
Л.Н. Гумилев атындағы Еуразия ұлттық университетінде философия докторы (PhD) дәрежесін алу үшін Зулхажав Алтанбек «6D060200 – Информатика» мамандығы бойынша «Табиғи тілдегі жауаптарды көпдеңгейлі лингвистикалық өңдеу және семантикалық граф негізінде білімді интеллектуалды бағалау әдісі» тақырыбында диссертациясы қорғалады.
Диссертация Л.Н.Гумилев атындағы Еуразия ұлттық университетінің «Жасанды интеллект технологиялары кафедрасы» кафедрасында орындалды.
Қорғау тілі - қазақ тілінде
Ресми рецензенттер:
Икласова Кайнижамал Есимсеитовна – философия докторы (PhD), «Манаш Қозыбаев атындағы Солтүстік Қазақстан университеті» КеАҚ Ақпараттық-коммуникациялық технологиялар кафедрасының доценті (Петропавл қ., Қазақстан Республикасы);
Адиканова Салтанат Сайларбекқызы – философия докторы (PhD), «Сәрсен Аманжолов атындағы Шығыс Қазақстан университеті» КеАҚ «Жасанды интеллект және ақпараттық технологиялар» кафедрасының профессоры (Өскемен қ., Қазақстан Республикасы).
Диссертациялық кеңестің уақытша мүшелері:
Мамырбаев Оркен Жумажанович – философия докторы (PhD), профессор, «Ақпараттық және есептеу технологиялары институты» РМК бас директорының м.а. (Алматы қ., Қазақстан Республикасы);
Дауренбеков Куаныш Койшыгулович – техника ғылымдарының кандидаты, қауымдастырылған профессор, С. Сейфуллин атындағы Қазақ агротехникалық университетінің Студенттік мәселелер жөніндегі департамент директоры (Астана қ., Қазақстан Республикасы);
Ахметова Жанар Жумановна – ақпараттық жүйелер мамандығы бойынша философия докторы (PhD), «Компьютерлік ғылымдар және информатика» мамандығы бойынша қауымдастырылған профессор, Qazaq AI Research University жоғары оқу орнынан кейінгі білім беру орталығының жетекшісі (Астана қ., Қазақстан Республикасы).
Ғылыми кеңесшілері:
Шәріпбай Алтынбек Әмірұлы – техника ғылымдарының докторы, профессор, Л.Н. Гумилев атындағы Еуразия ұлттық университетінің «Жасанды интеллект технологиялары» кафедрасының профессоры (Астана қ., Қазақстан Республикасы);
Францони Валентина (Valentina Franzoni) – философия докторы (PhD), Перуджа университетінің Математика және информатика департаментінің профессоры (Перуджа қ., Италия).
Қорғау 2026 жылғы 13 қараша, сағат 14:00 Л.Н. Гумилев атындағы Еуразия ұлттық университетінің «6D060200 – Информатика» мамандығы бойынша «8D061 – Ақпараттық-коммуникациялық технологиялар» кадрларды даярлау бағыты бойынша диссертациялық кеңесте өтеді. Диссертациялық кеңес мәжілісі офлайн және онлайн форматта өткізіледі деп жоспарлануда.
Сілтемесі: https://surl.li/daqeqh
Мекен-жайы: Астана қаласы, Қажымұқан көшесі, 13, №3 оқу ғимаратының №205 аудиториясы.
Аңдатпа (қаз.): «6D060200 – Информатика» білім беру бағдарламасы бойынша философия докторы (PhD) дәрежесін алу үшін ұсынылған Зулхажав Алтанбектің «Табиғи тілдегі жауаптарды көпдеңгейлі лингвистикалық өңдеу және семантикалық граф негізінде білімді интеллектуалды бағалау әдісі» тақырыбындағы диссертациялық жұмысына Диссертациялық зерттеудің мақсаты Білім беру бағдарламасы білімінің семантикалық-графтық моделі, жауапты көпдеңгейлі лингвистикалық өңдеу және оның эталонға мағыналық сәйкестігінің моделі негізінде білім алушының қазақ тіліндегі табиғи-тілдік жауаптары бойынша білімді интеллектуалды бағалау әдісін әзірлеу. Зерттеу міндеттері 1. Білімді интеллектуалды бағалаудың, табиғи-тілдік жауаптарды автоматтандырылған талдаудың, білім берудегі білім графтарының, семантикалық графтардың және қазақ тілін өңдеу әдістерінің қолданыстағы тәсілдеріне талдау жүргізу. 2. Компетенцияларды, оқу нәтижелерін, пәндер мен бағалау тапсырмаларын бейнелейтін білім беру бағдарламасы білімінің семантикалық-графтық моделін әзірлеу. 3. Жауаптың лингвистикалық және семантикалық белгілерін бөліп алуды қамтамасыз ететін, қазақ тіліндегі табиғи-тілдік жауаптарды өңдеуге арналған модель мен көпдеңгейлі лингвистикалық процессорды әзірлеу. 4. Білім алушы жауабын эталон ретінде пайдаланылатын семантикалық графтың түйіндері мен байланыстарына проекциялау моделін әзірлеу. 5. Концептілік қамту, графтық жақындық және векторлық семантикалық ұқсастық негізінде білім алушы жауабының эталонға мағыналық сәйкестігінің құрама моделін әзірлеу. 6. Қате түсініктерді анықтау тетігін және бағалау нәтижесінің түсіндірмелігін қамтамасыз ететін бұлдыр логикалық шығарым моделін әзірлеу. 7. Ұсынылған әдістің прототипін іске асырып, сарапшы бағасымен келісім, семантикалық дәлдік және нәтиже түсіндірмелігі метрикалары бойынша үш тілде (қазақ, орыс, ағылшын) эксперименттік апробация жүргізу. Зерттеу әдістері Қойылған мақсатқа жету үшін жұмыста семантикалық-графтық модельдеу (RDF-триплеттер, SPARQL), граф теориясы, табиғи тілді өңдеу (графематикалық, морфологиялық, семантикалық талдау), көптілді трансформер-эмбеддингтер және NLI, регуляризацияланған регрессия (Ridge) арқылы параметрлерді идентификациялау, бұлдыр логикалық шығарым (Mamdani), статистикалық талдау (кросс-валидация, bootstrap, абляциялық талдау) әдістері қолданылды. Қорғауға ұсынылатын негізгі қағидалар (дәлелденген ғылыми гипотезалар және жаңа білім болып табылатын өзге де тұжырымдар) 1. Көпдеңгейлі мәтіндік процессордың архитектурасы қазақ тіліндегі білім беру мәтіндерін төрт қабатта (графематикалық, морфологиялық, синтаксистік, семантикалық) тілдік ерекшеліктерге бейімдеп өңдейді және граф-құрылымды метадерекпен өзара әрекеттесу хаттамасымен толықтырылған. 2. Лексикалық-семантикалық желінің формалды моделі курс терминдерін, ұғымдық байланыстарды және оқу нәтижелерімен сәйкестікті бір графтық кеңістікке жинақтап, сол кеңістікте есептелетін құрама семантикалық жақындық метрикасымен толықтырылған. 3. Бұлдыр логикалық шығарымға негізделген интеллектуалды бағалау механизмі процессор мен семантикалық граф нәтижелерін екі шығысқа айналдырады: 0–100 шкаласындағы балл және ұғым деңгейіндегі түсіндірмелі кері байланыс. 4. Misconception-детекциясы контурының архитектурасы үш тілді қате түсініктер банкін, эмбеддингтік детекторды және детектордың дискриминанттылығын Ridge регрессия коэффициентінің таңбасы арқылы дәйектейтін абляциялық хаттаманы қамтиды. Зерттеудің негізгі нәтижелерінің сипаттамасы 1. Білімді интеллектуалды бағалаудың, ASAG, білім графтары мен қазақ тілін өңдеу әдістерінің қазіргі жай-күйіне жүйелі талдау жүргізіліп, зерттеудің ғылыми позициясы негізделді. 2. Компетенциялар, оқу нәтижелері, курстар мен бағалау тапсырмаларын біріктіретін білім беру бағдарламасы білімінің семантикалық-графтық моделі әзірленді. 3. Қазақ тілінің жалғамалы морфологиясына бейімделген көпдеңгейлі лингвистикалық процессор құрылып, лемма-деңгейлі концепт-сәйкестендіру қамтамасыз етілді. 4. Векторлық, концептілік және графтық сигналдарды калибрленген салмақтармен біріктіретін композиттік мағыналық сәйкестік моделі әзірленіп, композиттің пайдасы абляциямен дәлелденді: ASAG2024 бенчмаркінің Mohler ішкі жиынында (500 жауап, 21 сұрақ) сарапшы бағасымен Пирсон корреляциясы r = 0,513 (жеке құраушылар – 0,474-тен аспайды). 5. Бұлдыр логикалық шығарым моделі балл мен ұғым деңгейіндегі түсіндірмені бір контурда шығаратын болып құрылды; LLM-аугментацияланған misconception детекциясы регрессиялық таңба арқылы тексерілді. 6. Әдістің кросс-тілдік тұрақтылығы эксперименттік түрде дәлелденді: ағылшын тілінде калибрленген салмақтарды қазақ тіліне zero-shot тасымалдағанда сапа шығыны 9,2%-ды құрады (базалық тәсілдерде – 20,5–30,9%). 7. Технология прототипі Л.Н. Гумилев атындағы ЕҰУ-дың Smart.EDU интеллектуалды цифрлық жүйесінің құрамында іске асырылып, университеттің цифрлық экожүйесіне енгізілді (енгізу актісі рәсімделген); деректер мен код ашық репозиторийде жарияланды. Алынған нәтижелердің жаңалығы мен маңыздылығын негіздеу Жұмыстың жаңалығы тақырыпта аталған үш құрамдастың – көпдеңгейлі лингвистикалық өңдеу, семантикалық граф және білімді интеллектуалды бағалау – өзара байланысын бір формалды жүйеге келтіруде: – қазақ тіліндегі табиғи-тілдік жауаптарды бағалауға бағытталған көпдеңгейлі лингвистикалық өңдеу әдістемесі алғаш рет ұсынылды; айырмашылығы – жалғамалы морфологияны лемма-деңгейлі концепт-сәйкестендірудің негізі ретінде жүйелі пайдалануы; – білім беру бағдарламасы құрылымының граф моделі мен лексикалық-семантикалық желіні біріктіретін семантикалық-графтық модель және үшқұрамды композиттік ұқсастық өлшемі ұсынылды; айырмашылығы – векторлық, концептілік және графтық сигналдарды бір интерпретацияланатын өлшемде калибрленген салмақтармен біріктіруі және соның есебінен кросс-тілдік тұрақтылықты қамтамасыз етуі; – үлкен тілдік модельдің көмегімен қате түсініктер банкін генерациялау және тілге инвариантты эмбеддинг-негізді детектор әдістемесі қазақтілді білім беру контексіне алғаш рет қолданылды; айырмашылығы – детектор үлесінің регрессиялық таңба арқылы әдіснамалық валидациясы; – бұлдыр логикалық шығарым негізіндегі түсіндірмелі интеллектуалды бағалау моделі ұсынылды; айырмашылығы – лингвистикалық-семантикалық белгілердің, қате түсінік сигналының және ереже-деңгейлі түсіндірменің біртұтас бағалау контурына біріктірілуі. Нәтижелердің маңыздылығы білім беру бағдарламасының құрылымын бағалау деректерімен бір семантикалық кеңістікке көшіру арқылы компетенцияға негізделген бағалауды формализациялауда, сондай-ақ ресурсы шектеулі қазақ тілі үшін ірі тілдік модельдерге тәуелділігі төмен, түсіндірмелі және тасымалданатын бағалау технологиясын ұсынуында. Ұсынылған тәсілді басқа пәндік салалар мен білім беру бағдарламаларына қолдануға болады. Ғылымды дамыту бағыттарына немесе мемлекеттік бағдарламаларға сәйкестігі Диссертациялық зерттеу Қазақстан Республикасында ғылымды, жоғары білімді және цифрландыруды дамытудың басым бағыттарына, атап айтқанда жасанды интеллектті енгізу және интеллектуалды білім беру технологияларын дамыту бағыттарына сәйкес келеді. Зерттеу нәтижелері ҚР ҒЖБМ Ғылым комитетінің 2025–2027 жылдарға арналған ғылыми-техникалық бағдарламалар бойынша бағдарламалық-нысаналы қаржыландыру аясында (2025 жылғы 1 қазандағы №324/25-27 ПЦФ келісімшарты) қаржыландырылған №BR28713531 «SmartEDU жоғары және жоғары оқу орнынан кейінгі білім беру ұйымдарының интеллектуалды цифрлық жүйесі» бағдарламасы шеңберінде алынып, Л.Н. Гумилев атындағы ЕҰУ-дың Smart.EDU интеллектуалды цифрлық жүйесіне енгізілді. Диссертация нәтижелері 2024–2029 жылдарға арналған Жасанды интеллектті дамыту тұжырымдамасының (ҚР Үкіметінің 2024 жылғы 24 шілдедегі №592 қаулысы) және 2023–2029 жылдарға арналған Жоғары білім мен ғылымды дамыту тұжырымдамасының (ҚР Үкіметінің 2023 жылғы 28 наурыздағы №248 қаулысы) мақсат-міндеттеріне сәйкес келеді. Ізденушінің әр жарияланымды дайындауға қосқан үлесінің сипаттамасы Зулхажав Алтанбек жеке өзі: зерттеудің мақсаты мен міндеттерін тұжырымдауды; білім беру бағдарламасы білімінің семантикалық-графтық моделін, қазақ тіліне арналған көпдеңгейлі лингвистикалық процессорды, композиттік мағыналық сәйкестік моделін және бұлдыр логикалық бағалау контурын әзірлеуді; қате түсініктерді анықтау арнасын жобалауды; прототипті іске асыруды, үш тілдегі эксперименттік апробацияны жүргізуді, нәтижелерді талдауды және жарияланымдарды дайындауды орындады. Бірлескен жарияланымдарда ізденушінің үлесі 35%–75% аралығында; оған ғылыми міндеттерді қоюға қатысу, әдістер мен модельдерді әзірлеу, эксперименттер жүргізу, нәтижелерді талдау және мақалаларды дайындау кіреді. 1. Zulkhazhav A., Bekmanova G.T., Yergesh B.Zh., Nazyrova A., Lamasheva Z.B., Aimicheva G. A Multi-Level Hybrid Architecture for Structured Sentiment Analysis // Electronics. – 2026. – Vol. 15, No. 2. – P. 249. Ізденушінің үлесі – 60%. Ізденуші зерттеу міндетін қойды, ережелер қабатын нейрондық компоненттермен біріктіретін көпдеңгейлі гибридті архитектураны және оның лингвистикалық өңдеу қабаттарын әзірледі, эксперименттерді жоспарлап жүргізді, нәтижелерді талдап, мақаланың негізгі мәтінін жазды. Жұмыста ұсынылған көпдеңгейлі гибридті архитектура қағидаттары диссертациядағы мәтіндік процессордың қабаттық архитектурасына (2.3-бөлім) және misconception детекциясының эмбеддингтік нұсқасына негіз болды. 2. Altaibek M., Zulkazhav A., Yergesh B.Zh., Bekmanova G.T., Aibol T. A Multimodal Framework for Speech Emotion Recognition in Low-Resource Languages // Journal of Artificial Intelligence and Technology. – 2025. – Vol. 5. – P. 354–364. Ізденушінің үлесі – 40%. Ізденуші мультимодальды фреймворктің мәтіндік арнасын (көптілді трансформер-эмбеддингтер негізіндегі белгілер) жобалауға, мәтіндік және акустикалық арналарды біріктіру тәсілін әзірлеуге, эксперименттік нәтижелерді талдауға және мақаланы жазуға қатысты. Жұмыстағы мультимодальды аффективтік модель (KEMO) диссертациядағы бағалау контурының мультимодальды кеңеюінің және аффективтік арнасының (3.6-бөлім) негізі болды. 3. Omarbekova A.S., Abuov A., Nazyrova A., Lamasheva Z., Chakrabarty D., Salykova O.S., Zulkhazhav A. A Hybrid Attention-LSTM Model with Embedding-based Feature Representation for Student Academic Performance Prediction // International Journal of Intelligent Engineering and Systems. – 2026. – Vol. 19, No. 6. – P. 1166–1183. Ізденушінің үлесі – 35%. Ізденуші студенттер туралы деректерді эмбеддингке негізделген белгілер арқылы ұсыну тәсілін талқылауға, модельдің нәтижелерін түсіндіруге және оны оқу аналитикасы контурына енгізу бойынша ұсыныстарды әзірлеуге қатысты. Жұмыстағы үлгерімді болжау моделі диссертациядағы оқу аналитикасымен интеграцияланған бөлікте (3.7-бөлім) қолданылды. 4. Зулхажав А., Бекманова Г., Алтайбек М., Омарбекова А., Шәріпбай А. A Personalized Learning Feedback System Driven by a Lexical Semantic Network // Academic Scientific Journal of Computer Science. – 2025. – Vol. 3(355). – P. 147–159. Ізденушінің үлесі – 75%. Ізденуші зерттеу міндетін қойды, лексикалық-семантикалық желіге негізделген дербестендірілген кері байланыс жүйесінің моделін (Термин – Дәріс – Бағалау байланыстары) әзірледі, жүйенің прототипін іске асырып, апробациясын жүргізді, нәтижелерді талдап, мақаланың негізгі мәтінін жазды. Жұмыста апробацияланған лексикалық-семантикалық желіге негізделген кері байланыс жүйесі диссертациядағы семантикалық-графтық модельге (2.2-бөлім) және құрама семантикалық жақындық метрикасына (2.4-бөлім) дейін дамытылды.
Зерттеулерді этикалық бағалау жөніндегі комиссияның қорытындысы
