Формирование компетенций распределенной обработки данных и машинного обучения для агропромышленных информационных сетей у обучающихся аграрных направлений подготовки: методическая система и результаты экспериментальной апробации

Разработана и экспериментально апробирована методическая система формирования компетенций распределенной обработки данных и машинного обучения для агропромышленных информационных сетей у обучающихся аграрных направлений подготовки. Система включает пять компонентов: целевой (четыре блока компетенций), содержательный (курс объемом 108 академических часов из четырех модулей), процессуально-технологический (лабораторный стенд и 34 практических задания на сквозном наборе тепличной телеметрии), диагностический (критерии оценивания, единая трехуровневая шкала, тест, карты оценки практических работ и защиты проекта) и ресурсный. Планируемый результат сформулирован операционально: обучающийся самостоятельно разворачивает цепочку «датчик — брокер сообщений — сервер — база временных рядов — модель — граничный узел» и объясняет полученный результат в агрономических терминах. Исследование выполнено на базе Мурманского арктического университета в течение 2023/24 и 2024/25 учебных годов; в педагогическом эксперименте участвовали 132 обучающихся бакалавриата — экспериментальная группа (n = 68) и контрольная группа (n = 64), сопоставимые по исходным образовательным характеристикам. Диагностика проводилась по когнитивному, инструментальному, аналитическому и интегративному блокам при единых границах уровней: низкий — 0–39 баллов, базовый — 40–69, продвинутый — 70–100. Интегральный показатель в экспериментальной группе увеличился с 38,4 до 72,8 балла (Δ = +89,6%), в контрольной — с 37,9 до 52,1 балла (Δ = +37,5%); межгрупповые различия статистически значимы (p < 0,001), величина эффекта d Коэна составила 1,24. Доля обучающихся, достигших продвинутого уровня, в экспериментальной группе составила 42,6% против 14,1% в контрольной. Полученные результаты подтверждают педагогическую результативность модульной методической системы, ориентированной на переход от теоретического понимания распределённых архитектур к развёртыванию прикладных конвейеров обработки аграрной телеметрии и моделей машинного обучения.

1. Mansoor S., Iqbal S., Popescu S.M., Kim S.L., Chung Y.S., Baek J.-H. Integration of smart sensors and IOT in precision agriculture: trends, challenges and future prospectives. Frontiers in Plant Science. 2025; 16: 1587869. https://doi.org/10.3389/fpls.2025.1587869

2. Soussi A., Zero E., Sacile R., Trinchero D., Fossa M. Smart Sensors and Smart Data for Precision Agriculture: A Review. Sensors. 2024; 24(8): 2647. https://doi.org/10.3390/s24082647

3. Miller T., Mikiciuk G., Durlik I., Mikiciuk M., Łobodzińska A., Śnieg M. The IoT and AI in Agriculture: The Time Is Now—A Systematic Review of Smart Sensing Technologies. Sensors. 2025; 25(12): 3583. https://doi.org/10.3390/s25123583

4. Оськин С.П., Кузнецов А.В., Конева Н.Е. Функциональное моделирование и параметрическая оценка компонентов IoT-системы сбора данных для задач точного земледелия. Аграрная наука. 2026; (4): 137–143. https://doi.org/10.32634/0869-8155-2026-405-04-137-143

5. Галкин А.И. Применение методов машинного обучения и анализа больших данных в точном земледелии. Аграрная наука. 2025; (5): 171–174. https://doi.org/10.32634/0869-8155-2025-394-05-171-174

6. Kalyani Y., Collier R. A Systematic Survey on the Role of Cloud, Fog, and Edge Computing Combination in Smart Agriculture. Sensors. 2021; 21(17): 5922. https://doi.org/10.3390/s21175922

7. Yu P., Teng F., Zhu W., Shen C., Chen Z., Song J. Cloud–edge–device collaborative computing in smart agriculture: architectures, applications, and future perspectives. Frontiers in Plant Science. 2025; 16: 1668545. https://doi.org/10.3389/fpls.2025.1668545

8. Максимов А.Ф., Кутырев Г.А. Проектирование архитектуры распределенной IoT-системы мониторинга параметров микроклимата тепличных комплексов на основе протокола MQTT и граничных вычислений. Аграрная наука. 2026; (4): 144–150. https://doi.org/10.32634/0869-8155-2026-405-04-144-150

9. Sathupadi K., Achar S., Bhaskaran S.V., Faruqui N., Abdullah-Al-Wadud M., Uddin J. Edge-Cloud Synergy for AI-Enhanced Sensor Network Data: A Real-Time Predictive Maintenance Framework. Sensors. 2024; 24(24): 7918. https://doi.org/10.3390/s24247918

10. Pintus M., Colucci F., Maggio F. Emerging Developments in Real-Time Edge AIoT for Agricultural Image Classification. IoT. 2025; 6(1): 13. https://doi.org/10.3390/iot6010013

11. Гибадуллин Р.Р., Шакурова З.М. Многоуровневая платформа больших данных для интеллектуального контроля и диагностики параметров агроценозов на основе гибридных методов машинного обучения. Аграрная наука. 2026; (5): 153–159. https://doi.org/10.32634/0869-8155-2026-406-05-153-159

12. Фёдоров Д.Е., Быков С.Н. Мониторинг посевов гороха с нейросетевой обработкой изображений полученных с использованием БПЛА. Аграрная наука. 2025; (8): 122–128. https://doi.org/10.32634/0869-8155-2025-397-08-122-128

13. Чувахин П.И. Цифровая трансформация агропромышленного комплекса: экономическая эффективность внедрения информационных технологий. Аграрная наука. 2025; (8): 155–159. https://doi.org/10.32634/0869-8155-2025-397-08-155-159

14. Еремин С.Г. Цифровые технологии и большие данные в трансформации сельского хозяйства: возможности и проблемы. Аграрная наука. 2025; (3): 160–164. https://doi.org/10.32634/0869-8155-2025-392-03-160-164

15. Плахин А.Е., Огородникова Е.С., Ростовцев К.В. Проблемы становления цифровой модели в сельском хозяйстве. Аграрная наука. 2024; (8): 188–193. https://doi.org/10.32634/0869-8155-2024-385-8-188-193

16. Корнилова Л.М., Иванов П.А. Цифровая трансформация и готовность к ней агропромышленного комплекса Чувашской Республики. Аграрная наука. 2022; (11): 160–164. https://doi.org/10.32634/0869-8155-2022-364-11-160-164

17. Афанасьева О.Г., Макушев А.Е., Толстова М.Л., Степанов А.В. Исследование цифровой активности региональных аграриев России. Аграрная наука. 2022; (11): 165–173. https://doi.org/10.32634/0869-8155-2022-364-11-165-173

18. Бураева Е.В. Подготовка кадров для цифровой экономики сельского хозяйства: проблемы и перспективы. Вестник аграрной науки. 2021; (3): 112–118. https://doi.org/10.17238/issn2587-666X.2021.3.112

19. Бураева Е.В. Система подготовки кадров для цифрового сельского хозяйства: основные перспективы и ограничения. Вестник аграрной науки. 2023; (4): 132–139. https://doi.org/10.17238/issn2587-666X.2023.4.132

20. Савкин В.И. Проблемы формирования профессиональных компетенций при подготовке кадров для производства органической продукции. Вестник аграрной науки. 2023; (6): 155–159. https://doi.org/10.17238/issn2587-666X.2023.6.155

21. Шмелева А.В. Анализ взаимосвязи между уровнем квалификации работников на производстве и показателями прибыли: экономическое обоснование инвестиций в обучение персонала. Аграрная наука. 2024; (11): 30–33. https://doi.org/10.32634/0869-8155-2024-388-11-30-33

22. Назаров Д.М., Бегичева С.В., Копнин А.А. Большие языковые модели (LLM): новый этап цифровой трансформации агропромышленного комплекса России. Аграрный вестник Урала. 2025; 25(7): 1129–1142. https://doi.org/10.32417/1997-4868-2025-25-07-1129-1142

23. Петрунева Р.М., Васильева В.Д., Петрунева Ю.В. Цифровые студенты: мифы и реальность. Высшее образование в России. 2019; 28(11): 47–55. https://doi.org/10.31992/0869-3617-2019-28-11-47-55

24. Mezentceva D.A., Dzhavlakh E.S., Eliseeva O.V., Bagautdinova A.Sh. On the Question of Pedagogical Digital Competence. Higher Education in Russia. 2020; 29(11): 88–97. https://doi.org/10.31992/0869-3617-2020-29-11-88-97

25. Баранов В.Н., Безруких А.И., Константинов И.Л., Рудницкий Э.А., Солопеко Н.С., Байковский Ю.В. Использование цифрового двойника для обучения студентов металлургического профиля. Высшее образование в России. 2022; 31(2): 135–148. https://doi.org/10.31992/0869-3617-2022-31-2-135-148

26. Гуров С.Ю., Гурова Т.Ю., Насалевич Т.В., Тарасенко Т.В., Юрченко А.В. Готовность будущих специалистов аграрного профиля к формированию языковой культуры в профессиональной деятельности. Аграрная наука. 2025; (8): 150–154. https://doi.org/10.32634/0869-8155-2025-397-08-150-154