В статье представлены результаты практической апробации двухуровневой (автоматической и экспертной) методики оценки, предложенной в нашем предыдущем исследовании. Был сформирован пилотный корпус, состоящий из 5 пар «вопрос — ответ» (источник: Claude — система искусственного интеллекта компании Anthropic, 2026 г.; ответы сгенерированы в режиме ИИ-тьютора, использующего узбекский язык). Каждый ответ анализировался по таким показателям, как лексическое разнообразие (соотношение типов и токенов — TTR) и средняя длина предложения, а также оценивался экспертами в ходе двух независимых циклов оценки. Результаты показали, что лексическое разнообразие существенно варьируется в зависимости от сложности темы (значение TTR — от 0,660 до 0,969), а при обсуждении тем с высокой морфологической насыщенностью (например, грамматические падежи) многократное использование одной и той же опорной лексемы снижало разнообразие примеров. Коэффициент корреляции Спирмена между результатами двух циклов оценки оказался высоким (ρ = 0,872), что свидетельствует о предварительной надежности предложенной методики.

This article presents the results of a practical pilot test of the two-layer (automatic and expert) evaluation methodology proposed in our previous study. A pilot corpus of 5 question–answer pairs was compiled (source: Claude, an Anthropic artificial intelligence system, 2026, responses generated in the role of an Uzbek-language AI tutor). Each response was analyzed for lexical diversity (type-token ratio), average sentence length, and expert rating based on two independent rating cycles. Results show that lexical diversity varies considerably depending on topic complexity (TTR ranging from 0.660 to 0.969), and that in morphologically dense topics (e.g., grammatical cases) repeated use of a single anchor lexeme reduced example diversity. The Spearman correlation between the two rating cycles was high (ρ = 0.872), providing preliminary support for the methodology's reliability