Максот Рахметов – PhD, ассоциированный профессор кафедры «Информатика»,
г.Атырау
Maxot Rakhmetov – PhD, Associate professor of the Department of «Computerscience»,
Atyrau
Жандос Зулпыхар – кандидат педагогрческих наук, и.о профессор, заведующий кафедрой информатики,
г.Астана
Zhandos Zulpykhar – candidate of pedagogical sciences, professor, head of the department of «Computer Science»,
Astana
Ляйла Султанбаева – PhD докторант, кафедра дошкольного и начального обучения,
г.Ақтөбе
Lyaila Sultanbayeva - doctoral student, Department of “Preschool and primary education”,
Aktobe
Жанаргүл Қабылхамит – кандидат технических наук, ассоциированный профессор кафедры «Информатика»,
г.Атырау
Zhanargul Kabylkhamit - Candidate of technical sciences., Associate professor, Department of Computer Science,
Atyrau
В статье разработана и эмпирически проверена методологическая основа создания дистанционной обучающей платформы на принципах искусственного интеллекта (AI), опирающаяся на ключевые AI-подходы: принятие решений на основе данных, построение модели обучающегося, адаптивная персонализация и непрерывная обратная связь. Цель исследования заключается в (i) формировании структурированной методологии разработки AI-поддерживаемой платформы и (ii) доказательстве ее эффективности на основе измеримых показателей учебных достижений и активности обучающихся. Предложенная структурно-методологическая модель интегрирует четыре взаимосвязанных компонента: (1) архитектуру платформы (сбор данных, доставка контента, сервисы оценивания, аналитика и AI-слой, администрирование/безопасность); (2) механизмы персонализации (модель обучающегося, адаптивные учебные траектории, рекомендательная подсистема, обратная связь на основе аналитики); (3) метрики оценки эффективности (результаты pre/post-тестов, учебный прирост, показатели вовлеченности, удовлетворенность); (4) нормативные и педагогические требования (защита персональных данных, академическая добросовестность, доступность, соответствие ожидаемым результатам обучения). Методология апробирована в формате квази-эксперимента на базе кафедры Computer Science Атырауского университета имени Х. Досмухамедова в рамках дисциплины «Платформы искусственного интеллекта» среди магистрантов 2 курса (N=22; контрольная группа n=11, экспериментальная группа n=11). Описательные результаты показали, что в контрольной группе показатель pre-test составил 57.56%, post-test — 69.55%, что соответствует приросту 11.99 процентного пункта (pp) и относительному приросту 20.86%; в экспериментальной группе pre-test — 51.05%, post-test — 73.30%, прирост — 22.25 pp, относительный прирост — 44.08%. Эффективность платформы подтверждена методами математической статистики: Welch t-тест по учебному приросту выявил значимые межгрупповые различия (t=5.397, df=20.0, p<0.001), при очень большом размере эффекта (Cohen’s d=2.30), а 95% доверительный интервал для разности средних приростов составил Δ=[6.30; 14.23] pp. Анализ ANCOVA с учетом исходного уровня (зависимая переменная — post-test, фактор — группа, ковариата — pre-test) подтвердил значимое влияние фактора группы (F=26.323, df1=1, df2=19, p=0.0001) и высокую долю объясненной дисперсии (partial η²=0.581). В целом результаты демонстрируют, что AI-ориентированная персонализация в дистанционном обучении существенно повышает учебный прирост и усиливает стабильность итоговых результатов.
This paper develops and validates a methodological framework for an AI-based distance learning platform grounded in core AI principles (data-driven decision-making, learner modeling, adaptive personalization, and continuous feedback). The study aims to (i) formulate a structured development methodology for an AI-enabled platform and (ii) provide empirical evidence of its effectiveness using measurable learning and engagement indicators. The proposed structural–methodological model integrates four interconnected components: (1) platform architecture (data acquisition, content delivery, assessment services, analytics & AI layer, administration/security); (2) personalization mechanisms (learner model, adaptive learning trajectories, recommendation engine, analytics-driven feedback); (3) effectiveness evaluation metrics (pre/post test scores, learning gain, engagement indicators, learner satisfaction); and (4) normative and pedagogical requirements (data protection, academic integrity, accessibility, alignment with intended learning outcomes). The framework was piloted through a quasi-experimental study conducted at Kh. Dosmukhamedov Atyrau University, Department of Computer Science, within the course “Artificial Intelligence Platforms,” involving 2nd-year MSc students (N=22; Control n=11, Experimental n=11). Descriptive results showed that the Control group improved from 57.56% (pre-test) to 69.55% (post-test), yielding a gain of 11.99 percentage points (pp) and a 20.86% relative gain. In contrast, the Experimental group improved from 51.05% to 73.30%, yielding a gain of 22.25 pp and a 44.08% relative gain. The effectiveness of the AI-based platform was statistically supported: Welch’s t-test on gain scores indicated a significant group difference (t=5.397, df=20.0, p<0.001), with a very large effect size (Cohen’s d=2.30) and a 95% CI for the mean gain difference of Δ=[6.30, 14.23] pp. A baseline-adjusted ANCOVA (post-test as the dependent variable, group as the factor, pre-test as the covariate) confirmed a significant group effect (F=26.323, df1=1, df2=19, p=0.0001) with substantial explained variance (partial η²=0.581). Overall, the findings demonstrate that AI-driven personalization can substantially increase learning gains and strengthen the stability of outcomes in distance learning environments.
The authors declare that there are no conflicts of interest present.