BXU Logo

Buxoro Xalqaro
Universiteti

7-tom, 2-son, b. 206–211, Nashr: 2026-08-11

G‘ALLA YIG‘ISHTIRISH TEXNOLOGIYALARI VA KOMBAYNLAR ISHLASHINI ANIMATSION MATEMATIK MODELLASHTIRISH ASOSIDA O‘QITISH

ОБУЧЕНИЕ ТЕХНОЛОГИЯМ УБОРКИ ЗЕРНОВЫХ КУЛЬТУР И РАБОТЕ ЗЕРНОУБОРОЧНЫХ КОМБАЙНОВ НА ОСНОВЕ АНИМАЦИОННОГО МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

TEACHING GRAIN HARVESTING TECHNOLOGIES AND COMBINE HARVESTER OPERATION BASED ON ANIMATED MATHEMATICAL MODELING

  • Chuyanov Xurshid Uralovich — Qarshi davlat texnika universiteti, Oliy matematika kafedrasi katta o‘qituvchisi, , Orcid: 0009-0000-8126-3459

To'liq matn (PDF)

Annotatsiya

Maqolada g‘alla hosilini yig‘ishtirish texnologiyalari hamda g‘alla kombaynlari ishlashi va texnologik ish jarayonini o‘qitishda Python/MATLAB asosidagi animatsion simulyatsion moduldan foydalanish pedagogik samaradorligi empirik jihatdan o‘rganilgan. Modul don yig‘ishtirish texnologik zanjirining asosiy bosqichlari kesish, xirmonlash, ajratish, aerodinamik tozalash va donni tashishni agrotexnik parametrlar asosida raqamli modellashtiradi va talabalar Jupyter Notebook interfeysida parametrlarni o‘zgartirib, don yo‘qotishi va kombayn unumdorligi ko‘rsatkichlarini real vaqtda kuzatadi. 2024-yil fevral-may oylarida Qarshi davlat texnika universitetida 60810100 – “Qishloq xo‘jaligini mexanizatsiyalashtirish” ta’lim yo‘nalishi talabalarida o‘tkazilgan pretest-posttest kvazitajribaviy tadqiqotda (, tajriba guruhi nazorat guruhi ) tajriba guruhining kognitiv va operatsional kompetensiya ko‘rsatkichlari statistik jihatdan ishonchli yuqori ekanligi aniqlandi: kognitiv komponent bo‘yicha foiz punkti (Welch ; ; Cohen's ); operatsional kompetensiya bo‘yicha foiz punkti (baholash mezoni bo‘yicha effect hajmi). Bloom taksonomiyasining “qo‘llash” darajasida va “tahlil” darajasida yuqori effektlar qayd etildi.

Аннотация

В статье эмпирически исследована педагогическая эффективность использования анимационного симуляционного модуля, разработанного на основе Python/MATLAB, при обучении технологиям уборки зерновых культур, работе зерноуборочных комбайнов и их технологическому процессу. Разработанный модуль обеспечивает цифровое моделирование основных этапов технологической цепочки уборки зерна срезания, обмолота, сепарации, аэродинамической очистки и транспортирования зерна с учетом агротехнических параметров. В среде Jupyter Notebook обучающиеся могут изменять параметры модели и в режиме реального времени анализировать показатели потерь зерна и производительности зерноуборочного комбайна W (га/ч). Эффективность предложенного подхода оценивалась в ходе квазиэкспериментального исследования по схеме pretest–posttest, проведенного в период с февраля по май 2024 года среди студентов образовательной программы 60810100 – «Механизация сельского хозяйства» Каршинский государственный технический университет (, экспериментальная группа , контрольная группа ). Полученные результаты свидетельствуют о статистически значимом превосходстве экспериментальной группы по показателям когнитивной и операциональной компетентности: прирост когнитивного компонента составил 14,5 процентного пункта (Welch t′(172,1) = 7,84; ; Cohen's ), а операциональной компетентности - +27,1 процентного пункта (размер эффекта по критерию оценивания ). Наиболее выраженные эффекты были зафиксированы на уровнях таксономии Блума «применение» () и «анализ» ().

Abstract

This article presents an empirical investigation of the pedagogical effectiveness of applying a Python/MATLAB-based animated simulation module in teaching grain harvesting technologies, as well as the operating principles of combine harvesters and the characteristics of their technological workflow. The developed module enables digital simulation of the key stages of the grain harvesting technological chain, including cutting, threshing, separation, aerodynamic cleaning, and grain transportation, based on agrotechnical parameters. Using the Jupyter Notebook interface, students can adjust model parameters and observe real-time changes in grain loss and combine harvester productivity indicators. During February–May 2024, a quasi-experimental pretest–posttest design was implemented at Karshi State Technical University involving students enrolled in the 60810100 – “Agricultural Mechanization” degree program. The study sample comprised students, including an experimental group () and a control group (). The findings revealed statistically significant improvements in the cognitive and operational competence scores of students in the experimental group compared with those in the control group. The mean gain in the cognitive component was percentage points (Welch’s Cohen's ), whereas the operational competence demonstrated a percentage-point improvement with a large effect size (). According to Bloom’s revised taxonomy, large effect sizes were identified at the “apply” () and “analyze” () cognitive process levels.

Kalit so'zlar: g‘alla hosilini yig‘ishtirish, g‘alla kombaynlari, texnologik ish jarayoni, matematik modellashtirish, animatsion simulyatsiya, sun’iy intellekt, agrotexnika ta‘limi, Bloom taksonomiyasi, kasbiy kompetensiya

Foydalanilgan adabiyotlar

  1. G‘alla sektori rivojlanishi to‘g‘risida yillik hisobot 2023 / O‘zbekiston Respublikasi Qishloq xo‘jaligi vazirligi. – Toshkent : QXV, 2024. – 96 b.
  2. Mirzayev J. S. Agrotexnika muhandislarida g‘alla yig‘ishtirish texnologiyasini bilish darajasi / J. S. Mirzayev, R. I. Tursunov // Agrar va biologik fanlar jurnali. – 2022. – № 2. – B. 33–41.
  3. Van den Berg P. Integration Models in Agricultural Engineering Mathematics / P. Van den Berg. – Wageningen : Wageningen Academic Publishers, 2022. – 89 p.
  4. Mayer R. E. Multimedia Learning / R. E. Mayer. – Cambridge : Cambridge University Press, 2001. – 210 p.
  5. Ericsson K. A. The Role of Deliberate Practice in the Acquisition of Expert Performance / K. A. Ericsson, R. T. Krampe, C. Tesch-Römer // Psychological Review. – 1993. – Vol. 100, № 3. – P. 363–406.
  6. Blum W. How Do Students and Teachers Deal with Mathematical Modelling Problems? / W. Blum, D. Leib // Mathematical Modelling (ICTMA-12). – Chichester : Horwood Publishing, 2007. – P. 222–231.
  7. Евсеев А. С. Комбайностроение: теория и расчёт / А. С. Евсеев, И. Б. Кордуба. – Москва : Машиностроение, 2020. – 312 с.
  8. Campbell D. T. Experimental and Quasi-Experimental Designs for Research / D. T. Campbell, J. C. Stanley. – Chicago : Rand McNally, 1963. – 84 p.
  9. Braun V. Using Thematic Analysis in Psychology / V. Braun, V. Clarke // Qualitative Research in Psychology. – 2006. – Vol. 3, № 2. – P. 77–101.
  10. Hake R. R. Interactive-Engagement versus Traditional Methods: A Six-Thousand-Student Survey / R. R. Hake // American Journal of Physics. – 1998. – Vol. 66, № 1. – P. 64–74.
  11. Flavell J. H. Metacognition and Cognitive Monitoring / J. H. Flavell // American Psychologist. – 1979. – Vol. 34, № 10. – P. 906–911.
  12. Koedinger K. R. Intelligent Tutoring Goes to School in the Big City / K. R. Koedinger, J. R. Anderson // International Journal of Artificial Intelligence in Education. – 1997. – Vol. 8, № 1. – P. 30–43.
  13. Chuyanov X. U. Python dasturlash muhitida agrotexnik masalalarni modellashtirish / X. U. Chuyanov // Ta'lim texnologiyalari. – 2024. – № 4. – B. 22–29.
  14. O‘zDSt 1413:2020. Qishloq xo‘jaligi mashinalari texnologik sozlamalari normalari. – Toshkent : O‘zstandart, 2020. – 58 b.
  15. Cohen J. Statistical Power Analysis for the Behavioral Sciences / J. Cohen. – 2nd ed. – Hillsdale : Lawrence Erlbaum Associates, 1988. – 567 p.
  16. Landis J. R. The Measurement of Observer Agreement for Categorical Data / J. R. Landis, G. G. Koch // Biometrics. – 1977. – Vol. 33. – P. 159–174.