учреждение высшего образования
«Бурятская государственная сельскохозяйственная академия имени В.Р. Филиппова»
Агрономический факультет
Общее земледелие
направленность (профиль) Инновационные агротехнологии
в учебном плане
является дисциплиной обязательной для изучения
Семестр 2
Зав. кафедрой Соболев В.А.
п/п
на заседании кафедры
Заведующий кафедрой
Садуев Н.Б.
(представитель работодателя)
Задачи: Формирование теоретических знаний о методах и инструментах хранения и обработки данных.
Развитие практических навыков работы с программными средствами для анализа данных в области агрономии.
Овладение компетенциями по применению цифровых технологий для решения профессиональных задач.
Подготовка студентов к самостоятельной работе с большими данными в условиях агробизнеса.
ОПК-7: Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности;
ИД ОПК-7 - Использование программных инструментов для анализа данных. Разработка SQL-запросов к базе данных о почвах. Анализ урожайности с помощью статистических методов. Визуализация данных в Power BI/Tableau
ИД ПЦК-1 - Использование специализированного ПО и СУБД. Разработка системы учета применения удобрений. Визуализация состояния посевов с помощью NDVI-анализа. Выполнение корреляционного анализа между факторами среды и урожайностью
Методы сбора, хранения и анализа данных.
Инструменты цифровой обработки информации в агрономии.
Принципы использования больших данных для принятия решений.:
Создавать базы данных для учета агропроизводственных показателей.
Анализировать данные с использованием специализированного программного обеспечения.
Интерпретировать результаты анализа данных для оптимизации агротехнологических процессов.:
Применение статистических методов для анализа данных.
Создание графических и табличных представлений данных.
Разработка рекомендаций на основе полученной информации.:
ПЦК-1: Способен применять цифровые технологии для управления процессами и данными в отрасли;
ИД ОПК-7 - Использование программных инструментов для анализа данных. Разработка SQL-запросов к базе данных о почвах. Анализ урожайности с помощью статистических методов. Визуализация данных в Power BI/Tableau
ИД ПЦК-1 - Использование специализированного ПО и СУБД. Разработка системы учета применения удобрений. Визуализация состояния посевов с помощью NDVI-анализа. Выполнение корреляционного анализа между факторами среды и урожайностью
Методы сбора, хранения и анализа данных.
Инструменты цифровой обработки информации в агрономии.
Принципы использования больших данных для принятия решений.:
Создавать базы данных для учета агропроизводственных показателей.
Анализировать данные с использованием специализированного программного обеспечения.
Интерпретировать результаты анализа данных для оптимизации агротехнологических процессов.:
Применение статистических методов для анализа данных.
Создание графических и табличных представлений данных.
Разработка рекомендаций на основе полученной информации.:
форма текущего контроля успеваемости)
работ
Работа с системой управления базами данных (MySQL, PostgreSQL)
Применение статистических методов для анализа данных в агрономии
Реализация проекта по анализу данных для оптимизации агротехнологического процесса
2. Базы данных : учебное пособие для обучающихся по направлению подготовки 09.03.03 "Прикладная информатика" / М-во сел. хоз-ва РФ, ФГБОУ ВО БГСХА им. В.Р. Филиппова ; сост.: Т. Ж. Базаржапова [и др.] ; рец. Е. О. Ванзатова. - Улан-Удэ : БГСХА им. В. Р. Филиппова, 2022. - 84 с. : ил. - URL: https://elib.bgsha.ru/sotru/00115.
3. Обработка и анализ больших данных : методические рекомендации для обучающихся по направлению подготовки 09.03.03 "Прикладная информатика" / М-во сел. хоз-ва РФ, Бурятская ГСХА им. В.Р. Филиппова ; сост.: Н. Б. Садуев, О. А. Гармаева. - Улан-Удэ : ФГОУ ВО БГСХА, 2021. - 49 с. - URL: https://elib.bgsha.ru/sotru/00250.
Microsoft OfficeProPlus 2016 RUS OLP NL Acdmc. Договор № ПП-61/2015 г. О поставке программных продуктов от 9 декабря 2015 года
Microsoft Windows Vista Business Russian Upgrade Academic OPEN No Level Государственный контракт № 25 от 1 апреля 2008 года
http://www.garant.ru/
- использование специализированных (адаптированных) рабочих программ дисциплин (модулей) и методов обучения и воспитания, включая наличие альтернативной версии официального сайта организации в сети «Интернет» для слабовидящих;
- использование специальных учебников, учебных пособий и других учебно-методических материалов, включая альтернативные форматы печатных материалов (крупный шрифт или аудиофайлы);
- использование специальных технических средств обучения (мультимедийное оборудование, оргтехника и иные средства) коллективного и индивидуального пользования, включая установку
мониторов с возможностью трансляции субтитров, обеспечение надлежащими звуковыми
воспроизведениями информации;
- предоставление услуг ассистента (при необходимости), оказывающего обучающимся необходимую техническую помощь или услуги сурдопереводчиков / тифлосурдопереводчиков;
- проведение групповых и индивидуальных коррекционных занятий для разъяснения отдельных вопросов изучаемой дисциплины (модуля);
- проведение процедуры оценивания результатов обучения возможно с учетом особенностей нозологий (устно, письменно на бумаге, письменно на компьютере, в форме тестирования и т.п.) при использовании доступной формы предоставления заданий оценочных средств и ответов на задания (в печатной форме увеличенным шрифтом, в форме аудиозаписи, в форме электронного документа, задания зачитываются ассистентом, задания предоставляются с использованием сурдоперевода) с
использованием дополнительного времени для подготовки ответа;
- обеспечение беспрепятственного доступа обучающимся в учебные помещения, туалетные и другие помещения организации, а также пребывания в указанных помещениях (наличие пандусов, поручней, расширенных дверных проемов и других приспособлений);
- обеспечение сочетания онлайн и офлайн технологий, а также индивидуальных и коллективных форм работы в учебном процессе, осуществляемом с использованием дистанционных образовательных технологий;
- и другие условия, без которых невозможно или затруднено освоение ОПОП ВО.
В целях реализации ОПОП ВО в академии оборудована безбарьерная среда, учитывающая потребности лиц с нарушением зрения, с нарушениями слуха, с нарушениями опорно-двигательного
аппарата. Территория соответствует условиям беспрепятственного, безопасного и удобного передвижения инвалидов и лиц с ограниченными возможностями здоровья. Вход в учебный корпус
оборудован пандусами, стекла входных дверей обозначены специальными знаками для слабовидящих, используется система Брайля. Сотрудники охраны знают порядок действий при прибытии в академию лица с ограниченными возможностями. В академии создана толерантная социокультурная среда, осуществляется необходимое сопровождение образовательного процесса,
при необходимости предоставляется волонтерская помощь обучающимся инвалидам и лицам с ограниченными возможностями здоровья.
2. Оценочные материалы является составной частью нормативно-методического обеспечения системы оценки качества освоения обучающимися указанной дисциплины (модуля).
3. При помощи оценочных материалов осуществляется контроль и управление процессом формирования обучающимися компетенций, из числа предусмотренных ФГОС ВО в качестве результатов освоения дисциплины (модуля).
4. Оценочные материалы по дисциплине (модулю) включают в себя:
- оценочные средства, применяемые при промежуточной аттестации по итогам изучения дисциплины (модуля).
- оценочные средства, применяемые в рамках индивидуализации выполнения, контроля фиксированных видов ВАРО;
- оценочные средства, применяемые для текущего контроля;
5. Разработчиками оценочных материалов по дисциплине (модулю) являются преподаватели кафедры, обеспечивающей изучение обучающимися дисциплины (модуля), в Академии. Содержательной основой для разработки оценочных материалов является Рабочая программа дисциплины (модуля).
2. Комплект заданий для практических работ
3. Перечень контрольных вопросов для проведения устных опросов
4. Перечень вопросов для самостоятельного изучения
5. Тестовые задания
6. Кейс-задания
Хранение и обработка данных
2) охватывает все разделы дисциплины
Блок 1: (Знать)
Тема: Основные понятия и технологии хранения и обработки данных
1. Какой тип данных содержит информацию в виде чисел и таблиц?
• a) Неструктурированные данные
• b) Структурированные данные
• c) Полуструктурированные данные
✅ Ответ: b)
2. Что означает аббревиатура V’s Big Data?
• a) Volume, Velocity, Variety, Veracity
• b) Value, Vision, Vector, Visibility
• c) View, Version, Virtual, Visual
• d) None of the above
✅ Ответ: a)
3. Какие данные содержат тексты, изображения, видео?
• a) Структурированные
• b) Неструктурированные
• c) Табличные
• d) Числовые
✅ Ответ: b)
4. Какая модель баз данных основана на связях «таблиц»?
• a) Иерархическая
• b) Реляционная
• c) Объектно-ориентированная
• d) Сетевая
✅ Ответ: b)
5. Что такое SQL?
• a) Язык программирования
• b) Язык управления базами данных
• c) Язык разметки
• d) Язык стилей
✅ Ответ: b)
6. Какое свойство баз данных обеспечивает надежность транзакций?
• a) ACID
• b) CRUD
• c) REST
• d) API
✅ Ответ: a)
7. Что такое нормализация баз данных?
• a) Упрощение запросов
• b) Повышение скорости выполнения
• c) Устранение избыточности данных
• d) Удаление записей
✅ Ответ: c)
8. Как называется язык для создания графиков и диаграмм в Python?
• a) NumPy
• b) Pandas
• c) Matplotlib
• d) Scikit-learn
✅ Ответ: c)
9. Какая метрика используется для оценки качества регрессионной модели?
• a) Accuracy
• b) MAE (Mean Absolute Error)
• c) Precision
• d) Recall
✅ Ответ: b)
10. Что такое корреляция?
• a) Связь между двумя категориями
• b) Связь между числовыми переменными
• c) Отношение между строками
• d) Сравнение двух столбцов
✅ Ответ: b)
Блок 2: (Знать, Уметь)
Тема: Анализ данных, SQL, визуализация, работа с инструментами
11. Какой оператор SQL используется для выборки данных?
• a) INSERT
• b) UPDATE
• c) SELECT
• d) DELETE
✅ Ответ: c)
12. Какой тип JOIN возвращает все строки из левой таблицы и совпадающие из правой?
• a) INNER JOIN
• b) LEFT JOIN
• d) FULL JOIN
✅ Ответ: b)
13. Какая функция SQL подсчитывает количество строк?
• a) AVG
• b) COUNT
• c) SUM
• d) MAX
✅ Ответ: b)
14. Для чего используется CASE в SQL?
• a) Для удаления данных
• b) Для условного выражения
• c) Для группировки
• d) Для фильтрации
✅ Ответ: b)
15. Какой метод используется для предварительной обработки данных?
• a) Фильтрация
• b) Визуализация
• c) Классификация
• d) Агрегация
✅ Ответ: a)
16. Какой тип графика лучше всего показывает изменения во времени?
• a) Гистограмма
• b) Линейный график
• c) Круговая диаграмма
• d) Диаграмма рассеяния
✅ Ответ: b)
17. Что такое дашборд?
• a) Таблица
• b) Интерфейс с визуализацией ключевых метрик
• c) Форма отчета
• d) Презентация
✅ Ответ: b)
18. Какой инструмент позволяет создавать интерактивные дашборды?
• a) Excel
• b) Word
• c) Power BI
• d) Paint
✅ Ответ: c)
19. Какой коэффициент указывает на силу линейной связи между двумя переменными?
• a) R²
• b) MAE
• c) RMSE
• d) Коэффициент корреляции
✅ Ответ: d)
20. Какой метод используется для прогнозирования количественного результата?
• a) Классификация
• b) Кластеризация
• c) Регрессия
• d) Сегментация
✅ Ответ: c)
21. Какой оператор SQL добавляет новые данные в таблицу?
• a) SELECT
• b) INSERT INTO
• c) UPDATE
• d) DELETE
✅ Ответ: b)
22. Какой из следующих инструментов не является системой управления базами данных?
• a) MySQL
• b) PostgreSQL
• c) Excel
• d) MongoDB
✅ Ответ: c)
23. Что такое сводная таблица в Excel?
• a) Таблица с формулами
• b) Инструмент анализа данных
• c) Обычная таблица
• d) Документ с графиками
24. Какой библиотекой Python можно воспользоваться для работы с данными?
• a) TensorFlow
• b) Flask
• c) Pandas
• d) Django
✅ Ответ: c)
25. Какой командой можно выбрать только уникальные значения из таблицы?
• a) DISTINCT
• b) GROUP BY
• c) ORDER BY
• d) LIMIT
✅ Ответ: a)
Блок 3: (Знать, Уметь, Владеть)
Кейс: Вы работаете агрономом и получили набор данных о состоянии почвы, погоде и урожайности за последние 3 года.
Год Температура (°C) Осадки (мм) Площадь (га) Урожайность (ц/га)
2021 18 400 50 40
2022 20 300 50 35
2023 19 450 50 42
Задания:
26. Какую цель можно поставить при анализе этих данных?
Ответ: Проанализировать влияние климатических факторов на урожайность.
27. Какой тип данных вы видите в таблице?
Ответ: Структурированные данные.
28. Какой инструмент вы бы использовали для анализа зависимости урожайности от температуры?
Ответ: Excel / Python (matplotlib, pandas)
29. Какой коэффициент можно использовать для оценки взаимосвязи между температурой и урожайностью?
Ответ: Коэффициент корреляции.
30. Какой график лучше всего покажет изменение урожайности по годам?
Ответ: Линейный график.
31. Какой SQL-запрос вернет среднюю урожайность за 3 года?
Ответ: SELECT AVG(урожайность) FROM данные;
32. Какой тип JOIN будет полезен при объединении данных о погоде и урожайности?
Ответ: INNER JOIN
33. Какие шаги предварительной обработки данных необходимы перед анализом?
Ответ: Удаление пропусков, преобразование типов, нормализация.
34. Как можно представить результаты анализа руководству хозяйства?
Ответ: В виде дашборда или презентации.
35. Какой вывод можно сделать по данным?
Ответ: При увеличении осадков урожайность повышается.
1. Основы работы с данными
1. Что такое данные? Какие виды данных существуют?
2. Чем отличаются структурированные данные от неструктурированных?
3. Что такое большие данные (Big Data)? Какие характеристики их определяют (4V)?
4. Почему важно хранение и обработка данных в современном агробизнесе?
2. Базы данных и СУБД
5. Что такое база данных и система управления базами данных (СУБД)?
6. Какие типы баз данных вы знаете? Приведите примеры их использования.
7. Что такое реляционная модель данных? Какие основные элементы она включает?
8. Что такое нормализация баз данных? Зачем она нужна?
9. Какие популярные СУБД используются сегодня? Их особенности и области применения.
10. Как организовать базу данных для учета урожайности культур?
3. Язык SQL
11. Что такое SQL? Для каких задач он используется?
12. Какие основные команды SQL вы знаете? Приведите примеры.
13. Что такое оператор SELECT? Как с его помощью фильтровать данные?
14. Что такое JOIN-соединения? Какие типы JOIN существуют?
15. Как использовать функции агрегирования в SQL (SUM, AVG, COUNT и др.)?
4. Обработка и анализ данных
16. Какие основные этапы обработки данных вы знаете?
17. Что такое предварительная обработка данных? Какие задачи она решает?
18. Что такое очистка данных? Какие проблемы возникают при работе с «грязными» данными?
19. Какие методы анализа данных применяются в агрономии?
5. Визуализация данных
21. Что такое визуализация данных? Зачем она нужна?
22. Какие инструменты визуализации наиболее популярны в аграрной отрасли?
23. Какие типы графиков и диаграмм чаще всего используются для представления агроданных?
24. Что такое дашборд? Как он помогает в принятии управленческих решений?
25. Как правильно интерпретировать результаты визуального анализа?
6. Цифровые технологии в агробизнесе
26. Что такое системы точного земледелия? Какие технологии в них используются?
27. Какие цифровые платформы применяются в управлении агротехнологическими процессами?
28. Какие преимущества даёт применение дронов и спутников в сельском хозяйстве?
29. Что такое IoT (Интернет вещей) в контексте аграрной отрасли?
30. Как машинное обучение и искусственный интеллект применяются в агрономии?
7. Практические навыки
31. Как создать таблицу в базе данных и заполнить её данными?
32. Как выполнить выборку данных с использованием фильтрации и группировки?
33. Как рассчитать среднее значение, минимальное и максимальное в наборе данных?
34. Как построить график зависимости урожайности от погодных условий?
35. Как подготовить отчет на основе анализа данных?
Форма проведения зачёта
• Устный опрос или защита проекта (по выбору преподавателя).
• Возможна комбинация: теоретический ответ + демонстрация практического задания.
Комплект заданий для лабораторных (практических) работ по дисциплине "Хранение и обработка данных"
Лабораторная работа №1: Создание структуры базы данных для учета урожайности культур
Цель: Научиться проектировать и создавать таблицы базы данных.
Задачи:
• Разработать структуру таблиц.
• Создать связи между таблицами.
• Заполнить таблицы тестовыми данными.
Инструменты: СУБД (MySQL, PostgreSQL или SQLite)
Лабораторная работа №2: Написание SQL-запросов для получения информации из базы данных
Цель: Освоить основные операции языка SQL.
Задачи:
• Выполнить выборку данных.
• Применить фильтрацию и группировку.
• Использовать агрегатные функции.
Инструменты: SQL
Лабораторная работа №3: Анализ данных о плодородии почв с использованием Excel/Google Sheets
Цель: Научиться анализировать данные в электронных таблицах.
Задачи:
• Подготовить данные к анализу.
• Рассчитать статистические показатели.
• Построить графики зависимости параметров.
Инструменты: Microsoft Excel / Google Sheets
Лабораторная работа №4: Визуализация данных о развитии растений
Цель: Научиться строить графики и диаграммы для наглядного представления данных.
Задачи:
• Построить график изменения высоты растений во времени.
• Сравнить развитие разных культур.
• Создать сводную таблицу с результатами.
Инструменты: Excel, matplotlib (Python), Tableau (по желанию)
Лабораторная работа №5: Предварительная обработка данных о погодных условиях
Цель: Освоить этапы подготовки данных к анализу.
Задачи:
• Удалить пропуски и выбросы.
• Преобразовать форматы данных.
• Нормализовать значения при необходимости.
Инструменты: Python (pandas), Excel
Лабораторная работа №6: Корреляционный анализ факторов влияния на урожайность
Цель: Выявить взаимосвязь между параметрами.
Задачи:
• Рассчитать коэффициенты корреляции.
• Построить матрицу корреляций.
• Интерпретировать результаты.
Инструменты: Excel, Python (pandas, numpy)
Лабораторная работа №7: Создание информационной системы учета агротехнических мероприятий
Цель: Разработать систему учета агрономических операций.
• Создать таблицы для хранения данных.
• Реализовать запросы для анализа операций.
• Подготовить отчеты по проведенным мероприятиям.
Инструменты: MySQL / Access / Excel
Лабораторная работа №8: Прогнозирование урожайности с использованием регрессионного анализа
Цель: Построить модель прогнозирования урожайности.
Задачи:
• Выбрать факторы, влияющие на урожайность.
• Обучить модель регрессии.
• Оценить точность прогноза.
Инструменты: Excel, Python (scikit-learn)
Лабораторная работа №9: Разработка дашборда для мониторинга состояния полей
Цель: Научиться создавать интерактивные отчеты и дашборды.
Задачи:
• Подготовить данные для визуализации.
• Создать графики и фильтры.
• Объединить элементы в единый дашборд.
Инструменты: Power BI / Tableau / Google Data Studio
Лабораторная работа №10: Проектная работа — «Оптимизация агротехнологического процесса на основе анализа данных»
Цель: Применить полученные знания для решения реальной задачи.
Задачи:
• Сформулировать проблему.
• Собрать и обработать данные.
• Провести анализ и выдать рекомендации.
• Защитить проект.
Инструменты: Комбинация инструментов (SQL, Excel, Python, визуализация)
Форма выполнения лабораторных работ
Элемент Форма
Теоретическая часть Краткое описание метода, алгоритма или подхода
Практическая реализация Выполнение задания с использованием программного обеспечения
Результаты Таблицы, графики, отчеты, модели
Отчет Документ с описанием выполненной работы
Перечень контрольных вопросов для проведения устных опросов
1: Основы работы с данными и их роль в агробизнесе
1. Какую роль играют данные в современном аграрном производстве?
2. Почему важно не только собирать данные, но и правильно их обрабатывать?
3. Чем отличается информация от данных? Приведите примеры из агрономии.
4. Что такое качество данных и почему оно так важно при принятии решений?
5. Какие проблемы могут возникнуть при использовании некачественных данных?
2: Базы данных и системы управления
6. Почему реляционная модель баз данных остаётся популярной в сельском хозяйстве?
7. В каких случаях использование нереляционных (NoSQL) баз данных может быть предпочтительнее?
8. Какие ограничения могут возникнуть при масштабировании баз данных в крупных агропредприятиях?
9. Что такое индексация в базах данных и как она влияет на производительность запросов?
10. Как можно использовать транзакции в системах учета агротехнических операций?
3: Язык SQL и работа с запросами
11. В чём разница между INNER JOIN и LEFT JOIN? Приведите пример использования в контексте анализа урожайности.
12. Можно ли выполнить сложный анализ данных без использования SQL? Обоснуйте свой ответ.
13. Как использовать подзапросы в SQL для получения информации о лучших показателях урожайности?
14. Зачем нужны представления (views) в базах данных? Приведите пример их применения.
15. Как можно повысить эффективность SQL-запросов при работе с большими объемами данных?
4: Анализ и обработка данных
16. Какие методы анализа данных наиболее часто используются в агрономии? Объясните их значение.
17. Почему перед проведением анализа необходим этап предварительной обработки данных?
18. Какие виды графиков наиболее информативны при анализе состояния почв и урожайности?
19. Что такое выбросы в данных и как они влияют на результаты анализа?
20. Как интерпретировать коэффициент корреляции между погодными условиями и урожайностью?
5: Цифровые технологии и ИИ в аграрной сфере
21. Какие преимущества даёт внедрение IoT-устройств в управлении поливом и удобрением?
22. В чём заключаются возможности и ограничения использования дронов в мониторинге состояния посевов?
23. Как искусственный интеллект может помочь в диагностике болезней растений?
24. Что такое точное земледелие и какие технологии его поддерживают?
25. Как блокчейн может быть применён в цепочках поставок сельскохозяйственной продукции?
6: Визуализация и представление данных
27. В чём различие между статической и интерактивной визуализацией? Когда что использовать?
28. Какие ошибки чаще всего допускаются при создании графиков и диаграмм?
29. Что такое дашборд? Как он помогает в повседневной работе агронома?
30. Какие инструменты визуализации вы бы порекомендовали для фермерского хозяйства среднего размера?
7: Практическое применение знаний
31. Как можно использовать данные о погоде для планирования сроков посева?
32. Как организовать хранение данных о состоянии почвы на разных участках поля?
33. Какие параметры необходимо учитывать при автоматизации системы полива?
34. Какие данные нужно собирать для прогнозирования урожайности конкретной культуры?
35. Какие шаги необходимо предпринять для создания цифровой модели агротехнологического процесса?
Форма проведения устного опроса
• Случайный выбор 2–3 вопросов из разных разделов.
• Время подготовки: 10–15 минут.
• Ответ студента: 5–7 минут.
• Дополнительные вопросы преподавателя возможны для уточнения.
Перечень вопросов для самостоятельного изучения
Раздел 1: Основы работы с данными
1. Что такое данные, информация и знания? Как они связаны между собой?
2. В чём отличие между качественными и количественными данными? Приведите примеры из агрономии.
3. Как классифицируются данные по типу и структуре? Почему это важно при анализе?
4. Что такое жизненный цикл данных? Как он применяется в аграрной отрасли?
5. Какие источники данных используются в современных агропроизводственных системах?
Раздел 2: Базы данных и системы управления
6. Чем отличаются реляционные и нереляционные базы данных? Когда какая модель предпочтительнее?
7. Что такое ACID-свойства транзакций и почему они важны?
8. Как устроены индексы в базах данных и как они влияют на производительность?
9. Что такое нормализация и денормализация данных? В каких случаях каждая из них используется?
10. Как обеспечивается безопасность данных в системах учета агротехнических операций?
Раздел 3: Язык SQL и работа с запросами
11. Как использовать подзапросы в SQL? Приведите примеры их применения в агрономии.
12. В чём разница между UNION и JOIN? Когда что использовать?
13. Как группировать данные и использовать агрегатные функции в SQL?
14. Что такое CASE-выражения в SQL и как их использовать для анализа?
15. Как оптимизировать SQL-запросы для повышения скорости выполнения?
Раздел 4: Анализ и обработка данных
16. Какие этапы предварительной обработки данных наиболее важны перед анализом?
17. Что такое выбросы и как они влияют на результаты анализа?
18. Какие методы очистки данных наиболее эффективны при работе с агроданными?
19. Что такое сводные таблицы и как их использовать в Excel/Google Sheets?
20. Как интерпретировать коэффициент детерминации (R²) при регрессионном анализе?
Раздел 5: Визуализация данных
21. Как правильно выбрать тип графика или диаграммы для представления данных?
22. Как избежать визуальных искажений при построении графиков?
23. Что такое дашборд и какие элементы в него обычно включаются?
24. Как создать интерактивный дашборд в Power BI или Google Data Studio?
25. Какие ошибки чаще всего допускаются при визуализации данных и как их избежать?
Раздел 6: Цифровые технологии в агробизнесе
26. Какие преимущества даёт использование IoT-устройств в сельском хозяйстве?
27. Что такое точное земледелие и какие технологии его поддерживают?
28. Как искусственный интеллект может быть использован в прогнозировании урожайности?
29. Какие возможности предоставляет использование дронов в мониторинге состояния посевов?
30. Что такое цифровой двойник в аграрной отрасли и как он используется?
Раздел 7: Профессиональная применимость и развитие
31. Как внедряются цифровые технологии в малых и средних агропредприятиях?
32. Какие проблемы возникают при цифровизации аграрного сектора и как их решать?
33. Какие компетенции должен иметь агроном в условиях цифровой трансформации?
34. Какие тренды в области хранения и обработки данных будут влиять на развитие агрономии в ближайшие годы?
35. Как можно самостоятельно развивать навыки работы с данными после завершения курса?
Форма выполнения самостоятельного изучения
• Подготовка краткого конспекта или реферата по каждой теме (на выбор преподавателя).
• Выполнение мини-исследования по одному из вопросов.
• Создание презентации или письменного ответа для последующего обсуждения на занятии.
Кейс-задания по дисциплине "Хранение и обработка данных"
Кейс 1: Оптимизация полива с использованием данных о влажности почвы
Вы работаете агрономом в крупном хозяйстве, где выращивают картофель. Имеются данные с датчиков влажности почвы, установленных на разных участках поля за последние 30 дней. Однако система полива работает по жесткому графику, не учитывая различия между участками.
Задача
На основе имеющихся данных предложите рекомендации по оптимизации системы полива с целью снижения расхода воды и повышения урожайности.
Шаги решения:
1. Подготовка и очистка данных.
2. Анализ уровня влажности по участкам.
3. Классификация участков (недостаток/избыток влаги).
4. Разработка рекомендаций по индивидуальному подходу к поливу.
5. Построение визуализации данных и подготовка отчета.
Кейс 2: Прогнозирование урожайности подсолнечника на основе погодных данных
Ситуация
В вашем хозяйстве планируется увеличение площадей под посев подсолнечника. У вас есть исторические данные о температуре, осадках, влажности и урожайности за последние 5 лет.
Задача
Разработать модель прогнозирования урожайности подсолнечника на следующий год на основе прогноза погодных условий.
Шаги решения:
1. Объединение данных о погоде и урожайности.
2. Вычисление корреляции между факторами.
3. Построение регрессионной модели.
4. Прогнозирование урожайности на следующий сезон.
5. Интерпретация результатов и подготовка рекомендаций.
Кейс 3: Создание базы данных для учета применения удобрений
Ситуация
Фермерское хозяйство сталкивается с проблемой эффективного учета внесения удобрений. Отсутствует централизованная система, что приводит к ошибкам при дозировке и повторным внесениям.
Задача
Разработать структуру и реализовать базу данных для учета применения удобрений на различных участках.
Шаги решения:
1. Проектирование таблиц (участки, культуры, типы удобрений, дата внесения и т.д.).
2. Заполнение тестовых данных.
3. Написание SQL-запросов для получения информации.
4. Реализация системы отчетов.
5. Подготовка документации по системе.
Кейс 4: Визуализация состояния посевов с помощью дронов
Ситуация
На большом поле наблюдается неравномерное развитие растений. Для диагностики используются дроны, которые собирают изображения и данные о состоянии посевов.
Задача
Обработать полученные данные и создать визуальные материалы для выявления проблемных участков.
Шаги решения:
1. Получение и подготовка данных с дронов.
2. Обработка изображений (например, NDVI-анализ).
3. Создание карты состояния посевов.
4. Визуализация данных в виде дашборда или графика.
5. Подготовка рекомендаций по корректировке агротехнологий.
Кейс 5: Диагностика болезней растений с помощью машинного обучения
Ситуация
У фермера появились подозрения на наличие болезни у пшеницы. Существует база изображений листьев растений с разными заболеваниями.
Задача
Создать модель машинного обучения для автоматической диагностики заболеваний на основе изображений.
Шаги решения:
1. Подготовка набора данных (разметка изображений).
2. Обучение простой модели распознавания (например, на Python с TensorFlow/Keras).
3. Тестирование точности модели.
4. Интерпретация результатов.
5. Подготовка отчета с выводами и возможностями внедрения.
Кейс 6: Оценка влияния климатических изменений на урожайность культур
Ситуация
Аграрное предприятие хочет понять, как изменяющиеся климатические условия влияют на урожайность основных культур (пшеница, ячмень, кукуруза).
Задача
Проанализировать данные о климате и урожайности за последние 10 лет и оценить степень влияния климатических
Шаги решения:
1. Сбор и подготовка данных (температура, осадки, урожайность).
2. Корреляционный и регрессионный анализ.
3. Построение графиков зависимости урожайности от климатических параметров.
4. Формулировка выводов о долгосрочных тенденциях.
5. Разработка рекомендаций по адаптации севооборотов.
Форма выполнения кейс-заданий
Этап Форма
Анализ ситуации Письменное описание проблемы
Решение задачи Выполнение практической части (SQL, Excel, Python, визуализация)
Представление результатов Отчет, презентация или защита проекта
Защита решения Устное выступление с обоснованием выбора метода и выводов
Темы:
1. Роль информационных технологий в современном аграрном производстве.
2. Как цифровизация влияет на эффективность сельскохозяйственных процессов?
3. Важность качества данных при принятии управленческих решений в агробизнесе.
4. Почему важно обучать будущих агрономов работе с данными?
5. Как большие данные меняют подход к управлению растениеводством?
________________________________________
2. Рефераты (объем: 8–10 страниц)
Темы:
1. Цифровые технологии в управлении данными о состоянии почв.
• Сбор, хранение и анализ информации для повышения плодородия.
2. Системы управления базами данных в аграрной отрасли.
• Обзор популярных СУБД и их применение в учете урожайности и посевов.
3. Применение электронных таблиц для анализа агроданных.
• Excel и Google Sheets как инструменты прогнозирования урожайности.
4. Визуализация данных в агрономии: инструменты и практика.
• Power BI, Tableau, matplotlib – возможности и примеры использования.
5. Методы предварительной обработки данных в сельском хозяйстве.
• Очистка, нормализация, фильтрация — ключевые этапы анализа.
6. Язык SQL в аграрной отрасли: практическое применение.
• Примеры запросов для работы с учетом удобрений, поливов и урожаев.
7. Прогнозирование урожайности с помощью регрессионного анализа.
• Модели и методы прогноза на основе климатических и агрохимических данных.
8. Использование машинного обучения в диагностировании болезней растений.
• Возможности компьютерного зрения и нейросетей в защите растений.
9. Интернет вещей (IoT) в сельском хозяйстве.
• Датчики, автоматизация, мониторинг состояния посевов и животноводства.
10. Цифровой двойник в агрономии: перспективы внедрения.
• Создание виртуальных моделей участков и культур для оптимизации процессов.
________________________________________
3. Аналитические обзоры (объем: 10–12 страниц)
Темы:
1. Анализ применения систем точного земледелия в России и за рубежом.
• Технологии, оборудование, экономическая выгода.
2. Оценка эффективности внедрения цифровых платформ в управление агропроизводством.
• Сравнение традиционных и цифровых подходов.
3. Развитие Big Data в аграрной отрасли: тренды, проблемы, перспективы.
• Источники данных, аналитика, облачные решения.
4. Применение дронов и спутниковых технологий в мониторинге состояния посевов.
• NDVI-анализ, картография, автоматизация контроля.
5. Влияние климатических изменений на урожайность сельскохозяйственных культур.
• Анализ данных за последние 10 лет и прогнозы на будущее.
6. Обеспечение безопасности данных в аграрных информационных системах.
• Угрозы, защита информации, законодательные аспекты.
7. Компетенции агронома в условиях цифровой трансформации отрасли.
• Необходимые знания, умения и навыки работы с данными.
8. Применение искусственного интеллекта в сельском хозяйстве.
• Диагностика, прогнозирование, автоматизация.
9. Экономическая эффективность внедрения цифровых решений в малом и среднем агробизнесе.
• Расчет ROI, выбор инструментов, масштабируемость.
10. Сравнительный анализ программных инструментов для анализа агроданных.
• Excel, Python, R, Power BI – преимущества и ограничения.
4. Проектные/исследовательские работы (объем: 12–15 страниц + презентация)
Темы:
1. Разработка системы учета агротехнических мероприятий на основе базы данных.
• Проектирование структуры, реализация, тестирование.
2. Создание модели прогнозирования урожайности на основе исторических данных.
• Выбор факторов, построение регрессии или дерева решений.
3. Визуализация данных о состоянии посевов с использованием дронов.
• Обработка изображений, создание интерактивного дашборда.
4. Оптимизация системы полива на основе анализа данных о влажности почвы.
• Классификация участков, рекомендации по индивидуальному подходу.
5. Автоматизация сбора и обработки данных о погоде и состоянии культур.
• Интеграция API, написание скриптов, визуализация результатов.
Форма выполнения:
• Письменная работа (реферат / эссе / аналитический обзор)
• Отчет с графиками, таблицами, диаграммами
• Презентация (для проектных работ)
Оценка «хорошо» (71-85 баллов) ставится обучающемуся, обнаружившему полное знание учебно-программного материала, успешное выполнение заданий, предусмотренных программой в типовой ситуации (с ограничением времени), усвоение материалов основной литературы, рекомендованной в программе, способность к самостоятельному пополнению и обновлению знаний в ходе дальнейшей работы над литературой и в профессиональной деятельности. При ответе на вопросы экзаменационного билета студентом допущены несущественные ошибки. Задача решена правильно или ее решение содержало несущественную ошибку, исправленную при наводящем вопросе экзаменатора.
Оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся, обнаружившему знание основного учебно-программного материала в объеме, достаточном для дальнейшей учебы и предстоящей работы по специальности, знакомство с основной литературой, рекомендованной программой, умение выполнять задания, предусмотренные программой. При ответе на экзаменационные вопросы и при выполнении экзаменационных заданий обучающийся допускает погрешности, но обладает необходимыми знаниями для устранения ошибок под руководством преподавателя. Решение задачи содержит ошибку, исправленную при наводящем вопросе экзаменатора.
Оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся, обнаружившему пробелы в знаниях основного учебно-программного материала, допустившему принципиальные ошибки в выполнении предусмотренных программой заданий, слабые побуждения к самостоятельной работе над рекомендованной основной литературой. Оценка «неудовлетворительно» ставится обучающимся, которые не могут продолжить обучение или приступить к профессиональной деятельности по окончании академии без дополнительных занятий по соответствующей дисциплине.
зачет /оценка «хорошо» (71-85 баллов) ставится обучающемуся, обнаружившему полное знание учебно-программного материала, успешное выполнение заданий, предусмотренных программой в типовой ситуации (с ограничением времени), усвоение материалов основной литературы, рекомендованной в программе, способность к самостоятельному пополнению и обновлению знаний в ходе дальнейшей работы над литературой и в профессиональной деятельности.
зачет /оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся, обнаружившему знание основного учебно-программного материала в объеме, достаточном для дальнейшей учебы и предстоящей работы по специальности, знакомство с основной литературой, рекомендованной программой, умение выполнять задания, предусмотренные программой.
незачет /оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся, обнаружившему пробелы в знаниях основного учебно-программного материала, допустившему принципиальные ошибки в выполнении предусмотренных программой заданий, слабые побуждения к самостоятельной работе над рекомендованной основной литературой. Оценка «неудовлетворительно» ставится обучающимся, которые не могут продолжить обучение или приступить к
оценка «хорошо» (71-85 баллов) - основанием для снижения оценки может служить нечеткое представление сущности и результатов исследований на защите, или затруднения при ответах на вопросы, или недостаточный уровень качества оформления текстовой части и иллюстративных материалов, или отсутствие последних;
оценка «удовлетворительно» (56-70 баллов) - дополнительное снижение оценки может быть вызвано выполнением работы не в полном объеме, или неспособностью студента правильно интерпретировать полученные результаты, или неверными ответами на вопросы по существу проделанной работы;
оценка «неудовлетворительно» (менее 56 баллов) - выставление этой оценки осуществляется при несамостоятельном выполнении работы, или при неспособности студента пояснить ее основные положения, или в случае фальсификации результатов, или установленного плагиата.
зачет /оценка «отлично» (86-100 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, грамотно, характеризуется логичным, последовательным изложением материала с соответствующими выводами и /или обоснованными расчетами, предложениями; не содержит ошибок;
- проведено научное исследование в соответствие с полученным заданием;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- обучающийся при выполнении и защите отчета демонстрирует продвинутый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
зачет /оценка «хорошо» (71-85 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, грамотно, характеризуется логичным, последовательным изложением материала, допущены небольшие неточности при формировании выводов/расчетов, предложений; содержит незначительные ошибки/опечатки в текстовой части отчета;
- проведено научное исследование в соответствие с полученным заданием;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- обучающийся при выполнении и защите отчета демонстрирует базовый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
зачет /оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, материал изложен последовательно, допущены неточности при формировании выводов/расчетов, предложений; содержит ошибки/опечатки в текстовой части отчета;
- присутствуют элементы научного исследования, творческий подход к решению поставленных задач проявляется незначительно;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- обучающийся при выполнении и защите отчета демонстрирует пороговый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
незачет /оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся:
- отчет выполнен не в соответствии с заданием, материалы не подтверждены соответствующими выводами и/или обоснованными расчетами, предложениями; текстовая часть отчета содержит многочисленные ошибки;
- творческий подход к решению поставленных задач не проявляется; отсутствуют элементы научного исследования;
- отчет выполнен с использованием современных пакетов компьютерных программ, информационных технологий и информационных ресурсов;
- обучающийся при выполнении и защите отчета показывает не сформированность компетенций, предусмотренных программой практики;
- отчет имеет отрицательную характеристику руководителей практики от предприятия и кафедры на обучающегося.
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– правильность ответа по содержанию задания (учитывается количество и характер ошибок при ответе);
– сознательность ответа (учитывается понимание излагаемого материала);
– логика изложения материала (учитывается умение строить целостный, последовательный рассказ, грамотно пользоваться специальной терминологией);
– использование дополнительного материала;
– рациональность использования времени, отведенного на задание (не одобряется затянутость выполнения задания, устного ответа во времени, с учетом индивидуальных особенностей обучающихся).
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- теоретический уровень знаний;
- качество ответов на вопросы;
- подкрепление материалов фактическими данными (статистические данные или др.);
- практическая ценность материала;
- способность делать выводы;
- способность отстаивать собственную точку зрения;
- способность ориентироваться в представленном материале;
- степень участия в общей дискуссии.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
(дискуссии, полемики, диспута, дебатов)
«отлично»
используется терминология; показано умение иллюстрировать теоретические положения конкретными примерами, применять их в новой ситуации; высказывать свою точку зрения.
«хорошо»
«неудовлетворительно»
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота раскрытия темы;
– правильность формулировки и использования понятий и категорий;
– правильность выполнения заданий/ решения задач;
– аккуратность оформления работы и др.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
(обязательно для дисциплин, где по УП предусмотрена контрольная работа)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Примерные критерии оценивания:
– правильность выполнения задания на практическую/лабораторную работу в соответствии с вариантом;
– степень усвоения теоретического материала по теме практической /лабораторной работы;
– способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач, отличных от варианта задания;
– качество подготовки отчета по практической / лабораторной работе;
– правильность и полнота ответов на вопросы преподавателя при защите работы
и др.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания практических занятий (лабораторных работ):
для учета в рейтинге (оценка)
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
В качестве критериев могут быть выбраны, например:
– соответствие срока сдачи работы установленному преподавателем;
– соответствие содержания и оформления работы предъявленным требованиям;
– способность выполнять вычисления;
– умение использовать полученные ранее знания и навыки для решения конкретных задач;
– умение отвечать на вопросы, делать выводы, пользоваться профессиональной и общей лексикой;
– обоснованность решения и соответствие методике (алгоритму) расчетов;
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
расчетно-графической работы, работы на тренажере
для учета в рейтинге (оценка)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Материалы тестовых заданий следует сгруппировать по темам/разделам изучаемой дисциплины (модуля) в следующем виде:
Тема (темы) / Раздел дисциплины (модуля)
Тестовые задания по данной теме (темам)/Разделу с указанием правильных ответов.
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- отношение правильно выполненных заданий к общему их количеству
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
для учета в рейтинге (оценка)
Задачи реконструктивного уровня
Задачи творческого уровня
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота знаний теоретического контролируемого материала;
– полнота знаний практического контролируемого материала, демонстрация умений и навыков решения типовых задач, выполнения типовых заданий/упражнений/казусов;
– умение самостоятельно решать проблему/задачу на основе изученных методов, приемов, технологий;
– умение ясно, четко, логично и грамотно излагать собственные размышления, делать умозаключения и выводы;
– полнота и правильность выполнения задания.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота раскрытия темы;
– степень владения понятийно-терминологическим аппаратом дисциплины;
– знание фактического материала, отсутствие фактических ошибок;
– умение логически выстроить материал ответа;
– умение аргументировать предложенные подходы и решения, сделанные выводы;
– степень самостоятельности, грамотности, оригинальности в представлении материала (стилистические обороты, манера изложения, словарный запас, отсутствие или наличие грамматических ошибок);
– выполнение требований к оформлению работы.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся).
Примерная шкала оценивания письменных работ:
(рефератов, докладов, сообщений)
Показано умелое использование категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ четко структурирован и выстроен в заданной логике. Части ответа логически взаимосвязаны. Отражена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа укладывается в заданные рамки при сохранении смысла.
Продемонстрировано умение аргументировано излагать собственную точку зрения. Видно уверенное владение освоенным материалом, изложение сопровождено адекватными иллюстрациями (примерами) из практики.
Высокая степень самостоятельности, оригинальность в представлении материала: стилистические обороты, манера изложения, словарный запас. Отсутствуют стилистические и орфографические ошибки в тексте.
Работа выполнена аккуратно, без помарок и исправлений.
Продемонстрировано владение понятийно-терминологическим аппаратом дисциплины (уместность употребления, аббревиатуры, толкование и т.д.), отсутствуют ошибки в употреблении терминов.
Показано умелое использование категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ в достаточной степени структурирован и выстроен в заданной логике без нарушений общего смысла. Части ответа логически взаимосвязаны. Отражена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа незначительно превышает заданные рамки при сохранении смысла.
Продемонстрировано умение аргументированно излагать собственную точку зрения, но аргументация не всегда убедительна. Изложение лишь отчасти сопровождено адекватными иллюстрациями (примерами) из практики.
Достаточная степень самостоятельности, оригинальность в представлении материала. Встречаются мелкие и не искажающие смысла ошибки в стилистике, стилистические штампы. Есть 1–2 орфографические ошибки.
Работа выполнена аккуратно, без помарок и исправлений.
Продемонстрировано достаточное владение понятийно-терминологическим аппаратом дисциплины, есть ошибки в употреблении и трактовке терминов, расшифровке аббревиатур.
Ошибки в использовании категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ плохо структурирован, нарушена заданная логика. Части ответа логически разорваны, нет связок между ними. Ошибки в представлении логической структуры проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа в существенной степени (на 25–30%) отклоняется от заданных рамок.
Нет собственной точки зрения либо она слабо аргументирована. Примеры, приведенные в ответе в качестве практических иллюстраций, в малой степени соответствуют изложенным теоретическим аспектам.
Текст работы примерно наполовину представляет собой стандартные обороты и фразы из учебника/лекций. Обилие ошибок в стилистике, много стилистических штампов. Есть 3–5 орфографических ошибок.
Работа выполнена не очень аккуратно, встречаются помарки и исправления.
Продемонстрировано крайне слабое владение понятийно-терминологическим аппаратом дисциплины (неуместность употребления, неверные аббревиатуры, искаженное толкование и т.д.), присутствуют многочисленные ошибки в употреблении терминов.
Продемонстрировано крайне низкое (отрывочное) знание фактического материала, много фактических ошибок – практически все факты (данные) либо искажены, либо неверны.
Ответ представляет собой сплошной текст без структурирования, нарушена заданная логика. Части ответа не взаимосвязаны логически. Нарушена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа более чем в 2 раза меньше или превышает заданный. Показаны неверные ассоциативные взаимосвязи категорий и терминов дисциплины.
Отсутствует аргументация изложенной точки зрения, нет собственной позиции. Отсутствуют примеры из практики либо они неадекватны.
Текст ответа представляет полную кальку текста учебника/лекций. Стилистические ошибки приводят к существенному искажению смысла. Большое число орфографических ошибок в тексте (более 10 на страницу).
Работа выполнена неаккуратно, с обилием помарок и исправлений. В работе один абзац и больше позаимствован из какого-либо источника без ссылки на него.
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- соответствие решения сформулированным в кейсе вопросам (адекватность проблеме и рынку);
- оригинальность подхода (новаторство, креативность);
- применимость решения на практике;
- глубина проработки проблемы (обоснованность решения, наличие альтернативных вариантов, прогнозирование возможных проблем, комплексность решения).
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
Концепция игры
Роли:
Задания (вопросы, проблемные ситуации и др.)
Ожидаемый (е) результат(ы)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
качество усвоения информации;
выступление;
содержание вопроса;
качество ответов на вопросы;
значимость дополнений, возражений, предложений;
уровень делового сотрудничества;
соблюдение правил деловой игры;
соблюдение регламента;
активность;
правильное применение профессиональной лексики.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
для учета в рейтинге (оценка)
Индивидуальные творческие задания (проекты):
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- актуальность темы;
- соответствие содержания работы выбранной тематике;
- соответствие содержания и оформления работы установленным требованиям;
- обоснованность результатов и выводов, оригинальность идеи;
- новизна полученных данных;
- личный вклад обучающихся;
- возможности практического использования полученных данных.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
п/п