Ақпараттық-коммуникациялық және химиялық технология

Том 1 № 30 (2026) / 2026-03-30 / Көрілім саны: 165

АҒЫЛШЫН ТІЛІН ҮЙРЕНУГЕ АРНАЛҒАН ЖЕКЕ ҰСЫНЫСТАР ЖҮЙЕСІ БАР КЛИЕНТ-СЕРВЕРЛІК ҚОСЫМШАНЫ ЖОБАЛАУ

Авторлар

Астана халықаралық университеті
https://orcid.org/0009-0004-5803-8674
Астана халықаралық университеті
https://orcid.org/0000-0001-7494-9794
Астана халықаралық университеті
https://orcid.org/0000-0002-6381-9350
Астана халықаралық университеті
https://orcid.org/0009-0000-7000-0653

Кілтті сөздер

жеке ұсыныстар, клиент-серверлік қосымша, адаптивті оқыту, ағылшын тілі, жүйені жобалау, білім беру технологиялары, деректер базасы, ашиналық оқыту, XGBoost, ROC-AUC

DOI сілтемесі:

https://doi.org/10.58805/kazutb.v.1.30-1336

Қалай дәйексөз келтіруге болады

Орынбай, Д.Д., et al. «АҒЫЛШЫН ТІЛІН ҮЙРЕНУГЕ АРНАЛҒАН ЖЕКЕ ҰСЫНЫСТАР ЖҮЙЕСІ БАР КЛИЕНТ-СЕРВЕРЛІК ҚОСЫМШАНЫ ЖОБАЛАУ». ҚазТБУ хабаршысы, вип. 1, вип. 30, Березень 2026, doi:10.58805/kazutb.v.1.30-1336.

Аңдатпа

Мақалада ағылшын тілін үйренуге арналған жеке ұсыныстар жүйесі бар клиент-серверлік қосымшаны жобалау ұсынылады. Өзектілігі дәстүрлі әдістердің студенттердің жеке ерекшеліктерін ескермеу шектеулерін жеңу қажеттілігімен анықталады. Жеке оқу траекторияларын студенттің прогресін талдау және CEFR шкаласы бойынша күрделілікті бейімдеу негізінде қалыптастыру үшін архитектуралық шешімдер қарастырылады.

Білім беру платформаларын жүйелік талдау, объектке бағытталған жобалау, деректер базасын қалыпқа келтіру және контент сүзгілеу әдістері қолданылды. Үш деңгейлі архитектура жасалды: көрсетілім деңгейі (HTML5, CSS3, JavaScript), бизнес-логика деңгейі (PHP) және деректер деңгейі (MySQL).

Үш кезеңнен тұратын жекелендіру әдістемесі жобаланды: 20 сұрақтан тұратын бастапқы адаптивті тестілеу, бес тақырыптық сабақтан тұратын оқу траекториясын автоматты түрде қалыптастыру және оқу материалдарын динамикалық бейімдеу. Үш типті актері бар диаграмма әзірленді: авторизациядан өтпеген пайдаланушы, 10-нан астам функцияға қолжетімділігі бар оқушы және оқу үдерісінің барысын бақылау мүмкіндігі бар оқытушы.

Нәтижелерге масштабталатын архитектура, ұпайлар бойынша автоматты контент таңдау әдістемесі (0-10 - A1, 11-13 - A2, 14-17 - B1, 18-20 - B2), үш жіктеу алгоритмін ML-салыстыру (Logistic Regression, XGBoost, SVM) Precision/Recall/F1/ROC-AUC көрсеткіштерімен, O(n·m) есептеу күрделілігін бағалау және төрт сыртқы API қызметтерімен интеграция кіреді.