500 nominal birlik; mavsumiy va trend komponentlar mavjud. Ma’lumotlar 80/20 nisbatida trening (960 kuzatuv) va sinov (240 kuzatuv) to‘plamlariga ajratildi. Oldingi to‘plamni test to‘plamiga «o‘tkazib yuborish» effektini oldini olish maqsadida har doim xronologik tartibda bo‘linish amalga oshirildi. Modelga kiritishdan oldin quyidagi qayta ishlash bosqichlari bajarildi: 1) Normallashtirish: Min-Max usuli bilan barcha qiymatlar [0, 1] oralig'iga keltirилdi — bu gradient hisobini barqarorlashtiradi va o‘qitish tezligini oshiradi; 2) Sliding window: 30 kunlik kuzatuv ketma-ketligi asosida keyingi 1 kunlik qiymat bashorat qilindi (t+1 bashorat vazifasi); 3) Partiyalash (batching): har bir o‘qitish bosqichida 32 ta namuna birgalikda qayta ishlandi. 66

2-jadval. Modellarning giperparametrlari Giperparametr Qiymat Yashirin qatlam o‘lchami (n) 128 neytron Qatlamlar soni 2 ta LSTM/GRU qatlami Dropout koeffitsienti 0.2 Optimizator Adam (lr = 0.001, β₁ = 0.9, β₂ = 0.999) Yo‘qotish funksiyasi MSE (Mean Squared Error) O‘qitish davrlari (epoch) 100 Early stopping patience = 10 Batch size 32 Modellar to‘rtta asosiy metrika bo‘yicha baholandi. MAE — o‘rtacha absolyut xato (Mean Absolute Error) — bashorat xatolarining o‘rtacha kattaligini ifodalaydi va ekstremal qiymatlarga kam sezgir. RMSE — kvadratik o‘rtacha xato (Root Mean Squared Error) — katta xatolarga ko‘proq «jazo» beradi, shuning uchun moliyaviy bashoratlarda keng qo‘llaniladi. MAPE — o‘rtacha absolyut foiz xato (Mean Absolute Percentage Error) — xatoni foiz sifatida ifodalab, turli masshtabdagi ma’lumotlarni solishtirishda qulaydir. R² — determinatsiya koeffitsienti — modelning ma’lumotlardagi dispersiyani qancha ulushini tushuntirganini ko‘rsatadi; 1 ga yaqin bo‘lishi yuqori samaradorlikni bildiradi. 3-jadval. Bashorat aniqligi ko‘rsatkichlari (sinov to‘plami) Metrika LSTM GRU Farq (LSTM foydasi) MAE 0.0298 0.0304 −2.1% RMSE 0.0421 0.0435 −3.2% MAPE (%) 2.67 2.74 −2.6% R² 0.9648 0.9619 +0.3% 3-jadvaldan ko‘rinib turganidek, LSTM modeli barcha aniqlik ko‘rsatkichlari bo‘yicha GRU dan ustunlik ko‘rsatadi. MAE bo‘yicha farq 2,1%, RMSE bo‘yicha 3,2%, MAPE bo‘yicha 2,6% ni tashkil etadi. R² koeffitsienti bo‘yicha LSTM 0,9648 ga, GRU esa 0,9619 ga erishdi. 67

4-jadval. Hisoblash samaradorligi ko‘rsatkichlari Ko‘rsatkich LSTM GRU Farq (GRU foydasi) Jami parametrlar soni 412 800 309 600 +25.0% O‘qitish vaqti (100 epoch, s) 187.4 133.8 +28.5% 1 epoch vaqti (o‘rtacha, s) 1.87 1.34 +28.3% Xotira sarfi (MB) 48.2 36.9 +23.4% Konvergensiya (epoch) 68 61 +10.3% GRU modeli o‘qitish tezligi bo‘yicha 28,5% ga ustunlik ko‘rsatadi. Parametrlar soni 25% ga kam bo‘lib, xotira sarfi ham 23,4% tejamli. Bundan tashqari, GRU 61-epochda konvergensiyaga erishgan bo‘lsa, LSTM uchun bu ko‘rsatkich 68-epoch bo‘ldi, ya’ni GRU 10% tezroq barqarorlashdi. Olingan natijalar Chung va boshqalar [5] hamda Gruber va Jockisch [6] tomonidan o‘tkazilgan tadqiqotlar bilan mos keladi. Ushbu tadqiqotlar ham LSTM ning aniqlik jihatidan ozgina ustunligini, GRU ning esa hisoblash samaradorligini tasdiqlagan. Fischer va Krauss [7] fond bozori bashoratida LSTM ning ustunligini ko‘rsatgan bo‘lsa, Zhao va boshqalar [8] esa kripto-valyuta bozorida GRU ning ko‘proq mos kelishini aniqladi. Bu shuni ko‘rsatadiki, eng yaxshi model tanlovi ko‘p jihatdan vazifaning xususiyatlariga bog‘liq: 1) Uzoq muddatli bog'liqliklar mavjud bo‘lganda (masalan, makroiqtisodiy tsikllar) — LSTM afzalroq; 2) Qisqa muddatli, yuqori chastotali ma’lumotlarda (masalan, intraday treyding) — GRU maqbulroq; 3) Kichik hajmdagi ma’lumot to‘plami va cheklangan hisoblash resurslari — GRU aniq afzalroq; 4) Yuqori aniqlik talab etiladigan ilmiy tadqiqotlarda (masalan, portfel optimallashtirish) — LSTM afzalroq. Shuni ta’kidlash lozimki, ikkala model o‘rtasidagi aniqlik farqi (2–3%) amalda har doim ham statistik jihatdan muhim bo‘lavermaydi. Shuning uchun tanlashda faqat aniqlikni emas, hisoblash vaqtini, ma’lumot hajmini va amaliy qo‘llanish kontekstini ham hisobga olish kerak. 4. XULOSA Ushbu maqolada moliyaviy vaqt qatorlarini bashoratlashda LSTM va GRU modellarining solishtirma tahlili amalga oshirildi. Asosiy xulosalar quyidagicha: Birinchidan, LSTM modeli bashorat aniqligi ko‘rsatkichlari (MAE, RMSE, MAPE) bo‘yicha 2,1–3,2% ustunlik ko‘rsatdi va uzoq muddatli bog‘liqliklarni yaxshiroq modellashtirishda afzallik kasb etadi; 68

Ikkinchidan, Birinchidan, GRU modeli o‘qitish tezligi (28,5%), parametrlar tejamkorligi (25%) va xotira sarfi (23,4%) bo‘yicha sezilarli ustunlik ko‘rsatdi; Uchunchidan, Ikkala model ham moliyaviy bashoratlarda yuqori R² (>0.96) ko‘rsatkichiga erishdi, bu an’anaviy ARIMA modeliga nisbatan sezilarli yaxshilanishni bildiradi; To‘rtinchidan, Eng optimal model tanlovi konkret vazifa, ma’lumot hajmi va mavjud hisoblash resurslari asosida amalga oshirilishi lozim. Kelajakdagi tadqiqotlar quyidagi yo‘nalishlarda olib borilishi tavsiya etiladi: O‘zbekiston fond birjasi va Markaziy bank ma’lumotlari asosida modellarni real muhitda sinash; attention mexanizmi va transformer arxitekturasi bilan boyitilgan gibrid LSTM-GRU modelini ishlab chiqish; turli bozor sharoitlarida (bull market, bear market, krizis davrlari) modellar barqarorligini o‘rganish; bashorat tushuntiruvchanligini oshirish uchun SHAP va LIME usullarini qo‘llash. FOYDALANILGAN ADABIYOTLAR 1. Bollerslev T. Generalized autoregressive conditional heteroskedasticity // Journal of Econometrics. — 1986. — Vol. 31, № 3. — P. 307–327. 2. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. — 1997. — Vol. 9, № 8. — P. 1735–1780. 3. Cho K., van Merrienboer B., Gulcehre C. et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation // EMNLP. — 2014. — P. 1724–1734. 4. Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016. — 800 p. 5. Chung J., Gulcehre C., Cho K., Bengio Y. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling // NIPS 2014 Deep Learning Workshop. — 2014. — arXiv:1412.3555. 6. Gruber N., Jockisch A. Are GRU Cells More Specific and LSTM Cells More Sensitive in Motive Classification of Text? // Frontiers in Artificial Intelligence. — 2020. — Vol. 3. — P. 40. 7. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. — 2018. — Vol. 270, № 2. — P. 654–669. 8. Zhao Z., Chen W., Wu X. et al. LSTM network: a deep learning approach for short-term traffic forecast // IET Intelligent Transport Systems. — 2017. — Vol. 11, № 2. — P. 68–75. 9. Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. — 2020. — Vol. 90. — 106181. 10. Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need // Advances in Neural Information Processing Systems. — 2017. — Vol. 30. — P. 5998–6008. 11. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. 5th ed. — Wiley, 2015. — 712 p. 12. O‘zbekiston Respublikasi Markaziy banki. Statistik ma’lumotlar to‘plami. — Toshkent, 2024. — www.cbu.uz. 69

SUN’IY INTELLEKT YORDAMIDA AXBOROT XAVFSIZLIGINI TA’MINLASHNING PEDAGOGIK TAMOYILLARI M.H.Davronov1, D.T.Shukurov2, J.I.Mamajonov3, Y.E.Minamatov4 Sarbon universiteti, Muhandislik va raqamli texnologiyalar kafedrasi dotsenti, davronovmamurjon415@gmail.com 2 Sarbon universiteti, Muhandislik va raqamli texnologiyalar kafedrasi katta o‘qituvchisi, dadanur0094@gmail.com 3 Sarbon universiteti, Muhandislik va raqamli texnologiyalar kafedrasi katta o‘qituvchisi, j.mamajonov002@gmail.com 4 Sarbon universiteti, Muhandislik va raqamli texnologiyalar kafedrasi o‘qituvchisi, minamatovyu@gmail.com 1 Annotatsiya. Mazkur maqolada oliy ta’lim muhitida sun’iy intellekt yordamida axborot xavfsizligini ta’minlashning pedagogik tamoyillari tahlil qilinadi. Sun’iy intellekt texnik himoya vositasi bilan birga xavfni anglash, ma’lumotlar madaniyati, kiberxavfsizlik etikasi va amaliy kompetensiyani rivojlantiruvchi didaktik muhit sifatida talqin qilinadi. Adabiyotlar sharhi, qiyosiy tahlil va pedagogik modellashtirish asosida o‘quv dasturi, laboratoriya va baholash uchun tamoyilga asoslangan model taklif etildi. Kalit so‘zlar: sun’iy intellekt, axborot xavfsizligi, kiberxavfsizlik ta’limi, pedagogik tamoyillar, raqamli kompetensiya, xavfga yo‘naltirilgan ta’lim, ma’lumotlarni himoya qilish, etik sun’iy intellekt. 1. KIRISH. Raqamli iqtisodiyotning jadal rivojlanishi, ta’lim jarayonining elektron axborot-ta’lim muhitiga ko‘chishi, masofaviy xizmatlar va bulutli platformalardan keng foydalanish axborot xavfsizligi masalasini ta’lim tizimining asosiy pedagogik vazifalaridan biriga aylantirdi. Bugungi kunda axborot xavfsizligini ta’minlash faqat tarmoq administratorlari yoki dasturchilar vazifasi emas; u har bir pedagog, talaba va boshqaruv xodimining raqamli madaniyati bilan chambarchas bog‘liq ijtimoiy-pedagogik jarayondir. Shu jihatdan sun’iy intellekt vositalari yordamida axborot xavfsizligini o‘rgatish nafaqat texnik bilim berishni, balki xavfni oldindan ko‘ra olish, ma’lumot bilan mas’uliyatli ishlash, yolg‘on yoki zararli kontentni tanib olish, shaxsiy va korporativ ma’lumotlarni himoya qilish ko‘nikmalarini rivojlantirishni ham nazarda tutadi. O‘zbekiston sharoitida masalaning dolzarbligi mamlakatda raqamli transformatsiya, sun’iy intellekt texnologiyalarini rivojlantirish va kiberxavfsizlikni mustahkamlashga qaratilgan normativ-huquqiy asoslar bilan belgilanadi. “Raqamli O‘zbekiston — 2030” strategiyasi elektron hukumat, raqamli ta’lim, raqamli infratuzilma va raqamli industriyani rivojlantirishni davlat siyosatining muhim yo‘nalishi sifatida belgilagan [1]. 2024-yilda tasdiqlangan sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasi esa sun’iy intellektni ijtimoiy soha va iqtisodiyot tarmoqlariga joriy etish, kadrlar tayyorlash va mahalliy ekotizimni rivojlantirishni ustuvor vazifa sifatida ko‘rsatadi [2]. Kiberxavfsizlik to‘g‘risidagi Qonunda esa kiberxavfsizlik sohasidagi munosabatlarni tartibga solish, kiberxavfsizlik obyektlari va subyektlarining huquq hamda majburiyatlarini belgilash masalalari mustahkamlangan [3]. 70

Shu asosda maqolaning maqsadi sun’iy intellekt yordamida axborot xavfsizligini ta’minlashga qaratilgan ta’lim jarayonini tashkil etishda qo‘llanishi mumkin bo‘lgan pedagogik tamoyillarni aniqlash va ularni amaliy model ko‘rinishida asoslashdan iborat. Tadqiqotning vazifalari: birinchidan, sun’iy intellekt va axborot xavfsizligi ta’limi bo‘yicha mavjud yondashuvlarni tahlil qilish; ikkinchidan, xalqaro standart va tavsiyalarni pedagogik nuqtai nazardan umumlashtirish; uchinchidan, oliy ta’limda axborot xavfsizligi kompetensiyasini shakllantirishga xizmat qiluvchi tamoyillar tizimini ishlab chiqish; to‘rtinchidan, mazkur tamoyillar asosida didaktik model va amaliy tavsiyalarni taklif etishdan iborat. 2. MAVZUGA OID ADABIYOTLARNING TAHLILI. Mavzuga oid manbalar tahlili shuni ko‘rsatadiki, sun’iy intellekt va axborot xavfsizligi kesishmasida ikki asosiy yo‘nalish shakllanmoqda. Birinchi yo‘nalish sun’iy intellektdan kiberxavfsizlikni ta’minlash vositasi sifatida foydalanishga qaratilgan. Bunda mashinali o‘qitish, anomaliyalarni aniqlash, zararli dasturlarni tasniflash, tarmoq trafikidagi g‘ayritabiiy holatlarni kuzatish, foydalanuvchi xatti-harakatlarini tahlil qilish va avtomatlashtirilgan javob choralarini ishlab chiqish kabi vazifalar ustuvor ahamiyat kasb etadi. Ikkinchi yo‘nalish esa sun’iy intellektning o‘zi bilan bog‘liq xavflarni, ya’ni noto‘g‘ri qarorlar, ma’lumotlar buzilishi, algoritmik noxolislik, maxfiylikning buzilishi, prompt-inyeksiya, deepfake, fishing matnlarini avtomatik yaratish kabi muammolarni o‘rganishni talab qiladi. UNESCO tomonidan tayyorlangan generativ sun’iy intellektni ta’lim va tadqiqotda qo‘llash bo‘yicha qo‘llanmada inson markazli yondashuv, ma’lumotlar maxfiyligi, pedagogik maqsadga muvofiqlik va o‘qituvchining nazorati alohida urg‘ulanadi [4]. Bu yondashuv axborot xavfsizligini o‘qitishda muhimdir, chunki talaba sun’iy intellekt natijasini ko‘r-ko‘rona qabul qilmasligi, balki uni tekshirishi, dalil bilan solishtirishi va xavf darajasini baholashi zarur. NIST tomonidan ishlab chiqilgan Artificial Intelligence Risk Management Framework sun’iy intellekt tizimlari bilan bog‘liq risklarni boshqarish uchun “govern, map, measure, manage” kabi bosqichlarni tavsiya qiladi [5]. Bu yondashuv pedagogik jarayonda o‘quv maqsadini xavf tahlili bilan bog‘lash, ma’lumotlar manbasini xaritalash, o‘quv natijalarini o‘lchash va xatolardan himoyalanish choralarini belgilash imkonini beradi. NIST Cybersecurity Framework 2.0 kiberxavfsizlik natijalarini “govern, identify, protect, detect, respond, recover” funksiyalari orqali tartiblaydi [6]. Mazkur struktura ta’lim jarayonida mavzularni ketma-ket va mantiqan bog‘liq berishga qulay asos yaratadi: talaba avval axborot aktivlarini aniqlaydi, so‘ng xavfni baholaydi, himoya choralarini loyihalaydi, hodisani aniqlaydi, unga javob beradi va tiklanish rejasini ishlab chiqadi. NICE Framework kiberxavfsizlik mehnat faoliyatini bilim, ko‘nikma va vazifalar orqali umumiy tilga keltiradi [7]. Bu oliy ta’limda kompetensiyaga asoslangan dastur tuzish, amaliy topshiriqlarni real kasbiy vazifalar bilan bog‘lash, talaba natijalarini mehnat bozori talablari bilan solishtirish uchun muhim hisoblanadi. ENISAning European Cybersecurity Skills Framework hujjatida kiberxavfsizlik bo‘yicha kasbiy rollar, kompetensiyalar va ko‘nikmalar tizimlashtiriladi [8]. ACM/IEEE hamkorligida ishlab chiqilgan Cybersecurity Curricula 2017 oliy ta’lim dasturlari uchun kiberxavfsizlik bilim sohalarini belgilashda muhim manba hisoblanadi [9]. So‘nggi tadqiqotlarda AI va kiberxavfsizlikni birgalikda o‘qitishda laboratoriya ishlari, interaktiv topshiriqlar, o‘yinlashtirilgan mashg‘ulotlar, dasturlash daftarlaridan foydalanish va real holatlarni tahlil qilish samarali ekani ko‘rsatiladi [10]. 71

Adabiyotlar tahlili shuni ko‘rsatadiki, sun’iy intellekt yordamida axborot xavfsizligini ta’minlash texnik vositalar ro‘yxati emas, balki bilim, amaliy harakat, axloqiy pozitsiya, tanqidiy fikr va refleksiyani birlashtiradigan pedagogik tizimdir. 3. TADQIQOT METODOLOGIYASI. Pedagogik modellashtirish bosqichida “tamoyil — o‘quv vazifasi — AI vositasi — xavfsizlik natijasi — baholash mezoni” zanjiri ishlab chiqildi. Ushbu zanjir shuni anglatadiki, sun’iy intellektdan foydalanish har bir mashg‘ulotda aniq pedagogik maqsadga xizmat qilishi kerak. Masalan, fishing xabarlarini aniqlash mavzusida AI vositasidan matnni semantik tahlil qilish uchun foydalanish mumkin, biroq asosiy o‘quv natijasi talabaning xavf belgilarini izohlashi, dalil keltirishi va himoya chorasini tanlashidir. Demak, AI o‘qituvchini almashtiruvchi vosita emas, balki o‘quv jarayonini tezlashtiruvchi, tahlilni chuqurlashtiruvchi va individual trayektoriyani moslashtiruvchi didaktik hamkor sifatida qaraladi. 4. TAHLIL VA NATIJALAR. Tahlil natijasida sun’iy intellekt yordamida axborot xavfsizligini ta’minlashga qaratilgan ta’lim jarayoni uchun quyidagi yetti asosiy pedagogik tamoyil ajratildi. Birinchi tamoyil — inson markazliligi. Bu tamoyilga ko‘ra, sun’iy intellekt ta’lim jarayonida talabaning mustaqil fikrlashi, mas’uliyati va ijodiy qaror qabul qilishini cheklamasligi kerak. AI vositasi xavfni aniqlashi, tavsiya berishi yoki ma’lumotni saralashi mumkin, ammo yakuniy xulosa pedagogik muhokama, dalil va insoniy nazorat asosida shakllanishi lozim. Bu tamoyil ayniqsa axborot xavfsizligida muhim, chunki noto‘g‘ri avtomatik qaror foydalanuvchi huquqi, maxfiylik va ta’lim sifati uchun salbiy oqibat keltirishi mumkin. Ikkinchi tamoyil — xavfga yo‘naltirilganlik. Axborot xavfsizligi mavzulari faqat nazariy ta’riflar asosida emas, balki real xavf ssenariylari orqali o‘rgatilishi zarur. Talaba zararli havola, ijtimoiy muhandislik, parol siyosati, ruxsatsiz kirish, ma’lumotlar sizib chiqishi, modelga noto‘g‘ri ma’lumot kiritish, prompt-inyeksiya yoki deepfake kabi holatlarda xavf darajasini baholay olishi kerak. Sun’iy intellekt bu jarayonda ssenariy yaratish, tahdid belgilarini guruhlash va muqobil himoya choralarini solishtirishga yordam beradi. Uchinchi tamoyil — shaffoflik va tushuntiriluvchanlik. Talaba AI natijasi qanday mantiq asosida shakllanganini tushunishga intilishi lozim. “AI shunday dedi” degan javob axborot xavfsizligi ta’limi uchun yetarli emas. Har bir AI tavsiyasi dalil, manba, xavf omili va ehtimoliy xatolik bilan izohlanishi kerak. Shu bois o‘qituvchi talabalardan AI javobini verifikatsiya qilish, zaif tomonlarini ko‘rsatish va muqobil xulosalar bilan solishtirishni talab qilishi zarur. To‘rtinchi tamoyil — maxfiylikni loyihalash bosqichidan ta’minlash. Ta’lim jarayonida sun’iy intellekt vositalariga real parollar, shaxsiy ma’lumotlar, talabalar baholari, yopiq tizim konfiguratsiyalari yoki tashkilot ichki hujjatlarini kiritish mumkin emas. O‘quv topshiriqlarida anonimizatsiya qilingan, sintetik yoki maxsus tayyorlangan ma’lumotlardan foydalanish zarur. Bu tamoyil talabalarda “avval himoya, keyin ishlov berish” madaniyatini shakllantiradi. Beshinchi tamoyil — amaliy-laboratoriya faoliyatiga ustuvorlik berish. Axborot xavfsizligini o‘qitishda “tushuntirish — yodlash — test” modeli yetarli emas. Talaba log fayllarni tahlil qilishi, fishing xabarlarini aniqlashi, oddiy IDS/IPS signalini sharhlashi, koddagi xavfsizlik xatolarini topishi, zaif parol siyosatini tuzatishi, sun’iy intellekt yordamida xavf hisobotini tayyorlashi va bu hisobotni himoya qila olishi zarur. Oltinchi tamoyil — uzluksiz baholash. AI 72

asosidagi ta’limda baholash faqat yakuniy test bilan cheklanmasligi, balki jarayonni kuzatish, oraliq hisobot, laboratoriya natijasi, refleksiv yozuv va jamoaviy muhokama orqali amalga oshirilishi kerak. Yettinchi tamoyil — refleksiv javobgarlik. Talaba AI vositasidan foydalanganini yashirmasligi, ishlatilgan prompt, olingan natija, tekshirish usuli va yakuniy qaror o‘rtasidagi bog‘liqlikni ko‘rsata olishi lozim. 1-jadval. Sun’iy intellekt yordamida axborot xavfsizligini o‘qitish tamoyillari Tamoyil AI vositasi orqali qo‘llanishi Pedagogik mazmuni AI yordamchi vosita, yakuniy qaror inson nazoratida bo‘ladi. Mavzular real tahdid Xavfga ssenariylari asosida yo‘naltirilganlik o‘rgatiladi. Inson markazliligi Kutiladigan natija Mas’uliyatli va AI javobini ekspert tanqidiy qaror qabul bahosi bilan solishtirish. qilish. Fishing, anomaliya va Xavfni aniqlash va zaiflik ssenariylarini baholash ko‘nikmasi. generatsiya qilish. AI natijasini manba, Tushuntiriluvchan belgi va mantiq fikrlash va bo‘yicha tahlil qilish. verifikatsiya. Sintetik ma’lumotlar va Ma’lumotlar anonimizatsiya qilingan xavfsizligi datasetlardan madaniyati. foydalanish. SIEM, IDS, log-tahlil, kod tekshirish va Kasbiy-amaliy chatbot yordamida kompetensiya. mashq. Shaffoflik AI tavsiyasi dalil va izoh bilan tekshiriladi. Maxfiylik Shaxsiy va ma’lumotlar himoyalangan ishlatiladi. Amaliy faoliyat Laboratoriya, keys, loyiha va simulyatsiyalar ustuvor bo‘ladi. Refleksiv javobgarlik Talaba o‘z qarori, xatosi AI bilan olingan yechim Etik va huquqiy va himoya chorasini bo‘yicha refleksiv mas’uliyat. izohlaydi. hisobot tayyorlash. yopiq holda Manba: mualliflar tomonidan NIST, UNESCO, NICE, ENISA va CSEC2017 yondashuvlari asosida ishlab chiqilgan. Mazkur tamoyillar asosida axborot xavfsizligi ta’limini quyidagi pedagogik model ko‘rinishida tashkil etish mumkin. Modelda diagnostika orqali talabalarning boshlang‘ich xavfsizlik savodxonligi aniqlanadi, xavf xaritasi orqali aktiv, tahdid, zaiflik va oqibatlar belgilanadi. AI yordamida ssenariylar, log tahlili va tavsiyalar ishlab chiqiladi, keyingi bosqichda laboratoriya va keyslar bajariladi. Yakunda talaba AI natijasini tekshiradi, xatolarni ko‘rsatadi va o‘z qarorini dalillar bilan himoya qiladi. Taklif etilayotgan model talabaning nazariy bilimini real xavf ssenariysi bilan bog‘laydi, sun’iy intellekt vositalaridan xavfsiz foydalanish madaniyatini shakllantiradi va o‘qituvchiga individual o‘quv trayektoriyasini moslashtirish imkonini beradi. 73

1-rasm. Sun’iy intellekt asosida axborot xavfsizligini o‘qitishning pedagogik modeli. Manba: mualliflar ishlanmasi. Shu bilan birga, AI vositalari noto‘g‘ri tavsiya berishi, maxfiy ma’lumotlarni saqlab qolishi yoki talabaning mustaqil fikrlashini kamaytirishi mumkin. Shu bois har bir topshiriqda “AIga qanday ma’lumot kiritildi?”, “natija qanday tekshirildi?” va “yakuniy qaror uchun kim javobgar?” savollari nazorat mezoni sifatida qo‘llanishi lozim. Mazkur yondashuvni joriy etishda “Axborot xavfsizligi”, “Kiberxavfsizlik asoslari”, “Sun’iy intellekt asoslari”, “Kompyuter tarmoqlari” va “Dasturlash” fanlari o‘zaro bog‘lanishi kerak. Bu kiberxavfsizlikni alohida mavzu emas, balki barcha raqamli fanlar uchun kesishuvchi kompetensiya sifatida shakllantiradi. Natijalar uch darajani ko‘rsatadi: mazmuniy darajada AI xavflari, kiberhujumlar va etik me’yorlar kiritiladi; metodik darajada laboratoriya, keys, simulyatsiya va refleksiv hisobot qo‘llanadi; boshqaruv darajasida AI vositalaridan foydalanish qoidalari, ma’lumotlar maxfiyligi va akademik halollik talablari belgilanadi. 5. XULOSA VA TAKLIFLAR. Xulosa qilib aytganda, sun’iy intellekt yordamida axborot xavfsizligini ta’minlash masalasi texnik muammo bilan bir qatorda pedagogik muammo hamdir. Chunki axborot xavfsizligi madaniyati talabaning bilim darajasi, qaror qabul qilish usuli, raqamli mas’uliyati, axloqiy pozitsiyasi va amaliy ko‘nikmalarida namoyon bo‘ladi. Maqolada tahlil qilingan manbalar va taklif etilgan model asosida sun’iy intellektni axborot xavfsizligi ta’limiga kiritishda inson markazliligi, xavfga yo‘naltirilganlik, shaffoflik, maxfiylikni loyihalash bosqichidan ta’minlash, amaliy faoliyat, uzluksiz baholash va refleksiv javobgarlik asosiy tamoyillar sifatida belgilandi. Amaliy jihatdan quyidagi takliflarni ilgari surish mumkin. Birinchidan, oliy ta’lim muassasalarida sun’iy intellektdan foydalanish bo‘yicha axborot xavfsizligi qoidalari ishlab chiqilishi lozim. Ikkinchidan, axborot xavfsizligi fanlarida AI yordamida laboratoriya topshiriqlari, real keyslar va xavf ssenariylari kengaytirilishi zarur. Uchinchidan, talabalardan AI natijasini tekshirish, manba bilan solishtirish va xatolik ehtimolini izohlash talab etilishi kerak. To‘rtinchidan, o‘qituvchilar uchun generativ AI, kiberxavfsizlik etikasi va ma’lumotlar maxfiyligi bo‘yicha malaka oshirish mashg‘ulotlari tashkil etilishi maqsadga muvofiq. Beshinchidan, baholash tizimiga laboratoriya hisobotlari, refleksiv izohlar va xavfga asoslangan qarorlarni himoya qilish mezonlari kiritilishi kerak. Kelgusida ushbu tadqiqot yo‘nalishi bo‘yicha tajriba-sinov ishlarini tashkil etish, taklif etilgan model asosida o‘quv moduli ishlab chiqish va talabalarning axborot xavfsizligi kompetensiyasidagi o‘zgarishlarni empirik o‘lchash muhim ilmiy-amaliy vazifa hisoblanadi. 74

Bunday yondashuv raqamli ta’lim muhitida nafaqat xavfsiz texnologik infratuzilmani, balki xavfsiz fikrlaydigan, mas’uliyatli va raqamli madaniyatga ega mutaxassislarni tayyorlashga xizmat qiladi. FOYDALANILGAN ADABIYOTLAR: 1. O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston — 2030” strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari to‘g‘risida”gi PF-6079-son Farmoni. 05.10.2020. URL: https://lex.uz/doc-passport/-5030957. 2. O‘zbekiston Respublikasi Prezidentining “Sun’iy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash to‘g‘risida”gi PQ-358-son qarori. 14.10.2024. URL: https://lex.uz/docs/-7158604. 3. O‘zbekiston Respublikasining “Kiberxavfsizlik to‘g‘risida”gi O‘RQ-764-son Qonuni. 15.04.2022. URL: https://lex.uz/uz/docs/-5960604. 4. Miao F., Holmes W. Guidance for generative AI in education and research. Paris: UNESCO, 2023. URL: https://www.unesco.org/en/articles/guidance-generative-ai-educationand-research. 5. National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Gaithersburg: NIST, 2023. URL: https://www.nist.gov/itl/ai-risk-management-framework. 6. National Institute of Standards and Technology. The NIST Cybersecurity Framework (CSF) 2.0. NIST CSWP 29. Gaithersburg: NIST, 2024. URL: https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.29.pdf. 7. National Institute of Standards and Technology. NICE Framework Resource Center. URL: https://www.nist.gov/itl/applied-cybersecurity/nice/nice-framework-resource-center. 8. European Union Agency for Cybersecurity. European Cybersecurity Skills Framework (ECSF). ENISA, 2022. URL: https://www.enisa.europa.eu/topics/skills-and-competences/skillsdevelopment/european-cybersecurity-skills-framework-ecsf. 9. Joint Task Force on Cybersecurity Education. Cybersecurity Curricula 2017: Curriculum Guidelines for Post-Secondary Degree Programs in Cybersecurity. ACM/IEEE/AIS SIGSEC/IFIP, 2017. URL: https://cybered.hosting.acm.org/wp/. 10. Tian J. Integrating Artificial Intelligence into the Cybersecurity Curriculum in Higher Education: A Systematic Literature Review // Education Sciences. 2025. Vol. 15, No. 11, Article 1540. DOI: 10.3390/educsci15111540. SUN’IY INTELLEKT ASOSIDA ZAMONAVIY TASHKILOTLARDA XODIMLAR FEEDBACK TIZIMLARINI RIVOJLANTIRISHNING NAZARIY YONDASHUVLARI Abduvaitov Akmal Abdimuminovich1, Nizomov Sohibjon Khurshidovich1 1 Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Samarqand filiali, aabduvaitov82@gmail.com Annotatsiya. Ushbu maqolada zamonaviy axborot texnologiyalari va sun’iy intellekt zamonaviy amaliyot hamda xalqaro yondashuvlarni tahlil qilish orqali tashkilotlarda, ayniqsa 75

O‘zbekistonda, xodimlarning fikr-mulohaza tizimlarini qanday takomillashtirayotgani ko‘rib chiqiladi. U tashkilotning o‘sishi uchun samarali xodim-boshqaruv muloqotining muhimligini ta’kidlaydi. An’anaviy teskari aloqa tizimlari anonimlikning yo‘qligi, ishtirokning pastligi va tuzilmagan ma’lumotlarni qayta ishlashdagi qiyinchiliklar kabi muammolarga duch keladi, bu esa qaror qabul qilish va ma’lumotlardan foydalanishni cheklaydi. Tadqiqot fikr tahlilini avtomatlashtirish, yashirin qonuniyatlarni aniqlash va to‘liq bo‘lmagan ma’lumotlar bilan ham ishonchli xulosalar chiqarish uchun tabiiy tilni qayta ishlash va his-tuyg‘ularni tahlil qilish kabi sun’iy intellekt usullarini ta’kidlaydi. Natijada, intellektual teskari aloqa tizimlari qaror qabul qilishni qo‘llab-quvvatlash vositasi bo‘lib xizmat qilishi, tashkilot samaradorligini, xodimlar faolligini va ma’lumotlarga asoslangan boshqaruvni oshirishi mumkin. Kalit so‘zlar: Xodimlarning fikr-mulohazalari, sun’iy intellekt, tashkiliy muloqot, tabiiy tilni qayta ishlash, kayfiyat tahlili, qaror qabul qilishni qo‘llab-quvvatlash tizimi, O‘zbekiston, xalqaro tajriba. 1.KIRISH. Zamonaviy raqamli davrda inson resurslarini samarali boshqarish tashkilot muvaffaqiyatini belgilovchi asosiy omillardan biriga aylandi. Xususan, xodimlar fikr-mulohazalarini yig‘ish, tahlil qilish va ulardan foydalanish qobiliyati ichki jarayonlarni takomillashtirish, xodimlar qoniqishini oshirish hamda strategik qaror qabul qilishni qo‘llab-quvvatlashda muhim rol o‘ynaydi [1]. Xodimlar va rahbariyat o‘rtasidagi samarali kommunikatsiya tashkilotdagi muammolarni aniqlash, yangi g‘oyalarni shakllantirish va samarali ish muhitini saqlash uchun zarur hisoblanadi. Biroq, ko‘plab tashkilotlarda, ayniqsa O‘zbekiston kabi rivojlanayotgan mamlakatlarda, xodimlar feedback tizimlari hali yetarli darajada rivojlanmagan yoki samarasiz holatda qolmoqda. An’anaviy yondashuvlar ko‘pincha davriy so‘rovnomalar yoki to‘g‘ridan-to‘g‘ri muloqotga asoslanadi, bu esa anonimlikni to‘liq ta’minlamaydi va noto‘g‘ri yoki to‘liq bo‘lmagan javoblarga olib kelishi mumkin [9]. Natijada, xodimlar o‘z fikrlarini erkin ifoda etishdan tortinadi, bu esa yig‘ilgan ma’lumotlarning umumiy ishonchliligini pasaytiradi. Bundan tashqari, raqamli ma’lumotlar hajmining tez o‘sishi katta miqdordagi tuzilmagan matnli ma’lumotlarni qayta ishlash va tahlil qilishda yangi muammolarni yuzaga keltirdi. An’anaviy tahlil usullari bunday ma’lumotlarni samarali qayta ishlashga qodir emas, ayniqsa ma’lumotlar noaniq, to‘liq bo‘lmagan yoki subyektiv bo‘lgan holatlarda. [4] Bunday cheklovlar faqat feedback tizimlarida emas, balki boshqa sohalarda ham kuzatilgan. Ushbu muammolarni hal qilish uchun zamonaviy axborot texnologiyalari va sun’iy intellekt istiqbolli yechimlarni taklif etadi. Tabiiy tilni qayta ishlash (NLP) va hissiy tahlil (sentiment analysis) kabi usullar matnli feedbackni avtomatik talqin qilish, yashirin naqshlarni aniqlash va katta hajmdagi ma’lumotlardan muhim xulosalarni ajratib olish imkonini beradi. Bu texnologiyalar xodimlar fikr-mulohazalarini tashkilot rivoji uchun qimmatli resursga aylantirish imkonini yaratadi. Shu sababli, xodimlar feedback tizimlarini takomillashtirishga oid nazariy asoslar va zamonaviy yondashuvlarni o‘rganish dolzarb hisoblanadi. [5] O‘zbekiston tajribasi va ilg‘or xalqaro amaliyotlarni tahlil qilish orqali zamonaviy tashkilotlar uchun yanada aqlli, ishonchli va ma’lumotlarga asoslangan feedback tizimlarini yaratish strategiyalarini aniqlash mumkin. [10] 76

2.METODOLOGIYA Ushbu tadqiqot zamonaviy tashkilotlarda xodimlar feedback tizimlarini o‘rganishga qaratilgan nazariy va tahliliy yondashuvga asoslangan. Tadqiqot doirasida mavjud feedback mexanizmlaridagi muammolar va imkoniyatlar, ayniqsa O‘zbekiston sharoitida, xalqaro tajriba bilan taqqoslangan holda tahlil qilindi. Tadqiqot metodologiyasi quyidagi asosiy bosqichlarni o‘z ichiga oladi: - an’anaviy va zamonaviy feedback tizimlarini taqqoslash; - sifat (qualitative) tahlil orqali asosiy muammolarni aniqlash; - sun’iy intellekt usullarining qo‘llanilishini o‘rganish. Shuningdek, tizim samaradorligi ma’lumotlarni qayta ishlash tezligi, aniqlik va qaror qabul qilish samaradorligi kabi ko‘rsatkichlar asosida baholandi. [3] Feedback tizimini monitoring qilish jarayonlari Zamonaviy tashkilotlarda sun’iy intellekt asosida yaratilgan xodimlar feedback tizimining monitoring jarayonlari tizimning samarali ishlashini ta’minlash, ma’lumotlardan oqilona foydalanishni nazorat qilish hamda qaror qabul qilish jarayonlarini optimallashtirishda muhim ahamiyatga ega. Monitoring jarayonlari real vaqt rejimida ma’lumotlarni yig‘ish, tahlil qilish va foydalanuvchilarga taqdim etishdan iborat bo‘lib, quyidagi asosiy komponentlarni o‘z ichiga oladi: [9] Ma’lumotlarni yig‘ish – Xodimlar fikr-mulohazalarini yig‘ish uchun onlayn so‘rovnomalar, anonim platformalar, mobil ilovalar va korporativ tizimlardan foydalaniladi. Ushbu bosqichda anonimlikni ta’minlash ma’lumotlarning ishonchliligini oshiradi. [9] Ma’lumotlarni qayta ishlash – Yig‘ilgan feedback ma’lumotlari tozalanadi, tokenizatsiya qilinadi, stop-so‘zlar olib tashlanadi va lemmatizatsiya amalga oshiriladi. Bu jarayon ma’lumotlarni keyingi tahlil uchun tayyorlaydi. Tahlil va klassifikatsiya – Sun’iy intellekt usullari, xususan tabiiy tilni qayta ishlash (NLP) yordamida feedbackning hissiy yo‘nalishi (ijobiy, salbiy, neytral) aniqlanadi hamda asosiy mavzular (topics) ajratib olinadi. [4] Qaror qabul qilishni qo‘llab-quvvatlash: Tizim tahlil natijalari asosida muammolarni aniqlaydi va boshqaruv qarorlarini shakllantirishda yordam beradi. Xodimlar feedback tizimining monitoring jarayonlari ma’lumotlarni real vaqt rejimida yig‘ish, tahlil qilish va vizualizatsiya qilish orqali tashkilot ichki kommunikatsiyasini yaxshilaydi, xodimlar faolligini oshiradi hamda samarali boshqaruv qarorlarini qabul qilishga xizmat qiladi. [5] Foydalaniladigan model turlari Zamonaviy xodimlar feedback tizimlarida ma’lumotlarni tahlil qilish va qaror qabul qilishni qo‘llab-quvvatlash uchun turli sun’iy intellekt modellari qo‘llaniladi. Ushbu modellar feedback ma’lumotlarini qayta ishlash va tahlil qilishda muhim ahamiyatga ega bo‘lib, quyidagi asosiy turlarni o‘z ichiga oladi: 1. Mashinaviy o‘rganish modellari: Feedback ma’lumotlarini tahlil qilish va bashorat qilish uchun qo‘llaniladi (masalan, Decision Tree, Random Forest). 2. Chuqur o‘rganish modellari: Katta hajmdagi matnli ma’lumotlarni chuqur tahlil qilishda samarali (LSTM, neyron tarmoqlar). 77

3. NLP modellari: Matnli feedbackni tahlil qilish, hissiy holatni aniqlash va mavzularni ajratish uchun ishlatiladi. 4. Ansambl modellar: Bir nechta model natijalarini birlashtirib aniqlikni oshiradi (Gradient Boosting, XGBoost). Ushbu modellar yordamida feedback tizimlari ma’lumotlarni samarali tahlil qiladi va tashkilotda asosli qarorlar qabul qilishga xizmat qiladi. [3] Model arxitekturasi va modeli Zamonaviy tashkilotlarda sun’iy intellekt asosida yaratilgan xodimlar feedback tizimlari ma’lumotlarni samarali yig‘ish, qayta ishlash va tahlil qilish orqali boshqaruv jarayonlarini optimallashtirishda muhim rol o‘ynaydi. Ushbu tizimlar ma’lumot manbalari, dasturiy ta’minot, markaziy boshqaruv bloki va monitoring modullaridan tashkil topgan bo‘lib, ular o‘zaro integratsiya orqali ishlaydi. (1.1-rasm). Ma’lumotlarni yig‘ish va integratsiya qilish Ma’lumotlarni oldindan qayta ishlash Mashinaviy o‘rganish modelini tanlash Modelni o‘qitish va baholash Real vaqt feedback va tahliliy xulosalar Tushuntiriladigan sun’iy intellekt usullari Tabiiy tilni qayta ishlash (NLP) 1-rasm. Xodimlar feedback tizimining umumiy arxitekturasi. Xodimlar feedback tizimining asosiy qismi turli manbalardan olinadigan ma’lumotlardir. Ushbu ma’lumotlar so‘rovnomalar, mobil ilovalar va korporativ platformalar orqali yig‘iladi. Yig‘ilgan feedback ma’lumotlari dastlab qayta ishlanadi, ya’ni tozalanadi, tartiblanadi va tahlil qilish uchun tayyor holatga keltiriladi. So‘ngra ushbu ma’lumotlar markaziy boshqaruv blokiga uzatiladi. 78

Markaziy boshqaruv bloki sun’iy intellekt va mashinaviy o‘rganish algoritmlari yordamida ma’lumotlarni tahlil qiladi hamda xulosalar chiqaradi. Ushbu blok feedbackdagi hissiy holatni aniqlaydi, muammolarni ajratib ko‘rsatadi va asosiy tendensiyalarni shakllantiradi. Natijada tizim rahbariyatga aniq va asosli qarorlar qabul qilishda yordam beradi. Monitoring va tahlil moduli esa tizimning real vaqt rejimida ishlashini ta’minlaydi. Tahlil natijalari grafiklar, diagrammalar va dashboardlar orqali foydalanuvchilarga taqdim etiladi. Bu esa tashkilot rahbariyatiga xodimlar holatini doimiy nazorat qilish, muammolarni tez aniqlash va samarali boshqaruv qarorlarini qabul qilish imkonini beradi. Sun’iy intellekt asosidagi feedback tizimlari ma’lumotlarni real vaqt rejimida qayta ishlash va tahlil qilish orqali tashkilot ichki kommunikatsiyasini yaxshilaydi. Ushbu tizimlar xodimlar faolligini oshiradi, muammolarni erta aniqlash imkonini beradi hamda zamonaviy tashkilotlar uchun samarali boshqaruv vositasi sifatida muhim ahamiyat kasb etadi. [4]. Arxitekturani tushunish uchun quyidagicha tasniflash mumkin. Ma’lumot manbalari (xodimlar feedbacki) Xodimlar feedback tizimlarining asosiy komponenti bo‘lib, tashkilotdagi xodimlarning fikrmulohazalarini yig‘ishda markaziy rol o‘ynaydi. Ushbu bosqichda xodimlardan olingan ma’lumotlar tizimga kiritiladi. - xodimlarning fikr-mulohazalarini yig‘adi va tahlil qilish uchun ma’lumot taqdim etadi; - ma’lumotlarni real vaqt rejimida markaziy tizimga uzatadi. Qo‘llanilishi: Turli platformalar orqali amalga oshiriladi, masalan, anonim so‘rovnomalar, mobil ilovalar yoki ichki korporativ tizimlar yordamida. Agar xodimlar fikr bildirish darajasi pasayib ketsa, tizim avtomatik ravishda rag‘batlantiruvchi mexanizmlarni ishga tushirishi mumkin. Dasturiy ta’minot (mobil ilova) Mobil ilovalar sun’iy intellekt bilan integratsiya qilingan feedback tizimlarining foydalanuvchi interfeysi sifatida xizmat qiladi. Ilova orqali foydalanuvchilar ma’lumotlarni ko‘rish, tahlil qilish va boshqaruv qarorlarini qabul qilishda foydalanadi. Ilova bulutli serverlarda saqlangan ma’lumotlarni qayta ishlaydi, statistik hisobotlar va vizual natijalarni taqdim etadi (masalan, feedback tendensiyalari yoki xodimlar kayfiyati). Shuningdek, ilova foydalanuvchilarga real vaqt rejimida yangilanishlar beradi. Qo‘llanilishi: Agar tizim xodimlar orasida salbiy feedback ko‘payganini aniqlasa, ilova rahbariyatga “muammo mavjud” degan ogohlantirish yuboradi. Markaziy boshqaruv bloki (sun’iy intellekt modeli) Ushbu blok tizimning asosiy qismi bo‘lib, barcha yig‘ilgan ma’lumotlarni qayta ishlaydi va tahlil qiladi. U sun’iy intellekt va mashinaviy o‘rganish algoritmlari yordamida feedback ma’lumotlarini chuqur tahlil qiladi.Markaziy blok ma’lumotlarni filtrlash, tozalash va oldindan belgilangan mezonlar bilan solishtirish orqali natijalarni shakllantiradi. Shuningdek, u NLP (tabiiy tilni qayta ishlash) usullari yordamida matnli ma’lumotlardan hissiy tahlil va muammolarni aniqlaydi. Qo‘llanilishi: Agar feedbackda salbiy fikrlar ko‘paysa, tizim avtomatik ravishda muammoni aniqlaydi va rahbariyatga tavsiyalar beradi. 79