4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

ЖАСАНДЫ ИНТЕЛЛЕКТ ЖҮЙЕЛЕРІНЕ АРНАЛҒАН ДЕРЕКТЕРДІҢ ИНСТИТУЦИОНАЛДЫҚ ГЕТЕРОГЕНДІЛІГІН БАҒАЛАУ

https://doi.org/10.53360/2788-7995-2026-3(23)-23

Толық мәтін:

Аңдатпа

Бұл жұмыста Қазақстан мектептерінің анонимделген деректері негізінде цифрлық қатысу мен оқу нәтижелеріндегі институционалдық (мектепаралық) гетерогенділік сандық түрде бағаланады; деректер екі EdTech-платформасының (Twig-bilim.kz, BilimLand.kz) жазбаларын және кіру диагностикалық тестілеу балдарын қамтиды. Бірфакторлы ANOVA/ішкі сыныптық корреляция коэффициентін (ICC) ыдырату және кездейсоқ қиылысы бар көпдеңгейлі модельдеу арқылы мектепке тиесілілік цифрлық қатысу дисперсиясының 8,8-9,8%-ын және кіру тестілеу балдары дисперсиясының 30,0-30,7%-ын түсіндіретіні анықталды, әрі ANOVA негізіндегі мектепаралық дисперсия үлесі мен mixed-effects моделіндегі ICC сандық тұрғыдан жақын болды. Алынған бағалар мектепаралық гетерогенділіктің, әсіресе кіру диагностикалық тестілеу нәтижелері үшін, мазмұндық тұрғыдан елеулі екенін көрсетеді. Нәтижелер нәтижелерінің үлестірімі әртүрлі мектептер арасында машиналық оқыту модельдерінің калибрленуі мен жалпылану қабілетін бағалау кезінде институционалдық кластерленуді айқын ескеру қажеттігін көрсетеді және білімге икемді әрі әділ қолжетімділікті қолдауға арналған ерте ескерту мен бейімделген оқыту ЖИжүйелерін жобалауда мектепті ескеретін валидацияның маңызын негіздейді. Нәтижелер Қазақстандағы мектептерді цифрландыру бойынша ағымдағы бастамалар және білім берудегі алгоритмдік әділдік туралы кеңірек әдебиет аясында талқыланады.

Авторлар туралы

К. Е. Икласова
М.Қозыбаев атындағы Солтүстік Қазақстан университеті
Қазақстан

Кайнижамал Есимсеитовна Икласова – PhD, «Ақпараттық-коммуникациялық технологиялар» кафедраның доценті

150000, Қазақстан Республикасы, Петропав қаласы, Пушкин көшесі, 86



Л. Н. Абдулла
Putra университеті
Малайзия

Лили Нурлияна Абдулла – PhD, мультимедиа кафедрасының қауымдастырылған профессоры, Компьютерлік ғылымдар және ақпараттық технологиялар  факультеті

Малайзия, Серанг, Селангор, 43400 Сери Кембанган



М. Ж. Базарова
С. Аманжолов атындағы Шығыс Қазақстан университеті
Қазақстан

Мадина Жомартовна Базарова – PhD, «Компьютерлік үлгілеу және ақпараттық технологиялар» кафедрасының қауымдастырылған профессоры

070002, Қазақстан Республикасы, Өскемен қаласы, 30-шы Гвардиялық дивизия, 34 к.



Әдебиет тізімі

1. Khalifeh F. Redefining personalized learning in the artificial intelligence era: An updated systematic review from 2019 to 2025 / F. Khalifeh, R. Santiago, R. Palau // Smart Learning Environments. – 2026. – Vol. 13. – Art. 19. https://doi.org/10.1186/s40561-026-00440-6.

2. The impact of the digital divide on synchronous online teaching in Kazakhstan during COVID-19 school closures / A. Amirova et al // Frontiers in Education. – 2023. – Vol. 7. – Art. 1083651. https://doi.org/10.3389/feduc.2022.1083651.

3. How artificial intelligence transforms education in Kazakhstan // The Astana Times. – 2026. – 7 January. https://astanatimes.com/2026/01/how-artificial-intelligence-transforms-education-inkazakhstan/ (date of access: 02.09.2026).

4. Raudenbush S.W. Hierarchical Linear Models: Applications and Data Analysis Methods / S.W. Raudenbush, A.S. Bryk. – 2nd ed. – Thousand Oaks, CA: Sage Publications, 2002.

5. From school AI readiness to student AI literacy: A national multilevel mediation analysis of institutional capacity and teacher capability / X. Guan et al // arXiv. – 2026. – arXiv:2603.20056. – https://doi.org/10.48550/arXiv.2603.20056.

6. To N.P. Fairness for machine learning software in education: A systematic mapping study / N.P. To, P.N. Hung, A. NguyenDuc // SSRN. – 2024. https://doi.org/10.2139/ssrn.4713827.

7. Idowu J.A. Investigating algorithmic bias in student progress monitoring / J.A. Idowu, A.S. Koshiyama, P. Treleaven // Computers and Education: Artificial Intelligence. – 2024. – Vol. 7. – Art. 100267. https://doi.org/10.1016/j.caeai.2024.100267.

8. El Jihaoui M. Towards a fair and transparent early warning system for identifying students at risk of academic failure / M. El Jihaoui, O.E.K. Abra, K. Mansouri // Frontiers in Education. – 2026. – Vol. 11. – Art. 1878686. https://doi.org/10.3389/feduc.2026.1878686.

9. Adaptive learning mechanisms for learning management systems: A scoping review and practical considerations / S. Kucharski et al // arXiv. – 2025. – arXiv:2512.18383.

10. The role of digital technologies in higher education institutions: The case of Kazakhstan / D. Nurtayeva et al // Problems and Perspectives in Management. – 2024. – Vol. 22, № 1. – P. 562-577. https://doi.org/10.21511/ppm.22(1).2024.45.

11. COVID-19 online learning challenges: Kazakhstan secondary schools case study / S. Nurgaliyeva et al // Frontiers in Education. – 2024. – Vol. 9. – Art. 1448594. https://doi.org/10.3389/feduc.2024.1448594.

12. Pokidaev D. Kazakhstan to launch digital schools project / D. Pokidaev // The Times of Central Asia. – 2026. – 2 April. https://timesca.com/kazakhstan-to-launch-digital-schools-project/ (date of access: 02.09.2026).

13. McKinney W. Data structures for statistical computing in Python / W. McKinney // Proceedings of the 9th Python in Science Conference (SciPy 2010). – 2010. – P. 56-61. https://doi.org/10.25080/Majora-92bf1922-00a.

14. Seabold S. Statsmodels: Econometric and statistical modeling with Python / S. Seabold, J. Perktold // Proceedings of the 9th Python in Science Conference (SciPy 2010). – 2010. – P. 92-96. https://doi.org/10.25080/Majora-92bf1922-011.

15. Hedges L.V. Intraclass correlation values for planning group-randomized trials in education / L.V. Hedges, E.C. Hedberg // Educational Evaluation and Policy Analysis. – 2007. – Vol. 29, № 1. – P. 60-87. https://doi.org/10.3102/0162373707299706.


Рецензия

Дәйектеу үшін:


Икласова К.Е., Абдулла Л.Н., Базарова М.Ж. ЖАСАНДЫ ИНТЕЛЛЕКТ ЖҮЙЕЛЕРІНЕ АРНАЛҒАН ДЕРЕКТЕРДІҢ ИНСТИТУЦИОНАЛДЫҚ ГЕТЕРОГЕНДІЛІГІН БАҒАЛАУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(3(23)):227-235. https://doi.org/10.53360/2788-7995-2026-3(23)-23

For citation:


Iklassova К.E., Abdullah L.N., Bazarova М.Zh. ASSESSMENT OF INSTITUTIONAL DATA HETEROGENEITY FOR ARTIFICIAL INTELLIGENCE SYSTEMS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):227-235. https://doi.org/10.53360/2788-7995-2026-3(23)-23

Қараулар: 13

JATS XML


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X