LMS (Google Classroom, Moodle) platformalarida AI orqali ishlangan raqamli fizika kursini tuzish va kontentni joylashtirish
Zamonaviy ta’limni boshqarish tizimlari (LMS - Learning Management Systems) o‘quv jarayonini markazlashtirish va samaradorligini oshirish uchun keng qo‘llaniladi. Ushbu laboratoriya mashg‘ulotida talabalar o‘zlarining laboratoriya ishini (izohlar, savol-javoblar) Otter.ai platformasi yordamida yozib oladi, nutqni matnga avtomatik o‘girib (transkripsiya) raqamli konspekt generatsiya qiladi. Olingan ma’lumotlarni MagicSchool AI yordamida shaxsiy o‘quv trayektoriyasiga moslashtirib monitoring qiladi hamda yaratilgan kontentni Google Classroom yoki Moodle kabi LMS platformalarida portfolioga joylashtirish ko‘nikmalarini shakllantiradi.
📋 11-laboratoriya mashg‘uloti rejasi va tahliliy bosqichlari:
LMS arxitekturasi, SCORM standartlari va ASR (Automatic Speech Recognition) texnologiyalari bo‘yicha diagnostik tekshiruv.
Laboratoriya izohlari, formulalar tahlili va amaliyot natijalarini raqamlashtirish hamda arxivlash jarayonlarini tashkil etish.
Otter.ai yordamida tovush to‘lqinlarini (ovozli qaydlarni) yuqori aniqlikda matnga (avtomatik transkripsiya) aylantirish algoritmlari va amaliyoti.
MagicSchool AI imkoniyatlaridan foydalanib o‘quvchining shaxsiy progressini baholash, adaptiv rubrikalar tuzish va LMS ga integratsiya qilish.
💡 Pullik vositalarning bepul muqobillari
Bu sahifada tilga olingan ayrim vositalar pullik, limitli yoki O‘zbekistonda cheklangan bo‘lishi mumkin. Topshiriqlarni quyidagi bepul vositalar bilan ham to‘liq bajarish mumkin:
- ElevenLabs o‘rniga: brauzerdagi Web Speech API, Microsoft Edge “Ovoz chiqarib o‘qish” funksiyasidagi o‘zbekcha ovozlar, Audacity bilan o‘z ovozingizni yozish.
- Otter.ai o‘rniga: Whisper — ochiq manbali, o‘zbek tilini qo‘llaydi, Google Colab’da bepul ishlaydi.
To‘liq ro‘yxat: SI vositalari sahifasi.
1. Diagnostika va individual o‘quv rejasi
LMS arxitekturasi (Google Classroom, Moodle), ASR (Automatic Speech Recognition) texnologiyalari va raqamli portfoliolarni shakllantirish bo‘yicha bilimlaringizni tekshiring.
1-savol: LMS (Learning Management System) tizimlarining qaysi standarti turli platformalar o‘rtasida o‘quv kontentini almashishga xizmat qiladi?
2-savol: Otter.ai platformasida qo‘llaniladigan WER (Word Error Rate) formulasi nimani anglatadi?
3-savol: Talabaning qobiliyati va topshiriq qiyinligini hisobga olib, keyingi topshiriqni tanlaydigan adaptiv baholash qaysi modelga asoslanadi?
4-savol: Google Classroom platformasida raqamli fizika kursini tuzishda integratsiya qilinadigan asosiy obyektlar ketma-ketligi qanday?
2. Otter.ai bilan o‘quv jarayonini hujjatlashtirish
Laboratoriya mashg‘ulotlarida talabalar turli fizik jarayonlarni kuzatishadi, o‘lchashlar olib borishadi va xulosalar chiqarishadi. Bu jarayonni yozma ravishda qayd etish ko‘p vaqt talab qiladi va muhim detallar tushirib qoldirilishi mumkin. Otter.ai platformasi ovozli qaydlarni yozib olish va ularni real vaqt rejimida matnga aylantirish orqali bu muammoni hal qiladi.
Hujjatlashtirish bosqichlari:
- Audio yozib olish: Tajriba davomida (masalan, mayatnik tebranishini o‘lchashda) o‘qituvchi va talaba dialogini mikrafon orqali yozib olish.
- Sinxron transkripsiya: Otter.ai dvigateli tovush to‘lqinlarini so‘zlarga aylantiradi. Speaker diarization (so‘zlovchilarni ajratish) texnologiyasi orqali "Talaba 1" va "O‘qituvchi" avtomatik aniqlanadi.
- Kalit so‘zlar va xulosalar: AI asosida matndan asosiy atamalar (amplituda, garmonik tebranish, xatolik) ajratib olinadi va avtomatik qisqacha xulosa (Summary) shakllantiriladi.
Portfolioga integratsiya:
- Yaratilgan raqamli konspektni DOCX yoki PDF formatida yuklab olish.
- Konspektni Google Classroom yoki Moodle platformasidagi topshiriqqa (Assignment) biriktirish.
- Tajriba davomida yuzaga kelgan muammolarni va ularning yechimini ko‘rsatib beruvchi audio-matnli dalillar bazasini yaratish.
3. Ovozli qaydlar va avtomatik transkripsiya (ASR) nazariyasi
Avtomatik nutqni aniqlash (ASR - Automatic Speech Recognition) tizimlari akustik signallarni til modellariga o‘zgartiradi. Ilgari ASR tizimlari yashirin Markov modellari (HMM) asosida qurilgan; zamonaviy tizimlar esa asosan chuqur neyron tarmoqlaridan (RNN, Transformer) foydalanadi. Otter.ai kabi tijoriy xizmatlarning aniq arxitekturasi ochiq e’lon qilinmagan (Jurafsky va Martin, n.d.).
WER (Word Error Rate) modeli
Transkripsiya aniqligi WER ko‘rsatkichi bilan o‘lchanadi. Formula quyidagicha ifodalanadi:
- $S$ – Substitutions (Noto‘g‘ri almashtirilgan so‘zlar)
- $D$ – Deletions (Tushirib qoldirilgan so‘zlar)
- $I$ – Insertions (Ortiqcha qo‘shilgan so‘zlar)
- $N$ – Nutqdagi jami asl so‘zlar soni
Akustik model va til modeli
Tizim dastlab audio faylni kichik vaqt oraliqlariga (freymlarga) ajratadi va ulardan Mel-spektrogramma vektorlarini ajratib oladi. Akustik model (AM) bu vektorlarning qaysi fonemaga mos kelish ehtimolini hisoblaydi: $P(\text{Audio} | \text{Fonema})$. So‘ngra, Til modeli (LM) so‘zlarning ketma-ket kelish ehtimolligini N-gram yoki Transformer algoritmlari orqali baholaydi: $P(\text{Matn})$. Eng katta ehtimollikka ega matn Bayes teoremasi yordamida topiladi: $$ \hat{W} = \arg\max_{W} P(A|W)P(W) $$
4. O‘quv trayektoriyasini monitoring qilish: MagicSchool AI
Transkripsiya qilingan konspektlar asosida talabaning fanni o‘zlashtirish darajasini aniqlash va moslashtirilgan topshiriqlar yaratish uchun MagicSchool AI vositasidan foydalaniladi.
Item Response Theory (IRT) va adaptiv o‘qitish
Adaptiv baholash tizimlari o‘quvchining qobiliyatini ($\theta$) va topshiriqning qiyinlik darajasini ($b$) inobatga olgan holda keyingi topshiriqni tanlaydi. Eng sodda model — 1 parametrli logistik model (Rasch, 1960). Eslatma: MagicSchool AI asosan o‘qituvchi uchun matn, test va rubrika yaratuvchi LLM vositasi; u IRT asosida adaptiv test o‘tkazadi degan ma’lumot yo‘q.
Bu yerda $P(\theta)$ o‘quvchining savolga to‘g‘ri javob berish ehtimolligi.
LMS integratsiyasi
- Shaxsiy rubrikalar: Talabaning kuchli va zaif tomonlariga ko‘ra (masalan, tajriba xatoligini topa olmasligi) maxsus baholash rubrikalari tuzish.
- Kontent generatsiyasi: MagicSchool AI yordamida qisqa viktorinalar va amaliy masalalar tuzib, to‘g‘ridan-to‘g‘ri Google Classroom’ga eksport qilish.
- Qayta aloqa (feedback): Otter.ai’dan olingan matnga asoslanib, avtomatlashtirilgan sifatli izohlar qoldirish.
5. Interaktiv dastgoh: ovozdan matnga va LMS’ga integratsiya
Ushbu simulyatorda siz Otter.ai transkripsiyasi jarayonini (simulyatsiya qilingan) ko‘rishingiz, generatsiya qilingan konspektni ko‘rib chiqishingiz va “MagicSchool” orqali baholash grafigini (trayektoriya) tahlil qilishingiz mumkin.
6. Loyiha baholash rubrikasi va manbalar
Laboratoriya ishi shaxsiy raqamli portfolio, transkripsiya aniqligi va LMS’dagi topshiriq sifatiga ko‘ra baholanadi (Jami: 100 ball).
Foydalanilgan adabiyotlar (APA 7)
- 1. ADL Initiative. (n.d.). SCORM. https://adlnet.gov/projects/scorm/
- 2. Baker, R. S., va Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson va B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-3305-7_4
- 3. Google for Developers. (n.d.). Google Classroom API. https://developers.google.com/classroom
- 4. Jurafsky, D., va Martin, J. H. (n.d.). Speech and language processing (3rd ed. draft). https://web.stanford.edu/~jurafsky/slp3/
- 5. MagicSchool AI. (n.d.). MagicSchool. https://www.magicschool.ai
- 6. Otter.ai. (n.d.). Otter.ai help center. https://help.otter.ai
- 7. Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danish Institute for Educational Research.