This article presents a formal demonstration of a hybrid big data processing architecture that combines the fault tolerance and storage robustness of Hadoop with the speed and in-memory processing capabilities of Apache Spark. The proposed architecture is evaluated through test execution and performance benchmarking in real-world data centers across three regions in Kazakhstan. The model integrates distributed resource management components, Directed Acyclic Graph (DAG)-based scheduling mechanism, and Resilient Distributed Datasets (RDDs) to enable dynamic workload distribution and rapid failure recovery. The results demonstrate that the hybrid system consistently outperforms standalone Spark and Hadoop architectures under variable workloads, illustrating enhancements in execution time, task recovery, and resource utilization. Quantitative performance metrics allow for a structured comparison of architectures and help optimize deployments for diverse scenarios. The proposed hybrid architecture shows significant improvements, reducing average execution time by up to 38% and increasing resource efficiency by 25% compared to standalone Spark and Hadoop systems.

The growing use of artificial intelligence (AI) in education highlights the need to distinguish teachers’ AI adoption from their professional development needs. This study examined these outcomes as separate predictive tasks using OECD TALIS 2024 data for 7360 teachers in Kazakhstan at ISCED level 2. After excluding invalid outcome records, the analytical samples comprised 2430 teachers for AI adoption and 4868 for professional development needs. Population estimates and confidence intervals were calculated using teacher weights and 100 Fay-BRR replicate weights, while predictive performance was assessed using out-of-fold predictions and school-grouped validation. The weighted prevalence of AI adoption was 59.0% (95% CI: 56.1–61.9). Logistic Regression and CatBoost demonstrated comparable discrimination (ROC-AUC = 0.754 and 0.753, respectively), with no clear performance advantage for CatBoost. SHAP analysis identified prior AI-related professional learning, uncertainty regarding AI attitudes, and perceived AI benefits as prominent predictive factors. Moderate or high professional development need was estimated at 80.3% (95% CI: 78.7–81.9). However, individual prediction was weak, with balanced accuracy of 0.268 and a quadratic weighted kappa of 0.082. These findings indicate that TALIS variables provide a moderate predictive signal for AI adoption but are insufficient for reliable, individualized professional development decisions.

Технологии искусственного интеллекта (ИИ) и машинного обучения (МО) открывают принципиально новые возможности для выявления и прогнозирования суицидальных наклонностей среди подростков. В данном исследовании рассматривается разработка системы оценки риска суицида, основанной на ИИ, путём интеграции современных алгоритмов МО и данных из различных источников. В качестве инструментов анализа поведенческих, психологических и социальных индикаторов были использованы нейронные сети, языковые модели на основе трансформеров (такие как BERT) и деревья решений. Разрабатываемая система объединяет информацию из активности в социальных сетях, медицинской истории и психометрических оценок для повышения точности прогнозирования. В работе также рассматриваются этические аспекты, включая защиту персональных данных, получение информированного согласия и обеспечение прозрачности алгоритмов, что необходимо для ответственного внедрения ИИ. Полученные результаты показывают, что предиктивные модели на основе ИИ значительно улучшают возможности раннего выявления рисков и вмешательства, обеспечивая проактивный и масштабируемый подход к поддержке психического здоровья подростков.