Yntymak Abdrazakh

Mr. Yntymak Abdrazakh

orcid

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications

30 September 2026 in Yassawi Journal of Engineering Science
Verified
Journal Article
Open access
PDF file
БАБекзот Абдувахапов
Бекзот Абдувахапов
НЖНурсейт Жунисов
Нурсейт Жунисов
YAYntymak Abdrazakh
Yntymak Abdrazakh
Распространение генеративного искусственного интеллекта меняет повседневную учебную работу студентов, однако доступность объяснений и готовых решений не позволяет сама по себе судить о качестве усвоения материала. Цель статьи состоит в определении условий, при которых использование генеративного искусственного интеллекта в университете поддерживает обучение и не подменяет самостоятельную познавательную деятельность. Работа выполнена в форме критического аналитического обзора научных публикаций и официальных описаний образовательных функций цифровых сервисов. Сопоставляются результаты экспериментальных исследований, данные об отношении студентов к технологии и ограничения автоматизированного контроля. Показано, что успешность выполнения задания с помощником, субъективное ощущение понимания и способность самостоятельно применить знание представляют разные основания для оценки учебного результата. Предложена аналитическая схема, связывающая цель обращения к искусственному интеллекту, характер предоставляемой помощи и способ последующей проверки. Рассмотрены возможности диалоговых помощников, инструментов работы с источниками и генерации учебных материалов, а также риски фактических ошибок, зависимости от готовых ответов и необоснованных выводов об уровне знаний. Обоснована необходимость сочетать доступную поддержку с самостоятельными и отсроченными заданиями. В качестве направления практического применения предложена концепция учебной среды с диагностикой освоения отдельных тем, отделённой от официального оценивания. Концепция не представляется как внедрённая система; её педагогическая эффективность требует отдельной эмпирической проверки. Практическая значимость работы заключается в формулировании критериев организации и оценки ИИ-поддержки университетского обучения.

30 March 2026 in Scientific Journal of Astana IT University
Verified
Journal Article
Open access
PDF file
YAYntymak Abdrazakh
Yntymak Abdrazakh
ABAigerim Baimakhanova
Aigerim Baimakhanova
BOBatyrkhan Omarov
Batyrkhan Omarov
AAArypzhan Aben
Arypzhan Aben
ASAigerim Sultanali
Aigerim Sultanali
In this paper, we introduce a time-aware deep learning model designed to identify and predict signs of depression and suicidal ideation across social networks. Standard static text classifiers typically analyze updates in isolation; however, our method tracks the long-term progression of a person's emotional state by merging contextual language embeddings with temporal encodings and specific psycholinguistic markers. We gathered our primary dataset from Twitter, Reddit, and Facebook, ensuring all user histories were strictly anonymized and organized chronologically. The study evaluates multiple neural network architectures, specifically Temporal BERT (Bidirectional Encoder Representations from Transformers), time-encoded BiLSTM (Bidirectional Long Short-Term Memory), and a temporal transformer utilizing positional features. Our experiments demonstrate that factoring in the chronological dimension substantially boosts classification accuracy, allowing for the earlier detection of declining mental health. The Temporal BERT model achieved the highest F1 score (harmonic mean of precision and recall) and AUC (Area Under the Receiver Operating Characteristic Curve) values on several datasets, outperforming both standard (static) BERT and basic recurrent models. Analysis of temporal trajectories also allowed us to identify clear clusters of user behavior: stable, improving, and deteriorating - this makes conclusions more interpretable and helps us understand personal emotional dynamics. The early-warning module was evaluated at 7-, 14-, and 21-day prediction horizons and showed that risk-related deterioration patterns could be identified in advance of the reference event. Across all evaluated horizons, Temporal BERT demonstrated the strongest Recall@k performance, meaning that it more consistently captured at-risk users among the top-ranked predictions. This article emphasizes that depressive and suicide-related risk signals are often not evident in isolated posts but emerge through longitudinal behavioral patterns. The proposed approach may support earlier and more sensitive identification of elevated risk patterns in digital mental health monitoring settings. At the same time, such use requires strict ethical safeguards, rigorous anonymization, and human-in-the-loop oversight. Future research should extend the framework toward multimodal, multilingual, and socially contextualized modeling.

1 April 2026
Verified
Book Chapter
Closed access
PDF file
YAYntymak Abdrazakh
Yntymak Abdrazakh
GKGulnur Kazbekova
Gulnur Kazbekova

30 June 2026 in Yassawi Journal of Engineering Science
Verified
Journal Article
Open access
PDF file
YAYntymak Abdrazakh
Yntymak Abdrazakh
АБАйгерим Баймаханова
Айгерим Баймаханова
NZNurseit Zhunissov
Nurseit Zhunissov
ШМШахзода Мирзалиева
Шахзода Мирзалиева
Точный мониторинг физических упражнений важен для домашних тренировок, уроков физкультуры и дистанционной поддержки тренировок; однако ручной подсчет повторений часто ненадежен, а оценка калорий часто упрощается до общих формул, которые не отражают индивидуальные и специфические для вида деятельности вариации. В этом исследовании предлагается гибридная система на основе машинного зрения для распознавания упражнений, подсчета повторений и оценки расхода калорий по монокулярному видео. Предложенная система сочетает в себе извлечение поз без маркеров, классификацию состояний упражнений на основе ориентиров, подсчет повторений с учетом упражнений и модель расчета калорий на основе машинного обучения, учитывающую дескрипторы пользователя и вида деятельности. В предлагаемом алгоритме ориентиры тела извлекаются из видеокадров и преобразуются в структурированные геометрические признаки, поддерживающие распознавание упражнений. Затем количество повторений оценивается по сглаженным траекториям углов суставов с использованием анализа пиков, специфичных для движения, а расход калорий определяется с помощью калиброванной регрессионной модели в сочетании с корректировкой интенсивности на основе движения. Итоговая модель оценки физических упражнений достигла точности 0,8886, сбалансированной точности 0,8950 и показателя макро-F1 0,8929. Модель расчета калорий показала среднюю абсолютную ошибку 2,1339, среднеквадратичную ошибку 3,6202 и значение R² 0,9966. В ходе сквозного самотестирования видеозаписи были корректно распознаны репрезентативные фрагменты отжиманий и приседаний, количество повторений было правдоподобным, а оценки калорий оставались в пределах реалистичных кратковременных диапазонов. Эти результаты показывают, что предложенная гибридная структура может обеспечить интерпретируемое и практически применимое решение для мониторинга физических упражнений с помощью камеры без необходимости использования специального носимого оборудования или устройств захвата движений