# Aналитический отчёт Paideia v2.3-RC2

**AnalysisRun:** `ar-eb907bbb88`  
**Lineage:** `lin-5fcda37870` — Сафин Д.А. + Панова Е.В. · ИИ-ассистент в химическом обучении  
**Mode:** SEMINAR_PREP  
**Rendered at:** 2026-08-22T21:26:09+00:00  
**Versions in scope:** 3 · **Discussion units:** 0 · **Recommendation fates:** 0 · **Mutation side effects:** 0 · **Lab status:** `NO_BUILD`

---

## 2. Шапка

| Поле | Значение |
| :--- | :--- |
| **Проект** | Влияние интеграции ИИ-ассистента с поэтапной поддержкой на формирование навыков научного поиска и критического анализа литературы у студентов химических направлений |
| **Авторы** | Сафин Д.А., Панова Е.В. |
| **Институция** | [требует проверки — в материалах упоминается ТюмГУ в контексте подписки на базы данных, но не как институция авторов] |
| **Дисциплина** | «Научно-проектный семинар», 3 курс, направление «Химия» |
| **Дата анализа** | [требует проверки — не найдено в предъявленных материалах] |
| **Тип проекта** | Квазиэксперимент |

## 3. Аннотация

Проект направлен на решение проблемы низкой культуры научного поиска и анализа у студентов-химиков третьего курса. Наблюдаемые дефициты включают неумение работать с профильными базами данных (Scopus, Reaxys, SciFinder), некритическое восприятие источников, компиляцию вместо синтеза и бессистемное использование общедоступных ИИ, ведущее к плагиату. В качестве решения предлагается интеграция в учебный модуль специализированного ИИ-ассистента. Его функция — действовать как «строительные леса» (scaffolding): оказывать поэтапную поддержку в формулировании поисковых запросов, оценке статей и структурировании обзоров, постепенно передавая ответственность студенту. Дизайн исследования предполагает 16-недельный квазиэксперимент с контрольной и экспериментальной группами, замерами до и после, а также оценкой по множественным метрикам, включая качество поисковых запросов, глубину критического анализа, оригинальность работ и когнитивную нагрузку (NASA-TLX).

Сильное ядро проекта состоит из нескольких элементов. Во-первых, выбор учебного модуля без работы с веществами — это продуманное решение, которое снимает специфический для химии риск генерации ИИ опасных или некорректных лабораторных инструкций. Во-вторых, проект опирается на прочную теоретическую рамку, связывая концепции зоны ближайшего развития (Выготский), строительных лесов (Вуд, Брунер, Росс), когнитивной нагрузки (Свеллер) и метапознания. Это не декоративный список, а основа для дизайна интервенции и выбора метрик. В-третьих, заявленный квазиэкспериментальный дизайн с множественными метриками и достаточной продолжительностью (16 недель) защищает от поверхностных выводов и позволяет отследить динамику формирования навыков, а не только итоговый результат.

Несущий разрыв проекта находится в его центральном механизме — «поэтапной поддержке». Концепция scaffolding заявлена, но не операционализирована. В материалах не описан протокол «убирания лесов» (fading protocol): как система или преподаватель определяет, что студент готов к следующему уровню самостоятельности? По каким критериям и в какой момент отключается та или иная ИИ-подсказка? Без этого механизма ассистент рискует превратиться из временной поддержки в постоянный «костыль», который замещает, а не формирует навык. Это как автоматическая коробка передач, которая переключает скорости по таймеру, а не по оборотам двигателя — интервенция есть, но она слепа к состоянию системы, которую должна развивать. Второй, специфичный для химии разрыв — игнорирование проблемы галлюцинаций ИИ в предметной области: генеративные модели могут с высокой степенью уверенности выдавать некорректные химические формулы или уравнения реакций, что для студента-химика опаснее, чем текстовые неточности.

Первый пилотный эксперимент должен быть направлен на проверку ключевой гипотезы о переносе навыка. Необходимо сравнить результаты экспериментальной группы (с ИИ-ассистентом) и контрольной (традиционное обучение) на финальном задании, которое обе группы выполняют в одинаковых условиях — **без доступа к ИИ-ассистенту**. Только такой «независимый зонд» (independent probe) может доказать, что прирост качества работы является результатом сформированной у студента способности (capability), а не артефактом присутствия инструмента (product). Измерение результатов только в процессе использования ИИ не позволяет различить, кто стал умнее — студент или система «студент+ИИ».

Проект концептуально проработан и готов к обсуждению на семинаре, но для запуска пилота требуется принять ряд решений. Главные препятствия: не выбран конкретный ИИ-инструмент; не разработан операциональный механизм передачи ответственности от ИИ к студенту; не решён вопрос обеспечения доступа к платным научным базам данных для 40 участников; отсутствует рубрикатор для оценки ключевого навыка — «критической оценки статей».

## 4. Состав и статус источников

Анализ основан на двух документах, предъявленных авторами проекта:
1.  Текстовый документ: `Влияние интеграции ИИ-ассистента с поэтапной поддержкой на формирование навыков научного поиска и критического анализа литератур….docx`
2.  Презентация: `ИИ в образовании_ СафинДА,ПановаЕВ.pdf`

Эти материалы содержат описание проблемы, теоретической рамки, дизайна эксперимента, целевых результатов и метрик. Они рассматриваются как основное и достоверное изложение авторского замысла на текущий момент.

Вместе с тем, для полноценной диагностики и перехода к пилотированию отсутствует ряд ключевых артефактов. Их отсутствие не позволяет оценить реализуемость и валидность проекта.

1.  **Отсутствует: Рубрикатор для оценки навыков.**
    *   **Что это:** Детальная шкала с критериями и уровнями для оценки качества поисковых запросов, критического анализа статей и итоговых обзоров.
    *   **Почему это важно:** Заявленные метрики («уровень критической оценки», «качество обзора») остаются абстрактными без инструмента их измерения. Рубрикатор переводит педагогическую цель в наблюдаемые и измеримые показатели. Без него невозможно обеспечить надёжность экспертной оценки (inter-rater reliability) и объективно зафиксировать прирост навыков.

2.  **Отсутствует: Детальный протокол эксперимента.**
    *   **Что это:** Пошаговый план проведения исследования, включающий: критерии и процедуру распределения студентов по контрольной и экспериментальной группам; расписание активностей на 16 недель для обеих групп; точные формулировки заданий для pre-test и post-test; инструкции, которые получают студенты и преподаватели.
    *   **Почему это важно:** Описание «квазиэксперимент, КГ/ЭГ, pre-test/post-test» — это только название дизайна. Протокол раскрывает его реализацию. Без него невозможно оценить, насколько корректно будет поставлен эксперимент и не появятся ли вмешивающиеся переменные, которые исказят результаты (например, разный уровень мотивации групп или разное время, уделяемое преподавателем).

3.  **Отсутствует: Функциональное описание или прототип ИИ-ассистента.**
    *   **Что это:** Описание того, как именно студент взаимодействует с ИИ-ассистентом: интерфейс, типы запросов, формат ответов ИИ, примеры диалогов на разных этапах «scaffolding». В идеале — интерактивный макет или прототип.
    *   **Почему это важно:** ИИ-ассистент — это «чёрный ящик» в центре проекта. Заявлено, что он «задаёт вопросы», «даёт обратную связь», «не генерирует текст». Но как это выглядит на практике? Ответ ИИ — это чек-лист? Или наводящий вопрос? Или подсвечивание слабых мест в тексте студента? Без конкретизации интервенции невозможно понять, что именно тестируется в эксперименте. Это ядро технологической гипотезы проекта, и оно пока не раскрыто.

---

## 5. Буквальная реконструкция

### 5.1 Что заявлено

Авторы проекта, Д.А. Сафин и Е.В. Панова, ставят целью интегрировать ИИ-ассистента с поэтапной поддержкой в учебный процесс для студентов-химиков 3 курса. Проект реализуется в рамках дисциплины «Научно-проектный семинар», в модуле «Поиск, критический анализ и синтез научной литературы». Аудитория — две группы общей численностью около 40 человек, работающих индивидуально в течение одного семестра (16 недель).

Планируемые образовательные результаты, согласно описанию, охватывают полный цикл работы с научной информацией:
-   Формулирование исследовательской проблемы и её перевод в исследовательский вопрос.
-   Владение стратегиями поиска в профильных для химии базах данных: Scopus, Web of Science, Reaxys, SciFinder, PubMed.
-   Критическая оценка научных статей по критериям методологии, ограничений, противоречий и качества доказательств.
-   Синтез найденной информации в связный литературный обзор.
-   Корректное оформление ссылок и соблюдение академической честности.

Проект отталкивается от ряда наблюдаемых проблем у студентов:
-   **Низкое качество поиска:** использование примитивных запросов, неумение применять булеву логику, незнание специализированных баз данных.
-   **Некритическое восприятие:** доверие к источникам без должной оценки их качества.
-   **Поверхностная работа с текстом:** компиляция фрагментов вместо аналитического синтеза.
-   **Бессистемное использование генеративных моделей:** неконтролируемое обращение к общедоступным чат-ботам, что приводит к плагиату, фактическим ошибкам и снижению самостоятельности.
-   **Когнитивная перегрузка:** студенты тратят значительные умственные усилия на рутинные операции (поиск, форматирование), что истощает ресурсы, необходимые для глубокого анализа.

Авторы фиксируют ключевые противоречия, которые должен разрешить проект:
-   Развитие собственных навыков студента против делегирования интеллектуальной работы машине.
-   Соблюдение академической честности против лёгкой доступности генеративных моделей.
-   Польза от автоматизации рутины против риска снижения общей когнитивной активности.

Центральное проблемное поле сформулировано как вопрос: «Как встроить ИИ в качестве „строительных лесов“ (scaffolding), усиливая компетенции, а не замещая их?»

### 5.2 Что показано в артефактах

Представленные материалы (документ с описанием и презентация) описывают дизайн и теоретическое обоснование проекта.

**Дизайн исследования:**
Запланирован квазиэксперимент с двумя группами — контрольной (КГ) и экспериментальной (ЭГ). Исследование включает предварительное (pre-test) и итоговое (post-test) тестирование на протяжении 16 недель.

**Теоретическая рамка:**
Авторы опираются на четыре концептуальные основы:
1.  **Зона ближайшего развития (Выготский) и концепция „строительных лесов“ (scaffolding, Wood, Bruner & Ross, 1976):** ИИ-ассистент рассматривается как более „знающий другой“, который оказывает поддержку в задачах, пока недоступных студенту для самостоятельного выполнения. Ключевой элемент — постепенная передача ответственности от ассистента к студенту (fading scaffolding).
2.  **Теория когнитивной нагрузки (Sweller, 1988):** Предполагается, что ассистент снижает постороннюю когнитивную нагрузку (связанную с интерфейсами баз данных, форматированием ссылок), высвобождая ментальные ресурсы студента для основной задачи — критического анализа и синтеза.
3.  **Теория распределённого познания:** Когнитивные функции распределяются между студентом (интерпретация, оценка) и машиной (поиск, фильтрация, структурирование).
4.  **Концепция метапознания (Flavell):** Использование ассистента должно стимулировать рефлексию студента о собственных стратегиях обучения и поиска.

**Механизм вмешательства:**
ИИ-ассистент должен выполнять роль персонального научного наставника. Его функции жёстко регламентированы:
-   **Поддержка, а не исполнение:** Ассистент помогает формулировать поисковые запросы, генерирует чек-листы для оценки статей, даёт обратную связь по структуре обзора, но не пишет связные тексты за студента.
-   **Поэтапное снижение помощи (fading):** Объём и директивность поддержки должны уменьшаться по мере роста компетенций студента.
-   **Безопасность и честность:** В ассистента встроены запреты на генерацию инструкций по опасным химическим операциям и напоминания о принципах академической честности.

**Экспериментальная гипотеза:**
Авторы предполагают, что экспериментальная группа, работающая с ИИ-ассистентом, по итогам семестра продемонстрирует:
-   Больший прирост в навыках научного поиска и критического анализа.
-   Более высокое качество итоговых литературных обзоров.
-   Сохранение высокого уровня оригинальности работ.
-   Снижение субъективно воспринимаемой когнитивной нагрузки.

**Метрики и инструменты оценки:**
Для проверки гипотезы заявлен набор измерителей:
-   Качество поисковых запросов (оценивается использование булевой логики, специфичных операторов, выбор баз данных).
-   Уровень критической оценки статей (оценивается по экспертному рубрикатору).
-   Самостоятельность и качество синтеза в обзоре (экспертная оценка).
-   Оригинальность текста (проверка через системы антиплагиата).
-   Субъективная когнитивная нагрузка (опросник NASA-TLX).
-   Мотивация и стратегии обучения (опросник MSLQ).
-   Логи взаимодействия студентов с ИИ-ассистентом.

Особо подчёркивается, что модуль намеренно выбран без работы с химическими веществами и лабораторным оборудованием, чтобы минимизировать риски, связанные с возможными ошибками или галлюцинациями моделей при генерации инструкций.

### 5.3 Что осталось не проговорено

В представленных материалах отсутствует ряд ключевых деталей, необходимых для полной оценки и воспроизводимости проекта.

-   **Конкретные инструменты:** Не указано, какая именно технология или платформа будет использоваться для создания ИИ-ассистента (например, кастомизированная версия GPT, GigaChat, DeepSeek или специализированная модель для химии). Этот выбор критичен, так как от него напрямую зависит способность модели корректно обрабатывать химическую терминологию, формулы и понимать контекст научных публикаций.
-   **Механизм „увядания“ поддержки (fading scaffolding):** Заявлен принцип постепенной передачи ответственности, но не описан операциональный механизм. Кто, как и на основе каких данных принимает решение о том, что студент «готов» к снижению уровня поддержки? Как измеряется этот момент? Без чёткого протокола этот принцип остаётся декларацией.
-   **Доступ к базам данных:** Не прояснён вопрос обеспечения доступа для 40 студентов к платным научным базам (Scopus, Web of Science, Reaxys, SciFinder). Наличие или отсутствие институциональной подписки является критическим условием для выполнения учебной задачи.
-   **Операционализация оценки:** Отсутствует рубрикатор для экспертной оценки «уровня критической оценки статей» и «качества синтеза в обзоре». Без него невозможно обеспечить объективность и надёжность измерений. Также не указаны планы по проверке согласованности оценок между разными экспертами (inter-rater reliability).
-   **Критерии распределения по группам:** Не описан принцип формирования контрольной и экспериментальной групп. Случайное распределение, стратификация по уровню начальной подготовки или другие методы — эта информация важна для оценки валидности квазиэксперимента.
-   **Обработка специфических ошибок:** Хотя проект избегает прямых лабораторных работ, работа с химической литературой всё равно подразумевает столкновение с формулами, механизмами реакций и данными о свойствах веществ. В материалах недостаточно данных о том, как будет обрабатываться проблема генерации моделями некорректных химических фактов, которые студент может некритически перенести в свой обзор.
-   **Разрешение теоретического противоречия:** Заявлена опора на теорию распределённого познания, которая по своей сути описывает коллективные или гибридные когнитивные системы. При этом дизайн эксперимента на первом этапе предполагает сугубо индивидуальную работу. Как результаты индивидуальной работы будут интерпретированы в рамках теории, ориентированной на распределённость, остаётся неясным.

## 6. Сильнейшая благожелательная реконструкция

Проект направлен на решение острой и реальной проблемы: студенты-химики не владеют культурой работы с научной литературой, а появление мощных языковых моделей лишь усугубило ситуацию, создав иллюзию лёгкого доступа к знаниям при фактической деградации навыков критического анализа. Авторы предлагают не запрещать новые инструменты, а целенаправленно встроить их в образовательный процесс в роли «тренажёра», который помогает освоить сложные когнитивные операции, но не выполняет их за человека.

В своей сильной версии проект представляет собой создание и апробацию гибридной обучающей среды, где ИИ-ассистент выступает в роли адаптивного наставника. Этот наставник не даёт готовых ответов, а вовлекает студента в диалог, моделируя действия опытного исследователя. Например, в ответ на примитивный поисковый запрос «свойства аспирина» ассистент не выдаёт список статей, а задаёт уточняющие вопросы: «Какие именно свойства вас интересуют: терапевтические, химические, физические? Для какого контекста: синтеза, анализа, клинического применения? Давайте попробуем сузить поиск с помощью операторов AND/OR и указания конкретных баз данных, например, SciFinder для химических структур».

Ключевая идея — в постепенном «умолкании» ассистента. На первых порах он активно ведёт студента, предлагая шаблоны, чек-листы и задавая наводящие вопросы. Затем, по мере того как система фиксирует самостоятельное и корректное выполнение определённых операций (например, студент три раза подряд использовал булеву логику без подсказки), ассистент перестаёт предлагать помощь в этом конкретном действии. Ответственность за операцию полностью переходит к человеку. Этот процесс контролируется и логируется, что позволяет преподавателю видеть траекторию развития каждого студента.

Проект также решает специфическую для химии проблему безопасности: ассистент имеет жёсткий запрет на генерацию любых инструкций, которые могут быть интерпретированы как протокол эксперимента. Он также обучен распознавать и верифицировать химические формулы и названия соединений по внутренним базам, снижая риск «галлюцинаций».

Таким образом, эксперимент проверяет не просто «влияние ИИ», а эффективность конкретного педагогического дизайна — адаптивного скаффолдинга с управляемым затуханием поддержки — для формирования устойчивых, переносимых навыков исследовательской работы в условиях цифровой среды.

#### Педагогическая гипотеза

Педагогическая гипотеза проекта, очищенная от технологии, заключается в следующем. Формирование навыка научного поиска и критического анализа происходит через последовательное освоение и интериоризацию (перевод во внутренний план) ряда конкретных операций. Этот процесс можно организовать как цикл с обратной связью, который работает независимо от того, кто её даёт — человек или программа.

**Учебная единица:** Цикл «Действие → Затруднение → Структурированная подсказка → Самокоррекция».

**Последовательность операций студента:**
1.  **Формулирование запроса:** Студент пытается перевести свою исследовательскую идею в поисковый запрос.
2.  **Выбор источников:** Студент отбирает статьи из результатов поиска.
3.  **Критический анализ статьи:** Студент читает статью, пытаясь выделить её сильные и слабые стороны (методология, выводы, ограничения).
4.  **Синтез информации:** Студент пытается связать информацию из нескольких источников в единое повествование, а не просто перечислить их выводы.

**Механизм развития:**
На каждом шаге студент сталкивается с типичными затруднениями (например, запрос слишком широкий, выбрана нерелевантная статья, пропущена критика методологии, обзор превратился в аннотированный список). В этот момент он получает не готовое решение, а **структурирующую поддержку**:
-   Для шага 1: «Попробуй использовать эти ключевые слова и соединить их оператором `AND`. Какие синонимы твоего термина ты можешь добавить с помощью `OR`?»
-   Для шага 2: «Сравни импакт-факторы журналов. Обрати внимание на дату публикации. Соответствует ли методология статьи твоему вопросу?»
-   Для шага 3: «Воспользуйся этим чек-листом: 1. Размер выборки. 2. Наличие контрольной группы. 3. Статистическая значимость результатов. 4. Заявленные авторами ограничения. Где в статье ответы на эти пункты?»
-   Для шага 4: «Ты пересказал три статьи. А в чём они согласуются? В чём противоречат? Какая общая история из них вырисовывается?»

**Критерий освоения:** Навык считается освоенным, когда студент способен выполнить всю последовательность операций на новом материале без внешних структурирующих подсказок, самостоятельно задавая эти вопросы самому себе. Постепенное снятие внешней поддержки (fading) и есть механизм, который принуждает к интериоризации этих вопросов.

#### ИИ/технологическая гипотеза

Технологическая гипотеза состоит в том, что именно машинный агент, а не статический набор инструкций или ограниченный по времени преподаватель, может реализовать описанный педагогический механизм с необходимой эффективностью, масштабом и адаптивностью.

**Ключевые функции, которые обеспечивает именно машинный агент:**
1.  **Адаптивное дозирование поддержки:** Агент не просто предоставляет всем один и тот же чек-лист. Он строит динамическую модель компетенций каждого студента по отдельным микро-навыкам (например, `use_boolean_logic`, `evaluate_methodology`, `detect_contradiction`). Поддержка (подсказки, вопросы) активируется только для тех навыков, где текущий уровень студента низок. Это защищает от избыточной помощи сильным студентам и от недостаточной — слабым.
2.  **Автоматизированный протокол затухания (Fading Protocol):** Агент реализует чёткое правило снятия поддержки. Например: «Если студент трижды подряд успешно применил операцию Х (например, нашёл и указал на ограничения в трёх разных статьях) без подсказки, система перестаёт предлагать помощь по этой операции». Это превращает метафору «строительных лесов» в измеряемый алгоритм. Если навык деградирует, поддержка может быть временно возобновлена.
3.  **Немедленная и масштабируемая обратная связь:** Агент предоставляет обратную связь 24/7, в момент возникновения затруднения у студента. Один преподаватель физически не может обеспечить такой уровень поддержки для 40 студентов одновременно, особенно на рутинных, но важных этапах (как форматирование запроса).
4.  **Защищённая среда (Protected Environment):** Агент выполняет роль когнитивного фильтра, который невозможно реализовать статическими методами. Он активно блокирует генерацию опасных для химика инструкций и, что важнее, может быть настроен на обнаружение паттернов некритического копирования или попыток обойти задание (например, если студент пытается запросить «напиши мне обзор по теме Х»).
5.  **Объективный сбор данных:** Агент автоматически логирует каждое действие, каждую подсказку и реакцию студента. Это создаёт беспрецедентный по детализации набор данных для анализа реального процесса обучения, недоступный при традиционном наблюдении.

Эксперимент, таким образом, проверяет, действительно ли система с этими пятью функциями приводит к более значимому приросту *переносимых* навыков по сравнению с контрольной группой, у которой есть доступ к тем же базам данных и общим инструкциям, но нет адаптивного наставника.

#### Что автор предъявил

В теоретической рамке заявлено: «ИИ как внешний агент с постепенной передачей ответственности».

#### Reformulation

Более сильная проблема такова: декларация принципа «постепенной передачи ответственности» не является работающим механизмом. Ключевой образовательный дизайн заключается не в том, чтобы *оказать* поддержку, а в том, чтобы *вовремя и правильно её снять*. Без операционального определения этого момента вся система рискует превратиться в «вечный костыль», который улучшает итоговый продукт (литературный обзор), но не формирует способность (умение писать обзоры самостоятельно).

#### Критика

Утверждение о «постепенной передаче ответственности» без описания протокола этой передачи — это не архитектура системы, а выражение надежды. Механизм ошибки здесь — подмена педагогической цели технологической возможностью. Система, которая *может* помочь, будет помогать всегда, если ей не задан явный приказ остановиться. Это как учить ребёнка плавать, постоянно держа его на воде. Он не тонет, но и не начинает плыть сам. Момент, когда нужно на долю секунды отпустить, — это и есть суть обучения, и он в проекте не определён. Статистика на выходе покажет, что студенты в ЭГ «плавают» лучше (пишут обзоры качественнее), но не ответит на вопрос, могут ли они держаться на воде без круга.

#### Альтернативные объяснения / гипотезы

Если эксперимент покажет преимущество экспериментальной группы, это не обязательно будет доказывать эффективность адаптивного скаффолдинга. Возможны и другие объяснения:

-   **Альтернатива A: Эффект новизны и внимания (Эффект Хоторна).** Студенты в ЭГ знают, что участвуют в эксперименте с инновационным инструментом. Само это знание, повышенное внимание со стороны преподавателей и новизна интерфейса мотивируют их работать усерднее, независимо от педагогической логики ассистента.
-   **Альтернатива B: Эффект принудительной структуризации.** Ассистент просто навязывает студенту жёсткую последовательность шагов (сформулируй запрос → выбери БД → оцени статью по чек-листу → структурируй обзор). Положительный результат может быть следствием этой структуры, а не «интеллектуальной» и «адаптивной» природы помощи. Тот же эффект мог бы дать и простой неинтеллектуальный планировщик задач или веб-форма.
-   **Альтернатива C: Эффект немедленной обратной связи.** Главным фактором может быть не качество или адаптивность подсказок, а их моментальность. Любой инструмент, дающий мгновенный отклик (даже примитивный), будет эффективнее традиционной схемы с отложенной на неделю обратной связью от преподавателя.

#### Пересборка

Сильная версия механизма «увядающей поддержки» должна быть измеряемой и проверяемой. Минимум нужно различить и операционализировать три компонента: модель студента, политику поддержки и критерий её снятия.

1.  **Модель студента:** Система должна вести внутренний «профиль» каждого студента, оценивая его по набору из 5-7 ключевых микро-навыков (например: `query_complexity`, `source_relevance_check`, `methodology_critique`, `synthesis_vs_compilation`). Уровень по каждому навыку может быть представлен шкалой от 0 (не демонстрирует) до 3 (стабильно применяет без помощи).
2.  **Политика поддержки:** Подсказки и направляющие вопросы активируются только для тех навыков, где уровень студента < 2. Причём характер подсказки зависит от уровня: на уровне 0 — прямой совет («Используй оператор AND»), на уровне 1 — наводящий вопрос («Как можно объединить эти два понятия в одном запросе?»).
3.  **Протокол затухания (Fading Protocol):** Это ядро механизма. Правило должно быть жёстким: «Когда студент дважды подряд выполняет действие, соответствующее навыку уровня 2, на новом материале, система повышает его уровень до 2 и прекращает оказывать поддержку по данному навыку». Если в дальнейшем студент демонстрирует регресс (например, дважды подряд совершает ошибку), уровень откатывается до 1 и поддержка возобновляется.

Такая пересборка превращает метафору в работающий и, что важнее, тестируемый алгоритм. Эксперимент тогда сможет не просто сравнить КГ и ЭГ, но и показать корреляцию между количеством снятых «подпорок» и итоговым результатом на независимом тесте.

#### Требует решения автора

1.  Каков порог «неудачи» студента, при котором система должна возобновить поддержку по уже «освоенному» навыку? Одна ошибка — случайность, две — система. Какова педагогическая норма?
2.  Какие из измеряемых микро-навыков являются абсолютно не-делегируемыми (должны быть на 100% освоены человеком), а какие могут остаться в зоне гибридного выполнения (человек + машина)?
3.  Что является главным приоритетом эксперимента: максимальное качество итогового литературного обзора (продуктовый результат) или максимальный прирост переносимых навыков у студента, измеряемый на тесте без ассистента (образовательный результат)? Эти цели могут войти в конфликт.
4.  Готовы ли вы к сценарию, где итоговый продукт ЭГ будет слабее, чем мог бы быть, именно потому, что система целенаправленно отключала помощь для стимуляции самостоятельности?

## 7. Онтологическая и предметная постановка

Проект входит в зону фундаментального вопроса для образования в эпоху ИИ: кто или что является носителем компетенции, когда когнитивная работа распределена между человеком и машиной? Авторы заявляют использование теории «распределённого познания», но измеряют результат так, как будто познание остаётся индивидуальным.

#### Что автор предъявил

В материалах заявлено одновременное использование концепций «развитие собственных навыков» и «распределённое познание». Цель — «усиливать компетенции, а не замещать». Измеряются «навыки» и «качество обзоров» у студентов.

#### Reformulation

Более сильная проблема такова: проект создаёт новую онтологическую единицу — **гибридного исследователя «студент + ИИ-ассистент»**. Однако дизайн эксперимента и метрики продолжают оценивать только одну часть этой системы — студента, — игнорируя тот факт, что его производительность теперь неотделима от второй части. Вопрос не в том, «учится ли студент», а в том, «каковы характеристики новой гибридной системы и какая часть её способностей становится собственностью студента после её распада?».

#### Критика

Основная онтологическая ошибка проекта — попытка измерить свойство части, наблюдая за поведением целого. Заявляя о «распределённом познании», авторы фактически создают ситуацию, где студент и машина действуют как единый когнитивный субъект. Затем, измеряя качество итогового обзора, они приписывают этот результат исключительно студенту.

Это всё равно что оценивать физическую силу атлета, не уточняя, надет на нём силовой экзоскелет или нет. Проект измеряет результат работы гибридной системы «студент-экзоскелет», но в выводах планирует заявить о росте мышечной массы самого атлета. Аналогия здесь вскрывает механизм ошибки: улучшение итогового продукта (output) не доказывает рост внутренней способности (capability). Без специального теста, где с атлета снимают экзоскелет, мы не можем ничего сказать о его собственной силе. В проекте таким тестом должен быть финальный срез без доступа к ассистенту.

#### Альтернативные объяснения / гипотезы

Если мы рассматриваем систему «студент + ИИ» как единое целое, то рост её эффективности может быть обусловлен не развитием студента, а другими механизмами:

-   **Альтернатива A: Формирование оркестрационной способности.** Студент не столько учится сам искать литературу, сколько учится эффективно *управлять* ассистентом: задавать правильные промпты, интерпретировать его предложения, выбирать лучшие из предложенных вариантов. Это ценный, но совершенно другой навык — не компетенция исполнителя, а компетенция дирижёра (оркестратора).
-   **Альтернатива B: Интериоризация интерфейса, а не принципа.** Студент может демонстрировать высокие результаты внутри системы просто потому, что он выучил её логику и последовательность кнопок. Его действия — это следование по рельсам, проложенным интерфейсом. Навык не переносится в другую среду, где этих «рельсов» нет. Это обучение работе с конкретным ПО, а не освоение методологии научного поиска.
-   **Альтернатива C: Успешное замещение с иллюзией соучастия.** Ассистент может быть настолько хорош в подсказках, что фактически он выполняет 90% когнитивной работы, оставляя студенту лишь иллюзию контроля и авторства. Студент одобряет и компилирует предложенные машиной ходы, его собственная когнитивная нагрузка действительно снижается, но вместе с ней снижается и вовлечённость в решение сложных задач. Происходит отчуждение интеллектуальной функции (exappropriation), а не её развитие.

#### Пересборка

Чтобы постановка задачи стала онтологически корректной, минимум нужно различить три разных типа компетенций, которые могут (или не могут) формироваться в проекте. Эксперимент должен быть перестроен так, чтобы измерять их раздельно.

1.  **Исполнительская компетенция (Subject Capability):** Способность студента самостоятельно, без помощи ассистента, выполнить весь цикл работы: сформулировать сложный поисковый запрос, найти релевантные статьи в профильных базах, критически их оценить и написать связный синтетический текст. Это — «сила атлета без экзоскелета».
2.  **Оркестрационная компетенция (Orchestration Capability):** Способность студента достичь того же результата (или лучше) с помощью ИИ-ассистента. Здесь измеряется умение ставить задачи машине, верифицировать её выводы, комбинировать её предложения. Это — «эффективность атлета в экзоскелете».
3.  **Метакогнитивная компетенция выбора инструмента (Strategic Choice Capability):** Способность студента осознанно решать, какую часть задачи выполнить самому, а какую делегировать машине, а также оценивать, когда машина справляется плохо и требуется полностью ручной контроль.

Сильная версия проекта должна включать три разных типа измерений:
-   **Измерение 1 (в процессе):** Логирование и анализ работы гибридной системы для оценки формирования *оркестрационной компетенции*.
-   **Измерение 2 (финальный тест):** Проведение итогового контрольного задания на новом материале со строгим запретом на использование ИИ-ассистента. Это единственный способ измерить чистый прирост *исполнительской компетенции*.
-   **Измерение 3 (рефлексивное эссе/интервью):** Задание для студента, где он должен объяснить, как и почему он использовал (или не использовал) ассистента на разных этапах работы. Это позволяет оценить *метакогнитивную компетенцию*.

Только при таком разделении можно будет сделать обоснованный вывод о том, что именно развивает проект: самостоятельного исследователя, умелого оператора ИИ или и то, и другое.

#### Требует решения автора

1.  Какая из трёх компетенций — исполнительская, оркестрационная или метакогнитивная — является приоритетным образовательным результатом вашего модуля?
2.  Допустим ли для вас сценарий, при котором исполнительская компетенция студентов в ЭГ вырастет незначительно или даже снизится, но их оркестрационная компетенция (умение получать результат с ИИ) превзойдёт все ожидания?
3.  Как будет выглядеть итоговый «слепой» тест (independent probe), который позволит чисто измерить исполнительскую компетенцию без влияния ассистента?
4.  Готовы ли вы переформулировать гипотезу, разделив её на три части, по одной для каждого типа компетенций?

## 8. Что действительно сильное

В проекте присутствует ряд сильных и хорошо продуманных решений, которые формируют его ядро и выделяют на фоне других подобных инициатив.

1.  **Выбор безопасного предметного поля.** Решение сфокусироваться на модуле по работе с литературой, а не на лабораторной практике, — это не упрощение, а стратегически верный ход. Он нейтрализует главный риск для химического образования: генерацию машиной фактически неверных и потенциально опасных инструкций.
2.  **Принцип «строительных лесов» как ядро дизайна.** Проект изначально строится не на идее «ИИ как помощник», а на педагогическом принципе `scaffolding`. Это задаёт правильную рамку: цель — не облегчить студенту жизнь, а создать условия для роста, сделав инструмент временной поддержкой.
3.  **Индивидуальная работа на старте.** Фокус на индивидуальной траектории каждого студента в рамках эксперимента позволяет собрать более «чистые» данные о влиянии ассистента, минимизируя шум от групповой динамики.
4.  **Ориентация на профессиональные инструменты.** Требование использовать профильные научные базы данных (Scopus, Reaxys и др.), а не общий веб-поиск, удерживает проект в русле формирования реальных исследовательских компетенций, специфичных для данной предметной области.
5.  **Многокомпонентная система метрик.** Использование набора из качественных (экспертная оценка) и количественных (NASA-TLX, логи) метрик защищает проект от ложных выводов на основе одного показателя. Это системный подход к измерению.
6.  **Достаточная длительность эксперимента.** Период в 16 недель (целый семестр) позволяет наблюдать не сиюминутный эффект, а реальную динамику в формировании навыков, включая возможные откаты и плато.
7.  **Явная постановка центрального противоречия.** Авторы чётко формулируют конфликт между развитием самостоятельности и риском делегирования. Весь дизайн проекта является попыткой ответить на этот вызов, а не проигнорировать его.
8.  **Недекоративная теоретическая рамка.** Четыре заявленные теоретические опоры (Выготский, Свеллер и др.) не просто перечислены для солидности, а напрямую использованы для обоснования дизайна вмешательства и выбора метрик (например, теория когнитивной нагрузки прямо ведёт к измерению через NASA-TLX).
9.  **Запрет на генерацию связного текста.** Это жёсткое ограничение — ключевое. Оно не даёт ассистенту превратиться в «писателя-призрака» и заставляет студента выполнять самую сложную когнитивную работу — синтез.
10. **Квазиэкспериментальный дизайн.** Сама попытка поставить контролируемый эксперимент с КГ и ЭГ, пре- и пост-тестами свидетельствует о намерении доказать причинно-следственную связь, а не просто описать опыт внедрения.

---

## 9. Несущий разрыв

Проект содержит два взаимосвязанных несущих разрыва, которые подрывают его центральную педагогическую гипотезу. Первый — концептуальный, связанный с механизмом «строительных лесов» (scaffolding). Второй — предметный, связанный со спецификой химического знания.

### 9.1 Разрыв 1: Неоперационализированный механизм передачи ответственности

#### 9.1.1 Симптом
В проекте заявлено использование ИИ-ассистента как «строительных лесов» с «поэтапной поддержкой» и «постепенной передачей ответственности». При этом в представленных материалах отсутствуют критерии и триггеры для этой передачи. Неясно, кто, на каком основании и в какой момент решает, что обучающийся готов к снижению уровня поддержки. Внешне это выглядит как система, где помощь доступна постоянно, но её «затухание» (fading) оставлено на усмотрение самого пользователя или является неявной функцией, что противоречит идее управляемого педагогического процесса.

#### 9.1.2 Наблюдаемый дефицит
Отсутствует операциональная модель «затухания» поддержки (fading protocol). В проекте нет ответов на ключевые вопросы:
- Какие конкретные действия обучающегося являются сигналом к снижению помощи?
- Как система измеряет уровень самостоятельности по каждой из целевых компетенций (формулирование запроса, оценка статьи, синтез)?
- Что происходит, если после снижения поддержки результативность падает? Существует ли механизм возврата на предыдущий уровень?
- Является ли протокол затухания универсальным для всех или он адаптируется под индивидуальный темп?

#### 9.1.3 Организационный разрыв
Разрыв находится на стыке педагогического дизайна и архитектуры ИИ-инструмента. Педагогический дизайн постулирует необходимость передачи ответственности, ссылаясь на Выготского и Брунера. Однако он не предоставляет техническому заданию для ИИ-архитектуры конкретных, измеряемых параметров для реализации этого механизма. В свою очередь, без такого ТЗ любая реализация ИИ-ассистента будет либо статичной (предлагать один и тот же уровень помощи), либо хаотичной (снижать помощь по формальным признакам, например, по времени использования).

#### 9.1.4 Reformulation — более сильная формулировка проблемы
Более сильная проблема такова: проект смешивает **исполнительское делегирование** (executive delegation) с **развивающим делегированием** (developmental delegation). Заявлена вторая цель, но дизайн инструмента по факту может реализовывать первую. Без явного, принудительного и измеряемого механизма передачи ответственности, система рискует стать не «строительными лесами», а «когнитивным протезом». Обучающийся не осваивает функцию, а получает постоянный внешний инструмент для её выполнения.

**Аналогия:** Проект предлагает умный экзоскелет для обучения ходьбе, но не встроил в него датчики мышечного усилия и программу их постепенного отключения. В результате человек прекрасно передвигается *в экзоскелете*, но его собственные мышцы не развиваются. Система оптимизирована на улучшение итогового продукта (быстрое передвижение, качественный обзор), а не на формирование внутренней способности (умение ходить самостоятельно, умение анализировать без подсказок).

#### 9.1.5 Воспроизводящий механизм
Этот разрыв поддерживается и воспроизводится совокупностью следующих факторов:
- **Фокус на итоговом артефакте:** Оценка по качеству финального обзора литературы мотивирует использовать помощь по максимуму, а не рисковать, пробуя сделать самостоятельно.
- **Отсутствие независимой проверки:** В дизайне не предусмотрен обязательный этап, где обучающийся должен продемонстрировать навык без доступа к ИИ-ассистенту (independent probe).
- **Техническая сложность:** Создание по-настоящему адаптивной системы, отслеживающей микро-компетенции и дозирующей помощь, — сложная и ресурсоёмкая задача. Проще создать универсального «помощника».
- **Неявность когнитивных процессов:** Навыки вроде «критической оценки» сложно разложить на наблюдаемые операции, которые система могла бы надёжно измерять.
- **Мотивация обучающегося:** Естественное стремление к минимизации усилий будет подталкивать к максимальному использованию поддержки, если нет явных стимулов или требований к развитию автономии.
- **Терминологическая ловушка:** Сам термин «ассистент» или «наставник» создаёт ожидание помощи, а не тренировки с сопротивлением.

#### 9.1.6 Онтологический слом
Проект не даёт ответа на вопрос: кто является носителем исследовательской компетенции в новой гибридной сцене? Если цель — формирование способности у человека, то ИИ должен быть временным, исчезающим элементом. Если же цель — формирование способности у гибридной системы «человек + ИИ», то это принципиально другой образовательный результат. Тогда нужно учить не столько поиску, сколько «орг-управлению» ИИ-агентами (orchestration capability). Проект заявляет первое, но его текущий дизайн может привести ко второму, причём неосознанно. Граница ответственности между человеком и машиной не просто не определена — её динамика не управляется.

### 9.2 Разрыв 2: Игнорирование предметной специфики химии в работе LLM

#### 9.2.1 Симптом
Проект справедливо выносит за скобки работу с реальными химическими веществами для минимизации рисков физической безопасности. Однако он не учитывает риски *информационной безопасности*, специфичные для химии. Большие языковые модели (LLM) склонны к генерации правдоподобной, но фактически неверной информации, и в химии это проявляется в виде некорректных химических формул, уравнений реакций, названий соединений и описаний механизмов. Студент, чья экспертиза только формируется, может не распознать такую ошибку.

#### 9.2.2 Наблюдаемый дефицит
В проекте отсутствует механизм верификации или хотя бы маркировки контента, генерируемого ИИ, на предмет химической корректности. Нет ни встроенных валидаторов, ни отсылок к внешним верифицированным базам данных (кроме тех, в которых ищет сам обучающийся), ни обязательного этапа проверки сгенерированных ИИ сущностей (например, чек-листов для оценки статей) преподавателем или экспертом.

#### 9.2.3 Организационный разрыв
Разрыв лежит в области выбора и настройки ИИ-инструмента. Проект описывает функции ИИ («помощь в формулировании запросов», «генерация чек-листов») так, как будто их можно реализовать на любой универсальной LLM. При этом упускается, что для работы с предметным полем химии требуется либо специализированная модель, либо универсальная модель с очень жёсткими гардрейлами (guardrails) и подключением к верифицированным химическим базам данных (как Reaxys или SciFinder, которые упомянуты как цель поиска, но не как источник для самого ИИ).

#### 9.2.4 Reformulation — более сильная формулировка проблемы
Более сильная проблема: проект импортирует в высокоструктурированную и формализованную дисциплину (химия) инструмент, работающий на вероятностной, а не на логической или фактической основе (LLM), без какого-либо механизма контроля достоверности. Это не просто риск «галлюцинаций», это риск подрыва самих основ дисциплинарного мышления, где точность формулы или коэффициента в уравнении не является вопросом стиля или интерпретации.

#### 9.2.5 Воспроизводящий механизм
Этот разрыв поддерживается следующими факторами:
- **Эффект «правдоподобности»:** LLM генерируют синтаксически и стилистически корректные тексты, что маскирует фактические ошибки, особенно для не-эксперта.
- **Когнитивная предвзятость (confirmation bias):** Обучающийся, ищущий подтверждение своей гипотезе, может с большей вероятностью принять ложную, но ожидаемую информацию от ИИ.
- **Отсутствие у LLM «модели мира» химии:** Модель оперирует паттернами в тексте, а не законами сохранения массы или правилами валентности.
- **Недостаточная экспертиза обучающегося:** Целевая аудитория — студенты 3 курса, которые как раз и должны учиться отличать корректные утверждения от некорректных, и инструмент, который сам генерирует ошибки, является контрпродуктивным.
- **Фокус на общих навыках:** Проект сфокусирован на универсальных навыках (поиск, критика, синтез), упуская, что в химии эти навыки неотделимы от предметной точности.

#### 9.2.6 Онтологический слом
Проект неявно предполагает, что ИИ-ассистент является надёжным источником мета-информации (например, о структуре научной статьи или о критериях её оценки). Однако, как только эта мета-информация начинает касаться предметного содержания («проверь, корректно ли авторы описывают механизм реакции X»), инструмент сам становится потенциальным источником дезинформации. Возникает вопрос: кто или что является гарантом истины в этой системе? Если обучающийся должен перепроверять ИИ, то это кардинально меняет функцию ассистента — он превращается из помощника в спарринг-партнёра или даже в объект для критики, что требует совершенно другого педагогического дизайна.

---

## 10. Перечень критических дефектов

Дефекты сгруппированы по приоритету: P0 — блокирующие, подрывают ядро проекта; P1 — критические, без их устранения пилот невозможен; P2 — важные, влияют на качество результатов; P3 — желательные, улучшают интерпретируемость.

### P0: Блокирующие дефекты
- **P0.1 (Разрыв 1):** Отсутствует операционализированный протокол «затухания» поддержки (fading protocol).
  - **Reformulation:** Педагогическая гипотеза о «строительных лесах» не имеет механизма реализации, что превращает её в декларацию.
  - **Вопрос автору:** Какие три конкретных, наблюдаемых действия обучающегося будут являться триггером для снижения уровня ИИ-поддержки на один шаг?
- **P0.2 (Разрыв 2):** Не выбран конкретный ИИ-инструмент.
  - **Reformulation:** Оценка рисков, связанных с предметной спецификой химии, и разработка архитектуры невозможны без понимания, какая модель (универсальная LLM, специализированная, fine-tuned) будет использоваться.
  - **Вопрос автору:** Рассматриваете ли вы использование универсальных моделей (типа GPT-4) с дополнительными слоями верификации или специализированных научных ИИ-инструментов?

### P1: Критические дефекты
- **P1.1 (Разрыв 1):** Отсутствует дизайн независимой проверки (independent probe).
  - **Reformulation:** Невозможно доказать, что навык сформирован у человека, а не является продуктом гибридной системы «человек+ИИ», если нет контрольного задания без ИИ.
  - **Вопрос автору:** Как будет выглядеть итоговое или промежуточное контрольное мероприятие, на котором использование ИИ-ассистента будет полностью запрещено?
- **P1.2 (Разрыв 2):** Отсутствует механизм верификации химической корректности генерируемого ИИ контента.
  - **Reformulation:** Проект создаёт риск закрепления у обучающихся неверных предметных знаний из-за «галлюцинаций» LLM.
  - **Вопрос автору:** Какой процесс или инструмент будет использоваться для проверки фактов, формул и механизмов, которые могут содержаться в ответах ИИ?
- **P1.3 (Педагогика):** Не разработан рубрикатор для оценки «критической оценки статей» и «качества синтеза».
  - **Reformulation:** Ключевые метрики образовательного результата не операционализированы, что делает невозможным объективное измерение эффекта.
  - **Вопрос автору:** По каким конкретным критериям (например, идентификация ограничений метода, сравнение данных из разных источников) будет оцениваться глубина критического анализа в обзоре?
- **P1.4 (Эксперимент):** Не определены критерии распределения обучающихся на контрольную и экспериментальную группы.
  - **Reformulation:** Без чётких критериев стратификации (например, по результатам pre-test) невозможно обеспечить сопоставимость групп и валидность выводов.
  - **Вопрос автору:** Будет ли использоваться рандомизация, или стратификация по входным баллам, или какой-то другой принцип для формирования групп?
- **P1.5 (Инфраструктура):** Не подтверждён доступ к платным научным базам данных для 40 участников.
  - **Reformulation:** Проект по обучению работе с профессиональными инструментами (Scopus, Reaxys) не может быть реализован без гарантированного доступа к ним.
  - **Вопрос автору:** Существует ли у университета институциональная подписка, покрывающая всех участников эксперимента, или планируются альтернативные способы доступа?
- **P1.6 (ИИ-архитектура):** Требование «запрет генерации связных текстов» не определено.
  - **Reformulation:** Слишком широкая формулировка. Является ли генерация абзаца-саммари или перефразирование предложения «генерацией связного текста»? Границы дозволенного неясны.
  - **Вопрос автору:** Какова максимальная длина текста (в словах или предложениях), который может сгенерировать ИИ в одном ответе?

### P2: Важные дефекты
- **P2.1 (Эксперимент):** Не спланирована процедура оценки межэкспертной согласованности (inter-rater reliability) при проверке обзоров.
  - **Reformulation:** Если обзоры оцениваются несколькими экспертами, их оценки могут расходиться, что внесёт шум в данные.
  - **Вопрос автору:** Планируется ли использовать двух независимых оценщиков и рассчитывать статистику согласованности (например, каппу Коэна)?
- **P2.2 (Этика):** Отсутствует политика по работе со случаями чрезмерной зависимости от ИИ.
  - **Reformulation:** Проект не предусматривает действий на случай, если мониторинг покажет, что обучающийся не пытается работать самостоятельно, а лишь делегирует все задачи.
  - **Вопрос автору:** Что будет делать преподаватель, если логи взаимодействия покажут, что обучающийся использует ИИ для каждого шага, не проявляя автономии?
- **P2.3 (Педагогика):** Связь между теорией распределённого познания и дизайном индивидуальной работы не прояснена.
  - **Reformulation:** Одна из теоретических опор (распределённое познание) по своей сути коллективна, но дизайн эксперимента на первом этапе — строго индивидуальный.
  - **Вопрос автору:** Каким образом принципы распределённого познания реализуются в сценарии, где обучающийся работает с ИИ один на один?
- **P2.4 (ИИ-архитектура):** Не определены механизмы логирования взаимодействий для последующего анализа.
  - **Reformulation:** Без детальных логов невозможно будет реконструировать процесс работы обучающихся и понять, как именно они использовали ИИ.
  - **Вопрос автору:** Какие именно данные о взаимодействии (запросы, ответы ИИ, время на задачу, использование подсказок) будут сохраняться для анализа?
- **P2.5 (Оценка):** Неясно, как будет измеряться «самостоятельность обзора» отдельно от его «качества» и «оригинальности».
  - **Reformulation:** Эти три метрики могут быть сильно скоррелированы. Требуется отдельная операционализация «самостоятельности».
  - **Вопрос автору:** «Самостоятельность» — это оценка по логам (например, низкое число запросов к ИИ) или качественная оценка текста экспертом?
- **P2.6 (Риски):** Не учтён риск того, что обучающиеся из контрольной группы будут неофициально использовать общедоступные LLM.
  - **Reformulation:** «Чистота» контрольной группы под угрозой, что может смазать или инвертировать результаты эксперимента.
  - **Вопрос автору:** Какие меры (инструктаж, мониторинг, опросники) будут приняты для контроля использования сторонних ИИ-инструментов в контрольной группе?
- **P2.7 (Педагогика):** Не определена роль преподавателя в процессе взаимодействия обучающегося с ИИ.
  - **Reformulation:** Преподаватель вынесен за скобки. Он является наблюдателем, или он может вмешиваться, комментировать работу, корректировать взаимодействие с ИИ?
  - **Вопрос автору:** Какова роль и протокол действий преподавателя, если он видит, что обучающийся зашёл в тупик при работе с ассистентом?

### P3: Желательные уточнения
- **P3.1 (Оценка):** Не уточнено, какая именно версия опросника NASA-TLX будет использоваться и как будет проводиться инструктаж.
- **P3.2 (Масштабирование):** Отсутствуют гипотезы о том, как изменится дизайн при переходе от индивидуальной работы к групповой.
- **P3.3 (Этика):** Не проработан вопрос информированного согласия участников на сбор и анализ данных их взаимодействия с ИИ.
- **P3.4 (Воспроизводимость):** Не описаны требования к среде (версии ПО, модели ИИ), чтобы эксперимент можно было воспроизвести.
- **P3.5 (Теория):** Не раскрыто, как концепция метапознания (четвёртая опора) будет операционализирована и измерена в ходе эксперимента.

---

## 11. Карта ключевых утверждений

- **Утверждение 1:** Интеграция ИИ-ассистента с поэтапной поддержкой (scaffolding) приводит к большему приросту навыков научного поиска и критического анализа по сравнению с традиционным обучением.
  - **Что есть в источнике:** «Экспериментальная гипотеза: ЭГ покажет больший прирост навыков, более качественные обзоры...»
  - **Статус:** Центральная гипотеза проекта.
  - **Что усилит основание:** Результаты квазиэксперимента, демонстрирующие статистически значимое различие в приросте баллов по pre-test и post-test между экспериментальной и контрольной группами.

- **Утверждение 2:** ИИ-ассистент снижает постороннюю когнитивную нагрузку, высвобождая ресурсы для более глубокого анализа и синтеза.
  - **Что есть в источнике:** Упоминание теории когнитивной нагрузки Свеллера как одной из теоретических опор. «ИИ снижает постороннюю нагрузку (поиск, оформление), высвобождая ресурсы на анализ и синтез».
  - **Статус:** Теоретическое допущение / проверяемая гипотеза.
  - **Что усилит основание:** Данные опросника NASA-TLX, показывающие более низкую воспринимаемую нагрузку в экспериментальной группе при сопоставимом или более высоком качестве работы. Дополнительно — качественные интервью с обучающимися.

- **Утверждение 3:** Предлагаемый дизайн ИИ-поддержки усиливает компетенции, а не замещает их.
  - **Что есть в источнике:** «Проблемное поле: как встроить ИИ как 'строительные леса' (scaffolding), усиливая компетенции, а не замещая». Это центральный стейк проекта.
  - **Статус:** Целевой критерий / проектное требование.
  - **Что усилит основание:** Результаты независимой проверки (independent probe), где обучающиеся из экспериментальной группы показывают высокие результаты без использования ИИ. Анализ логов, демонстрирующий снижение частоты и интенсивности обращений к ИИ со временем.

- **Утверждение 4:** Выбор модуля без работы с веществами является достаточной мерой для минимизации рисков безопасности.
  - **Что есть в источнике:** «Модуль намеренно выбран без работы с веществами и лабораторным оборудованием — минимизирует риски безопасности».
  - **Статус:** Предъявлено декларативно.
  - **Что усилит основание:** Формальный документ с анализом рисков, который рассматривает не только физические, но и информационные риски (например, риск усвоения неверной химической информации), и описывает меры по их снижению.

- **Утверждение 5:** Система ИИ-поддержки функционирует в зоне ближайшего развития (ЗБР) обучающегося.
  - **Что есть в источнике:** Упоминание теории Выготского и ЗБР как ключевой теоретической опоры.
  - **Статус:** Правдоподобная реконструкция / теоретическая рамка.
  - **Что усилит основание:** Операциональная модель ЗБР: описание уровней самостоятельности (что обучающийся может сам, что — с помощью), и сопоставление этих уровней с уровнями поддержки, предоставляемой ИИ. Данные, показывающие, что ИИ действительно помогает там, где есть затруднения, и отступает, когда задача освоена.

- **Утверждение 6:** Использование множественных метрик (качество запросов, критика, синтез, оригинальность, нагрузка) обеспечивает комплексную оценку эффекта.
  - **Что есть в источнике:** Перечисление метрик в описании проекта.
  - **Статус:** Проектное требование.
  - **Что усилит основание:** Разработанные и валидированные рубрикаторы для каждой качественной метрики. План статистического анализа, который показывает, как эти метрики будут интегрированы для получения общего вывода.

---

## 12. Диагностическая матрица (20 полей)

| Поле | Что предъявлено | Основание | Статус | Разрыв / Дефицит | Вопрос автору | Проектное решение | Следующий артефакт |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| **1. Проблема** | Низкая культура научного поиска, некритическое восприятие, компиляция вместо синтеза, когнитивная перегрузка. | Описание проекта. | Зафиксировано. | Проблема сформулирована на уровне симптомов, а не причинного механизма. | Почему, по-вашему, существующие методы обучения не справляются с этой проблемой? | Уточнить механизм, почему традиционные подходы не работают. | Карта причинно-следственных связей проблемы. |
| **2. Целевое действие** | Обучающийся самостоятельно формулирует сложные поисковые запросы, критически оценивает источники и синтезирует связный научный обзор. | Реконструкция из образовательных результатов. | Реконструкция. | Не разделены действия, выполняемые человеком, и действия, выполняемые гибридной системой «человек+ИИ». | Какое из этих действий должно выполняться без ИИ после курса? | Разделить целевые действия на «человеческие» и «гибридные». | Карта целевых операций (Activity Map). |
| **3. Пед. гипотеза** | Поэтапная ИИ-поддержка (scaffolding) формирует навыки научного поиска и анализа эффективнее, чем традиционное обучение. | Описание проекта. | Гипотеза. | **Несущий разрыв 1.** Механизм «затухания» поддержки не операционализирован. | Как система узнает, что обучающийся освоил навык и помощь можно убирать? | Разработать протокол затухания (fading protocol) с явными триггерами. | Описание Fading Protocol. |
| **4. ИИ-гипотеза** | ИИ-ассистент может выполнять роль «наставника», снижая когнитивную нагрузку и предоставляя адаптивную обратную связь. | Описание проекта. | Гипотеза. | **Несущий разрыв 2.** Не учтена специфика химии (риск генерации неверных фактов). Функции ИИ слишком общие. | Как ИИ будет верифицировать предметный контент перед выдачей? | Выбрать конкретный ИИ-инструмент и разработать гардрейлы для предметной области. | Техническое задание на ИИ-ассистента. |
| **5. Дизайн пилота** | Квазиэксперимент, 2 группы (КГ/ЭГ), pre-test/post-test, 16 недель. | Описание проекта. | Зафиксировано. | Не определены критерии формирования групп и не учтён риск «загрязнения» контрольной группы. | Как вы минимизируете использование сторонних ИИ в контрольной группе? | Добавить стратификацию при формировании групп и контроль внешних факторов. | Детальный план эксперимента. |
| **6. Измерение** | Качество запросов, уровень критики, самостоятельность обзора, оригинальность, NASA-TLX. | Описание проекта. | Зафиксировано. | Качественные метрики («уровень критики») не операционализированы. | Какие конкретные артефакты будут оцениваться по рубрикатору для «уровня критики»? | Разработать детальные рубрикаторы для всех качественных метрик. | Рубрикаторы оценки. |
| **7. Данные** | Планируется сбор данных pre/post-test, результатов обзоров, данных опросников. | Описание проекта. | План. | Не спланирован сбор логов взаимодействия с ИИ, которые критически важны для понимания процесса. | Какие параметры взаимодействия с ИИ будут логироваться? | Добавить в план сбора данных детальное логирование сессий. | Спецификация лог-файлов. |
| **8. Защищаемый ход** | Использование scaffolding как принципа, отличающего поддержку от замещения. | Реконструкция из описания. | Реконструкция. | Декларация принципа не подкреплена механизмом его реализации. | См. поле 3. | См. поле 3. | См. поле 3. |
| **9. Границы** | Модуль без работы с веществами; индивидуальная работа; 3 курс, химия. | Описание проекта. | Зафиксировано. | Границы по безопасности неполные (упущен информационный риск). | См. поле 4. | Дополнить анализ рисков информационной безопасностью. | Карта рисков проекта. |
| **10. Альтернативы** | Неявная альтернатива — традиционное обучение (контрольная группа). | Реконструкция. | Реконструкция. | Не рассмотрены другие форматы ИИ-вмешательства (например, ИИ как критик, а не помощник). | Рассматривались ли другие роли для ИИ, кроме «ассистента»? | Провести сценарный анализ для альтернативных ролей ИИ. | Документ с анализом альтернатив. |
| **11. Ресурсы** | Не указаны, кроме упоминания платных баз данных. | Описание проекта. | Недостаточно данных. | Неясны требования к вычислительным ресурсам, разработчикам, экспертам для оценки. | Какие ресурсы (люди, время, деньги) нужны для создания и поддержки ИИ-ассистента? | Составить ресурсный план проекта. | Ресурсный план. |
| **12. Ролевая модель** | Авторы проекта, преподаватель, обучающиеся. | Реконструкция. | Реконструкция. | Роль преподавателя в гибридном процессе не определена. | Какова роль преподавателя, когда обучающийся работает с ИИ? | Определить протоколы вмешательства и поддержки со стороны преподавателя. | Описание ролевой модели. |
| **13. Дисципл. база** | Педагогика (Выготский, Брунер), когнитивная психология (Свеллер), информатика. | Описание проекта. | Зафиксировано. | Отсутствует опора на исследования в области Human-AI Interaction и специфики LLM для науки. | Какие работы по взаимодействию человека и ИИ в науке вы считаете релевантными? | Дополнить теоретическую рамку исследованиями из HCI/AI. | Обновлённый список литературы. |
| **14. Воспроизводимость** | Не описана. | Анализ. | Отсутствует. | Невозможно повторить эксперимент без точных версий ПО, моделей ИИ и протоколов. | Будут ли материалы курса и спецификации ИИ опубликованы? | Зафиксировать все версии инструментов и методических материалов. | Пакет для воспроизводимости. |
| **15. Этика** | Упомянута академическая честность. | Описание проекта. | Зафиксировано. | Не рассмотрены вопросы приватности данных, информированного согласия, цифрового неравенства. | Как будет обеспечена анонимность и защита данных обучающихся? | Разработать форму информированного согласия и политику по данным. | Форма информированного согласия. |
| **16. Риски** | Упомянут риск замещения компетенций и плагиата. | Описание проекта. | Зафиксировано. | Анализ рисков неполный (см. риски в полях 4, 5, 9). | См. вопросы в соответствующих полях. | Провести комплексный анализ рисков. | Карта рисков проекта. |
| **17. Масштабирование** | Не описано. | Анализ. | Отсутствует. | Неясно, как дизайн изменится для других курсов, дисциплин или при переходе к групповой работе. | Какие элементы дизайна являются универсальными, а какие — специфичными для химии? | Сформулировать гипотезы о масштабировании. | Концепция масштабирования. |
| **18. Новизна** | Применение принципа scaffolding с помощью ИИ в контексте химического образования. | Реконструкция. | Реконструкция. | Новизна технологическая, а не педагогическая. Сам принцип scaffolding не нов. | В чём состоит новизна вашего подхода к scaffolding по сравнению с не-ИИ методами? | Уточнить, является ли новизна в адаптивности или в чём-то ещё. | Уточнённая формулировка новизны. |
| **19. Двойной результат** | Для обучающегося: навыки. Для проекта: данные об эффективности ИИ-вмешательства. | Реконструкция. | Реконструкция. | Не отрефлексирован результат для гибридной системы. | Что нового мы узнаем о совместной работе человека и ИИ из вашего проекта? | Добавить исследовательский вопрос о характере гибридного интеллекта. | Обновлённый список research questions. |
| **20. Следующий шаг** | Выбор ИИ-инструмента, обеспечение доступа к БД, операционализация механизма, разработка рубрикатора. | Анализ готовности проекта. | Зафиксировано. | Шаги корректны, но не приоритизированы. | Какой из этих шагов является самым критичным для старта пилота? | Приоритизировать шаги, начиная с выбора ИИ-инструмента. | Дорожная карта проекта. |

---

## 13. Экспериментально-исследовательская модель

Проект заявлен как квазиэксперимент с целью проверки гипотезы о влиянии ИИ-ассистента на формирование навыков. Дизайн включает контрольную и экспериментальную группы, pre-test и post-test, а также набор метрик для оценки прироста. Однако заявленный дизайн способен в лучшем случае зафиксировать корреляцию, но не доказать причинно-следственную связь между использованием ИИ-ассистента и ростом компетенций.

### 13.1 Что автор предъявил

Заявлена следующая схема исследования:
- **Тип:** Квазиэксперимент.
- **Группы:** Экспериментальная (ЭГ), использующая ИИ-ассистента, и контрольная (КГ), обучающаяся традиционно.
- **Длительность:** 16 недель.
- **Замеры:** Pre-test и post-test для оценки исходного и конечного уровня навыков.
- **Гипотеза:** «ЭГ покажет больший прирост навыков, более качественные обзоры при сохранении оригинальности и снижение когнитивной нагрузки».
- **Метрики:** Качество поисковых запросов, уровень критической оценки статей, самостоятельность обзора, оригинальность (проверка на плагиат), когнитивная нагрузка (опросник NASA-TLX).

### 13.2 Reformulation

Более сильная проблема такова: дизайн эксперимента не содержит механизмов, позволяющих отделить эффект от самого факта наличия ИИ-инструмента (его новизны, интерактивности, структурирующей функции) от эффекта заявленного педагогического механизма — «поэтапной поддержки» (scaffolding) в зоне ближайшего развития.

За кадром остаются ключевые вопросы, без которых результаты будут неубедительны:
1.  **Изоляция переменной:** Как доказать, что результат получен именно благодаря *адаптивному* снижению помощи, а не просто из-за того, что у ЭГ был любой дополнительный инструмент, которого не было у КГ?
2.  **Фальсификация гипотезы:** Какой результат эксперимента заставит автора отказаться от гипотезы? Если ЭГ покажет те же результаты, что и КГ, это провал ИИ-ассистента или доказательство эффективности традиционного подхода? Если ЭГ покажет результаты лучше, как исключить альтернативные объяснения?
3.  **Перенос навыка:** Дизайн измеряет успешность выполнения задания *с инструментом*. Он не содержит обязательного этапа проверки, может ли участник ЭГ после 16 недель выполнить аналогичное задание полностью самостоятельно, без доступа к ИИ-ассистенту. Без такой проверки невозможно утверждать, что сформирован именно навык, а не способность управлять инструментом.

### 13.3 Критика

**Утверждение автора:** «Экспериментальная гипотеза: ЭГ покажет больший прирост навыков...»

**Возражение:** Этот дизайн уязвим для множества посторонних факторов (confounding variables), которые не контролируются. Положительный результат в ЭГ может быть объяснён не педагогическим механизмом «скаффолдинга», а побочными эффектами самого факта проведения эксперимента. Статистике выдали двух подозреваемых (традиционный метод и метод с ИИ), но отпечатков пальцев (доказательств конкретного механизма действия) не собрали. Любое различие между группами будет приписано «влиянию ИИ-ассистента» по умолчанию, хотя реальная причина может быть иной.

### 13.4 Альтернативные объяснения / гипотезы

Даже если ЭГ покажет значительно лучшие результаты, чем КГ, это можно объяснить как минимум четырьмя альтернативными механизмами, не связанными с заявленной «поэтапной поддержкой»:

-   **Альтернатива A: Эффект Хотторна (Hawthorne Effect).** Участники ЭГ знают, что они — часть инновационного эксперимента с новым инструментом. Само это знание, повышенное внимание со стороны преподавателей и новизна ситуации мотивируют их работать усерднее и показывать лучшие результаты. Эффект вызван не ИИ, а социально-психологическими условиями эксперимента.
-   **Альтернатива B: Эффект структурирования.** ИИ-ассистент, даже без адаптивного снижения помощи, навязывает студенту структурированный рабочий процесс (сформулируй запрос → оцени источники → проанализируй методологию → синтезируй). Контрольная группа такой жёсткой структуры не имеет. Таким образом, сравнивается не «ИИ vs не-ИИ», а «структурированная работа vs неструктурированная». Положительный результат докажет лишь пользу любого структурированного подхода.
-   **Альтернатива C: Эффект немедленной обратной связи.** Ключевым фактором может быть не *содержание* помощи ИИ, а её *мгновенность*. Студент в КГ ждёт ответа преподавателя часами или днями, студент в ЭГ получает ответ за секунды. Это позволяет ему совершать больше итераций и быстрее исправлять ошибки. Дело не в «зоне ближайшего развития», а в сокращении цикла «действие-обратная связь».
-   **Альтернатива D: Эффект снятия психологического барьера.** Студенты могут стесняться задавать «глупые» вопросы преподавателю (например, «а что такое булева логика?» или «как правильно оформить ссылку?»). ИИ-ассистент — безличный и не осуждающий собеседник, которому можно задать любой вопрос. Снижение этого барьера, а не когнитивной нагрузки по Свеллеру, может быть главным драйвером прогресса.

### 13.5 Пересборка

Сильная версия экспериментально-исследовательской модели должна быть направлена на изоляцию и проверку заявленного механизма.

Минимум нужно различить: эффект наличия инструмента, эффект структурирования и эффект адаптивной поддержки. Для этого требуется более сложный дизайн, чем простое сравнение двух групп.

**Предлагаемый дизайн «с активным контролем»:**
1.  **Группа КГ (Контрольная):** Традиционное обучение, без специального инструмента.
2.  **Группа ЭГ-1 (Структура):** Получает не-ИИ инструмент, который реализует тот же самый структурированный рабочий процесс. Это может быть продвинутый шаблон в Notion, или макрос для Word, или просто очень подробная пошаговая инструкция с чек-листами. Эта группа контролирует «эффект структурирования».
3.  **Группа ЭГ-2 (ИИ-помощник):** Получает ИИ-ассистента, но с *фиксированным* уровнем поддержки, который не меняется на протяжении 16 недель. Эта группа контролирует «эффект наличия ИИ» и «эффект немедленной обратной связи».
4.  **Группа ЭГ-3 (ИИ-скаффолдинг):** Основная экспериментальная группа, которая работает с ИИ-ассистентом с заявленным механизмом адаптивного снижения помощи (fading scaffolding).

Только если результаты ЭГ-3 будут статистически значимо выше, чем у КГ, ЭГ-1 и ЭГ-2, можно будет с уверенностью говорить о действенности именно механизма «поэтапной поддержки».

Кроме того, в post-test необходимо включить **независимую проверку (independent probe):** задание, которое все студенты из всех групп выполняют в одинаковых условиях, *без доступа к каким-либо ассистентам и вспомогательным инструментам*. Только этот тест покажет, был ли навык действительно *сформирован и присвоен* студентом (capability formation), или же студент просто научился эффективно пользоваться «протезом» (product improvement).

### 13.6 Требует решения автора

1.  Какова главная цель исследования: доказать эффективность конкретного педагогического механизма (scaffolding) или найти любой способ улучшить результаты студентов, даже если механизм его работы не до конца ясен?
2.  Готов ли автор усложнить дизайн эксперимента до трёх или четырёх групп, понимая, что это увеличит трудозатраты на проведение и анализ, но на порядок повысит доказательную силу выводов?
3.  Что будет считаться достаточным доказательством переноса навыка? Достаточно ли одного финального теста без ИИ, или нужна серия таких тестов на разном материале?
4.  Какой уровень «загрязнения» данных считается приемлемым? Например, что делать, если студенты из КГ начнут самостоятельно и бесконтрольно использовать общедоступные ИИ (ChatGPT, GigaChat)?

---

## 14. Архитектурная пересборка

В проекте ИИ-ассистент описан через метафору «наставника» и педагогический принцип «строительных лесов» (scaffolding). Эти описания задают намерение, но не являются архитектурой системы. Архитектура — это строгое описание компонентов, их функций, связей и, что критически важно, распределения ответственности. Текущее описание смешивает роли и оставляет без ответа ключевые вопросы о том, кто или что принимает решения в системе.

### 14.1 Что автор предъявил

-   **Роль ИИ:** «персональный научный наставник», «внешний агент», реализующий «поэтапную поддержку» (scaffolding).
-   **Функции ИИ:** «помощь в формулировании поисковых запросов», «генерация чек-листов для оценки статей», «обратная связь по структуре обзора», «задаёт вопросы».
-   **Ограничения ИИ:** «запрет генерации связных текстов», «запрет генерации опасных инструкций», «встроенные фильтры и напоминания по безопасности и академической честности».
-   **Механизм:** «постепенная передача ответственности», «постепенно снижая свою поддержку (fading scaffolding)».

### 14.2 Reformulation

Более сильная проблема такова: в проекте отсутствует различение между языковым интерфейсом (LLM-оператором) и управляющей логикой (агентом). Заявленный механизм «постепенной передачи ответственности» не может быть реализован языковой моделью самой по себе, так как у неё нет ни памяти о состоянии обучаемого, ни полномочий на изменение правил взаимодействия.

За кадром остаётся вся исполнительная часть архитектуры:
-   **Модель обучаемого:** Как система «понимает», что студент освоил навык и готов к снятию «лесов»? На основе каких данных (логи, ошибки, самооценка) это решение принимается?
-   **Политика поддержки (Fading Policy):** Кто или что определяет точный момент и способ снижения помощи? Это происходит по календарному плану, по команде преподавателя, по запросу студента или автоматически на основе модели обучаемого?
-   **Исполнитель политики:** Какой компонент системы физически изменяет поведение ИИ-ассистента (например, отключает функцию подсказки по булевой логике)?

### 14.3 Критика

**Утверждение автора:** ИИ-ассистент реализует «scaffolding» с «постепенной передачей ответственности».

**Возражение:** Это утверждение архитектурно не обеспечено. В текущем виде это равносильно заявлению, что автоматическая коробка передач в автомобиле будет переключать скорости «по мере обретения водителем уверенности». Без датчиков оборотов двигателя, скорости автомобиля и положения педали газа (аналогов модели состояния студента) коробка передач слепа. Она не может принимать решения о переключении. Точно так же языковая модель, являясь по сути интерфейсом, не может сама решать, когда и как «передавать ответственность». Она может только отвечать на запросы в рамках заданных ей правил. Заявленный «скаффолдинг» — это не свойство ИИ, а надежда на то, что он каким-то образом сам проявится. Это не архитектура, а пожелание к ней.

### 14.4 Альтернативные объяснения / гипотезы

Заявленная функциональность может быть сымитирована более простыми, но не адаптивными механизмами. Если система будет казаться работающей, реальная причина может быть в одном из следующего:

-   **Альтернатива A: Жёстко закодированный сценарий.** «Снижение поддержки» реализовано не как адаптивный механизм, а как заранее прописанный по неделям сценарий. На неделях 1-4 доступны все подсказки, на неделях 5-8 отключается помощь с булевой логикой, и так далее. Это не адаптация к студенту, а следование фиксированному учебному плану.
-   **Альтернатива B: Ручное управление преподавателем.** Преподаватель вручную, через административную панель, меняет уровень поддержки для каждого студента или для всей группы, основываясь на своих наблюдениях. В этой схеме «агентом» является преподаватель, а ИИ — лишь исполнительным инструментом. Это не масштабируемо и создаёт огромную нагрузку на преподавателя.
-   **Альтернатива C: Иллюзия адаптивности.** Система предлагает студенту самому выбрать уровень сложности или объём помощи. Студент, чувствуя прогресс, сам отключает подсказки. Система не «передаёт ответственность», а лишь предоставляет интерфейс для саморегуляции. Это тестирует метакогнитивные навыки студента, а не реализует адаптивный скаффолдинг.

### 14.5 Пересборка

Сильная версия архитектуры такова: необходимо явно разделить систему на компоненты с чётко определёнными ролями и полномочиями. Это превращает метафору «наставника» в работающую машину.

**Минимум нужно различить:**
-   **Актор:** Субъект, принимающий ответственные решения и несущий за них последствия. В этой системе два актора: **Студент** (отвечает за содержание и качество своей работы) и **Преподаватель** (отвечает за оценку, педагогический дизайн и разрешение нештатных ситуаций).
-   **LLM-Оператор:** Языковой интерфейс (например, API GPT-4 или другой модели). Его задача — выполнять конкретные языковые операции по запросу: перефразировать, найти синонимы, сгенерировать чек-лист по заданному шаблону, проверить текст на соответствие формальным правилам. У него нет своей воли, памяти о прогрессе или права менять правила игры. Он — инструмент.
-   **ML-Оператор (Модель Компетенции):** Неязыковой, чисто математический компонент. Его задача — в реальном времени анализировать цифровые следы деятельности студента (логи запросов, количество итераций, типы используемых операторов, время выполнения задач) и строить векторное представление его текущего уровня навыков по каждой из измеряемых компетенций (например, `[поиск: 0.8, критика: 0.3, синтез: 0.1]`). Это и есть «датчики» системы.
-   **Агент (Оркестратор):** Программная логика, которая является ядром системы. Это не языковая модель. Его цикл работы:
    1.  Получить от **Студента** запрос.
    2.  Запросить у **Модели Компетенции** текущий вектор навыков студента.
    3.  На основе этого вектора и **Политики поддержки** (Fading Policy, заданной **Преподавателем**) принять решение: какой уровень помощи сейчас допустим?
    4.  Сформировать итоговый промпт для **LLM-Оператора**, включающий как запрос студента, так и жёсткие ограничения на ответ (например, «ответь на вопрос, но не используй готовые формулировки из источников» или «дай подсказку, но не готовый булев запрос»).
    5.  Передать ответ от **LLM-Оператора** студенту.
    6.  Записать всю транзакцию в лог для последующего анализа **Моделью Компетенции**.

Такая архитектура делает механизм «скаффолдинга» явным, измеряемым и управляемым. Она превращает пожелание в инженерную задачу.

### 14.6 Требует решения автора

1.  Кто несёт ответственность за фактические ошибки (включая химические), сгенерированные LLM-Оператором, даже в режиме «подсказки»? Студент, который не проверил, или система, которая его ввела в заблуждение?
2.  Какова процедура «аварийного выхода» (escape hatch), если студент зашёл в тупик во взаимодействии с Агентом, который, следуя политике, отказывает в помощи?
3.  Насколько сложной должна быть «Модель Компетенции» для пилотного запуска? Достаточно ли простого счётчика использования определённых функций, или нужна полноценная ML-модель?
4.  Кто является владельцем данных о траектории обучения студента (логов его ошибок и прогресса)? Сам студент, преподаватель, университет?

---

## 15. Полный граф движения ролей

Проект предполагает динамическую систему, где роли участников (Студент, ИИ-ассистент, Преподаватель) меняются на протяжении 16 недель. Заявленный принцип «скаффолдинга» — это, по сути, протокол управляемого ролевого перехода. Однако без явного описания этих переходов существует риск ролевой путаницы и возникновения скрытых, нежелательных ролей.

### 15.1 Заявленные и подразумеваемые роли

-   **Студент:** Начинает как **Новичок** (не владеющий навыками), должен закончить как **Самостоятельный исследователь** (способный выполнить весь цикл работы без внешней помощи).
-   **ИИ-ассистент:** Начинает как **Наставник/Гид**, который активно ведёт студента. Постепенно его роль должна сузиться до **Инструмента/Справочника**, используемого по необходимости.
-   **Преподаватель:** Начинает как **Архитектор системы/Супервизор**, который задаёт правила и наблюдает за процессом. В конце он выступает в роли **Эксперта-оценщика**, который принимает итоговую работу.

### 15.2 Граф ролевых переходов по этапам работы

| Этап работы (недели) | Роль Студента | Роль ИИ-ассистента | Роль Преподавателя | Ключевой переход |
| :--- | :--- | :--- | :--- | :--- |
| **1-4: Ориентация и поиск** | **Исполнитель под руководством.** Учится формулировать запросы, следует инструкциям ИИ. | **Директивный гид.** Предлагает формулировки, даёт прямые инструкции по использованию баз данных, объясняет основы. | **Наблюдатель.** Следит за общей динамикой, не вмешивается в микро-взаимодействия. | Студент переходит от незнания к следованию алгоритму. |
| **5-9: Критический анализ** | **Аналитик-стажёр.** Самостоятельно применяет чек-листы, пытается найти противоречия. Запрашивает у ИИ не готовые ответы, а проверку своих гипотез. | **Консультант/Спарринг-партнёр.** Не даёт прямых ответов, а задаёт уточняющие вопросы («А какие ещё могут быть ограничения у этого метода?», «Ты уверен, что это противоречие, а не разные условия эксперимента?»). | **Медиатор.** Вмешивается при системных ошибках студента или сбоях ИИ. Проводит групповые разборы типичных затруднений. | ИИ переходит от инструкций к вопросам. Студент — от исполнения к интерпретации. |
| **10-13: Синтез и структурирование** | **Архитектор обзора.** Самостоятельно выстраивает логику и структуру текста. Использует ИИ для рутинных задач (форматирование, проверка цитат). | **Технический ассистент.** Выполняет конкретные, узкие команды. Помощь в анализе и синтезе полностью отключена. | **Предварительный рецензент.** Даёт обратную связь на черновик структуры обзора, оценивая логику и аргументацию. | ИИ низводится до роли инструмента. Студент принимает полную ответственность за содержание. |
| **14-16: Финальная работа и рефлексия** | **Самостоятельный исследователь.** Завершает работу. Проходит тест без ИИ. Рефлексирует свой путь. | **Отключён / Архив.** Недоступен для выполнения основного задания. Может использоваться для мета-вопросов («Покажи лог моих ошибок на 5-й неделе»). | **Экзаменатор.** Оценивает итоговый продукт и (что важнее) доказательства сформированности навыка по результатам независимой проверки. | Полная передача ответственности студенту. |

### 15.3 Риски ролевой путаницы и скрытые переходы

Отсутствие жёсткой архитектуры и протоколов создаёт риски появления незапланированных и контрпродуктивных ролей:

1.  **Студент → Оператор промптов.** Вместо того чтобы осваивать навык критического анализа, студент фокусируется на подборе правильных слов, чтобы «взломать» ИИ и заставить его сделать работу. Он учится не химии и методологии, а промпт-инжинирингу.
2.  **ИИ-ассистент → Чёрный ящик / Оракул.** Если логика «скаффолдинга» непрозрачна, студент перестаёт понимать, почему вчера ИИ помогал, а сегодня отказывает. Инструмент из помощника превращается в непредсказуемую силу, что вызывает фрустрацию и подрывает доверие.
3.  **ИИ-ассистент → Со-автор.** Несмотря на запрет генерации связных текстов, студент может научиться собирать итоговый текст из десятков мелких ответов ИИ. В этом случае ИИ негласно становится со-автором, что нарушает принцип академической честности.
4.  **Преподаватель → Техническая поддержка.** Вместо обсуждения сути научных статей, преподаватель тратит время на решение проблем «у меня ИИ не отвечает», «почему он мне запретил это делать?». Педагогическая функция подменяется технической.
5.  **Преподаватель → Адвокат ИИ.** В спорных ситуациях (например, ИИ дал некорректную подсказку) преподаватель вынужден либо «защищать» систему, либо признавать её несостоятельность, что в обоих случаях подрывает учебный процесс.

Для минимизации этих рисков необходимы чёткие инструкции для всех участников, прозрачность правил работы системы и наличие протоколов для разрешения нештатных ситуаций.

---

## 16. Распределение функций и ответственности

Для успешной реализации проекта необходимо чётко разграничить, кто из участников (Студент, ИИ-ассистент, Преподаватель) инициирует, исполняет, проверяет и несёт итоговую ответственность за каждую ключевую функцию в учебном процессе. Отсутствие такого разграничения является основной причиной размывания ответственности и риска подмены компетенций.

Ниже представлена карта распределения функций и ответственности, исходя из сильной версии архитектуры проекта.

| Функция / Задача | Инициирует | Исполняет | Проверяет | **Отвечает за результат** |
| :--- | :--- | :--- | :--- | :--- |
| **1. Формулирование темы и исследовательского вопроса** | Студент | Студент | Преподаватель, ИИ-ассистент (как спарринг-партнёр) | **Студент** |
| **2. Составление поискового запроса (включая булеву логику)** | Студент | Студент (ИИ-ассистент может предлагать варианты на ранних этапах) | Студент (сравнивая результаты выдачи), ИИ-ассистент (формальная корректность) | **Студент** |
| **3. Выбор релевантных баз данных (Scopus, Reaxys и т.д.)** | Преподаватель (задаёт список) | Студент | Преподаватель (через итоговый список литературы) | **Студент** |
| **4. Первичный отбор статей по названию и аннотации** | Студент | Студент | - | **Студент** |
| **5. Критическая оценка полной статьи по рубрикатору** | Преподаватель (предоставляет рубрикатор) | Студент | Студент (самопроверка), Преподаватель (выборочно или по итоговому тексту) | **Студент** |
| **6. Проверка химической корректности данных в статьях** | Студент | Студент | Студент, Преподаватель | **Студент** |
| **7. Выявление противоречий между разными источниками** | Студент | Студент | Преподаватель (в итоговом обзоре) | **Студент** |
| **8. Синтез и создание структуры литературного обзора** | Студент | Студент | Преподаватель | **Студент** |
| **9. Написание текста литературного обзора** | Студент | Студент | Преподаватель, Система антиплагиата | **Студент** |
| **10. Оформление библиографии и ссылок** | Студент | Студент (может использовать ИИ-ассистент или Zotero как инструмент) | Студент, Преподаватель (финальная проверка) | **Студент** |
| **11. Проверка на плагиат и академическую честность** | Преподаватель (устанавливает требование) | Студент (самоконтроль), Система антиплагиата | Преподаватель | **Студент** |
| **12. Снижение уровня поддержки ИИ-ассистента (Fading)** | **Агент (Оркестратор)** | **Агент (Оркестратор)** | Преподаватель (может корректировать политику) | **Преподаватель** (как архитектор системы) |
| **13. Итоговая оценка работы и сформированности навыка** | Преподаватель | Преподаватель | - | **Преподаватель** |

**Ключевые выводы из таблицы:**

-   **Полная ответственность студента:** За все содержательные аспекты работы — от выбора темы до финального текста и его корректности — конечную ответственность несёт студент. Роль ИИ-ассистента — исключительно поддерживающая и никогда не освобождающая от ответственности.
-   **ИИ как исполнитель без ответственности:** ИИ-ассистент выступает в роли исполнителя узких задач (предложить вариант, проверить формат), но никогда не является ответственным за результат. Ответственность за использование или неиспользование его подсказок лежит на студенте.
-   **Двойная роль преподавателя:** Преподаватель является и архитектором/контролёром системы (задаёт правила, рубрикаторы, политику `fading`), и конечным оценщиком результата. Это создаёт дополнительную нагрузку, но сохраняет педагогический контроль.
-   **Ответственность за `fading`:** За сам механизм «снятия лесов» отвечает не ИИ, а программный Агент (Оркестратор), действующий по правилам, заданным преподавателем. Это делает процесс управляемым и выводит его из «чёрного ящика» языковой модели.

---

## 17. Зона ближайшей деградации

Концепция «зоны ближайшего развития» (ЗБР) Выготского, на которую опирается проект, имеет тёмного двойника — «зону ближайшей деградации» (ЗБДег). Это набор когнитивных операций, которые студент, имея возможность делегировать их эффективному внешнему инструменту, перестаёт выполнять сам. В результате соответствующий навык не развивается, а атрофируется, или не формируется вовсе. Для проекта, построенного на идее ИИ-поддержки, анализ ЗБДег является критически важным элементом управления рисками.

**Зона ближайшей деградации (ЗБДег)** — это те умственные действия, которые находятся на границе самостоятельного выполнения и которые с высокой вероятностью будут экспроприированы (exappropriated) ИИ-ассистентом, если его архитектура и протоколы использования это позволяют.

### 17.1 Уровни деградации навыка в контексте проекта

Можно выделить четыре уровня сползания в ЗБДег, от лёгкого отклонения до полной потери компетенции.

-   **L0: Ожидаемое (целевое) поведение.** Студент использует ИИ для снятия *посторонней* когнитивной нагрузки (Sweller): форматирование ссылок, проверка орфографии, быстрый поиск определений. Ключевые операции — оценка надёжности источника, выявление логических разрывов в аргументации статьи, синтез идей из разных источников — студент выполняет сам. ИИ используется как калькулятор, а не как математик.

-   **L1: Первый уход от нормы (Делегирование микро-навыков).** Студент начинает делегировать не рутинные, а уже осмысленные, хотя и простые, операции.
    -   *Пример:* Вместо того чтобы самому составить булев запрос `("organic synthesis" OR "total synthesis") AND "catalyst" AND ("yield" > 95%)`, он пишет ИИ: «найди мне статьи про синтез с хорошим выходом с катализатором». Он получает результат, но не осваивает синтаксис и логику поиска.
    -   *Последствие:* Навык точного формулирования запроса к базе данных не формируется.

-   **L2: Систематическая ошибка (Делегирование тактических операций).** Студент делегирует целые этапы аналитической работы. Его взаимодействие с ИИ становится серией макро-команд.
    -   *Пример:* Загрузив в ИИ две статьи, студент даёт команду: «сравни методологию в этих двух статьях и найди ключевые различия». Он не читает внимательно разделы «Материалы и методы», не сопоставляет условия экспериментов, а сразу получает готовый результат. Его работа сводится к редактированию и компиляции выводов ИИ.
    -   *Последствие:* Навык критического чтения и сравнительного анализа первоисточников подменяется навыком составления запросов к ИИ. Студент становится менеджером, а не аналитиком.

-   **L3: Тихая экспроприация компетенции (Стратегическое делегирование).** Студент полностью полагается на ИИ для выполнения всей интеллектуальной работы. Он может не читать статьи вообще, работая только с их краткими изложениями, сгенерированными ИИ.
    -   *Пример:* Весь процесс выглядит так: «Вот моя тема. Подбери 10 релевантных статей. Сделай по каждой краткое саммари. Найди в них три основных направления аргументации. Составь из этого план обзора. Напиши текст для каждого пункта плана». Даже если ИИ будет выполнять это пошагово, итоговый продукт будет создан без участия критического мышления студента.
    -   *Последствие:* Полная деградация. Студент способен сдать качественный *продукт* (текст обзора), не обладая *компетенцией* (умением его создавать). При отключении ИИ он оказывается полностью беспомощен. Это и есть конечная точка ЗБДег.

### 17.2 Механизмы защиты от деградации

Пересборка проекта должна включать явные «защищённые ходы» (protected human moves) — ключевые когнитивные операции, которые архитектурно запрещено делегировать ИИ.

1.  **Принудительная самостоятельная операция:** Некоторые шаги студент должен выполнить и зафиксировать *до* того, как ему будет разрешено обратиться к ИИ по этому поводу.
    -   *Пример:* Студент должен сначала сам написать 3-5 пунктов критики методологии статьи в специальном поле, и только после этого ему открывается кнопка «Спросить мнение ИИ» или «Сравнить с эталонным разбором». Это гарантирует, что первая попытка осмысления была сделана человеком.

2.  **Запрет на работу с производными:** Ввести правило, что ИИ не может генерировать саммари или краткое изложение статьи. Он может отвечать на конкретные вопросы о статье («Какой катализатор использовался в реакции 3b?»), но не создавать её суррогат. Это заставляет студента работать с первоисточником.

3.  **Тесты на обратную реконструкцию (Reverse Reconstruction Test):** Периодически система может выдавать студенту сгенерированный ИИ фрагмент анализа и просить его восстановить ход мысли: «Вот вывод о противоречии двух статей. Найди в текстах конкретные предложения и данные, на основе которых этот вывод мог быть сделан». Это проверяет, понимает ли студент логику анализа, а не просто потребляет результат.

4.  **Прозрачность политики `fading`:** Студент должен понимать, почему и какая поддержка отключается. Это превращает отключение из наказания в маркер его собственного роста («Вы успешно использовали булеву логику в 5 запросах подряд, поэтому подсказки по ней больше не требуются. Поздравляем!»).

---

## 18. Функционально-стоимостная и ресурсная карта

Внедрение ИИ-ассистента — это не просто добавление нового ПО, а создание сложной социотехнической системы, требующей значительных ресурсов. Оценка этих ресурсов критична для понимания жизнеспособности проекта за пределами пилотной фазы. Карта разделена на затраты для пилотного запуска на 40 студентах и прогнозируемые затраты при масштабировании.

### 18.1 Ресурсная карта пилотного проекта (1 семестр, 40 студентов)

| Категория ресурса | Состав затрат | Оценка объёма |
| :--- | :--- | :--- |
| **1. Прямые финансовые затраты** | **Доступ к научным базам данных:** Scopus, Web of Science, Reaxys, SciFinder. Это основная и самая крупная статья расходов, если у университета нет полной подписки. | Требует проверки наличия институциональной подписки. При её отсутствии — стоимость индивидуальных или групповых лицензий может быть запретительной. |
| | **API ИИ-моделей:** Стоимость токенов для выбранной модели (например, GPT-4, Claude 3, etc.) на 40 студентов на 16 недель активного использования. | Зависит от модели и интенсивности. Ориентировочно: $20-50 на студента за семестр, итого $800 - $2000. |
| | **Платформа/Разработка:** Если используется готовая платформа — стоимость подписки. Если собственная разработка — стоимость хостинга и сопутствующих сервисов. | От $0 (если на базе бесплатных инструментов) до нескольких тысяч долларов за кастомную разработку. |
| **2. Трудозатраты (человеко-часы)** | **Авторы проекта (Сафин Д.А., Панова Е.В.):**<br>- Доработка дизайна, архитектуры, политик `fading`.<br>- Разработка рубрикаторов оценки.<br>- Настройка промптов для Агента.<br>- Анализ результатов пилота и написание отчёта. | ~120-160 часов на двоих. |
| | **Преподаватель(и) на курсе:**<br>- Ведение семинаров (включая обучение работе с системой).<br>- Мониторинг работы студентов в системе.<br>- Разрешение нештатных ситуаций (технических и педагогических).<br>- Проверка и оценка итоговых работ. | На 50-70% выше, чем при традиционном ведении курса. Ориентировочно: 8-10 часов в неделю вместо 5-6. Итого ~120-160 часов за семестр. |
| | **Эксперты для оценки:**<br>- Двойная слепая оценка работ (pre-test, post-test) по рубрикаторам для расчёта inter-rater reliability. | 2 эксперта * 40 работ * 2 теста * ~20 минут/работа = ~50-60 часов. |
| **3. Организационные ресурсы** | **Техническая поддержка:** Решение проблем с доступом, логинами, сбоями в работе системы. | На этапе пилота может выполняться авторами проекта, но это отвлекает от педагогических задач. |
| | **Учебное время:** Проведение инструктажей, дополнительных консультаций. | ~4-6 академических часов сверх стандартной программы. |

### 18.2 Прогноз ресурсов для масштабирования (например, на 200 студентов)

Масштабирование проекта не является линейным умножением затрат пилота. Возникают новые, качественные барьеры и требования.

| Категория ресурса | Состав затрат при масштабировании | Ключевые изменения |
| :--- | :--- | :--- |
| **1. Прямые финансовые затраты** | **Доступ к БД:** Вопрос становится критичным. Требуется гарантированная институциональная подписка. | Отсутствие подписки делает проект нежизнеспособным в масштабе. |
| | **API ИИ-моделей:** Прямое масштабирование. 200 студентов * $50 = $10,000 за семестр. | Требуется выделенный бюджет. Возможны оптовые скидки от провайдеров. |
| | **Платформа/Разработка:** Требуется стабильная, поддерживаемая платформа. Нужен выделенный разработчик или команда для поддержки и развития. | Затраты на разработку и поддержку становятся постоянной статьёй бюджета (0.5-1 FTE разработчика). |
| **2. Трудозатраты (человеко-часы)** | **Преподаватели:** Один или два профессора не смогут вести 200 студентов в таком режиме. | **Необходимо введение роли Учебного ассистента (Teaching Assistant).** Требуются затраты на их отбор, обучение (включая работу с системой) и оплату труда. На 200 студентов — 8-10 ассистентов. |
| | **Администратор системы:** Выделенный сотрудник для управления пользователями, мониторинга системы, базовой техподдержки. | Новая штатная или частично занятая роль. ~10 часов в неделю. |
| **3. Организационные ресурсы** | **Интеграция с LMS:** Система должна быть интегрирована в университетскую Learning Management System (Moodle, Canvas и т.д.). | Требует ресурсов IT-департамента университета. |
| | **Нормативная база:** Разработка и утверждение университетских регламентов по использованию ИИ в учебном процессе, академической честности. | Требует участия учебно-методического управления и юридической службы. |
| | **Обучение преподавателей и ассистентов:** Создание программы обучения для новых пользователей системы из числа преподавательского состава. | Новая постоянная функция, требующая ресурсов. |

**Вывод:** Пилотный проект является относительно недорогим в плане прямых финансовых затрат (если решён вопрос с базами данных), но чрезвычайно требователен к времени и компетенциям авторов и преподавателей. Масштабирование превращает проект из исследовательской инициативы в полноценный сервисный продукт, требующий выделенного бюджета, штатных единиц (разработчики, ассистенты, администраторы) и глубокой интеграции в организационную и техническую инфраструктуру университета.

---

## 19. Суждение по позиции Ульяны

Позиция Ульяны рассматривает проект через призму педагогической операции и учебного результата. Фокус — на том, что именно делает обучающийся, как меняется его деятельность, и как мы можем достоверно измерить, что сформировалась именно его собственная способность, а не способность гибридной системы «человек + машина».

#### Что уже собрано

С точки зрения этой позиции, проект имеет сильный фундамент:
- **Точная постановка проблемы:** Авторы чётко фиксируют наблюдаемый дефицит у студентов-химиков: от неумения пользоваться профильными базами данных (Scopus, Reaxys) до некритического восприятия источников и компиляции вместо синтеза.
- **Адекватный выбор предметной области:** Модуль по работе с литературой, исключающий лабораторную практику, — это осознанное решение, которое снимает риски, связанные с генерацией машиной некорректных или опасных инструкций по работе с реагентами. Это позволяет сфокусироваться на когнитивных навыках.
- **Продуманный дизайн исследования:** Квазиэксперимент с контрольной и экспериментальной группами, pre-test/post-test и длительностью в 16 недель создаёт условия для отслеживания динамики и сравнения результатов.
- **Многомерная оценка:** Использование нескольких метрик (качество запросов, глубина критики, оригинальность, когнитивная нагрузка по NASA-TLX) защищает от ложных выводов на основе одного показателя.
- **Теоретическая обоснованность:** Ссылка на концепцию «строительных лесов» (scaffolding) и Зону Ближайшего Развития (ЗБР) задаёт правильную рамку: поддержка должна быть временной и нацеленной на развитие самостоятельности.

#### Что здесь недостроено

Несмотря на прочный каркас, ключевые механизмы обучения остаются непроявленными.
1.  **Операционализация «строительных лесов» отсутствует.** Заявлен принцип *fading scaffolding* (постепенное снятие поддержки), но не описан его механизм. Кто, по каким критериям и в какой момент решает, что обучающийся готов к следующему этапу с меньшей поддержкой? Как выглядит «максимальная», «средняя» и «минимальная» поддержка в терминах конкретных действий машины и обучающегося? Без этого протокола «леса» рискуют стать постоянной конструкцией, костылём.
2.  **Целевое действие не декомпозировано.** «Формирование навыков научного поиска и критического анализа» — это комплексная компетенция, а не одна операция. Она состоит из десятков микро-действий: перевод проблемы в ключевые слова, применение булевых операторов, оценка релевантности аннотации, выявление методологических ограничений в статье, сопоставление выводов из разных источников. Проект не показывает, какие из этих операций являются мишенью на каждом этапе и как они собираются в итоговый навык.
3.  **Отсутствует независимый зонд (independent probe).** Как будет проверяться, что сформированный навык переносим и не зависит от конкретного ИИ-ассистента? Post-test в ЭГ, проведённый с тем же ассистентом, докажет только, что обучающиеся научились эффективно пользоваться этим инструментом. Нужен тест, в котором обучающийся должен продемонстрировать навык в «чистых» условиях — без ассистента или с совершенно другим инструментом, чтобы доказать именно формирование внутренней способности.
4.  **Смешение результата-продукта и результата-способности.** Проект нацелен на получение «более качественных обзоров». Это результат-продукт. Но главная цель — формирование способности к их созданию. Возможно, на промежуточном этапе обучающийся с ассистентом напишет обзор лучше, чем без него, но это не доказывает, что его собственная способность выросла. Нужны метрики, отслеживающие именно процесс и изменение *способа действия* самого обучающегося.

#### Критика

**Утверждение автора (реконструкция):** «ИИ-ассистент с поэтапной поддержкой (scaffolding) формирует у студентов навыки научного поиска и критического анализа».

**Механизм ошибки:** Это утверждение смешивает декларацию о намерениях с описанием механизма. Scaffolding — это не функция, которую можно «включить», а педагогический протокол, который нужно спроектировать и реализовать. Проект описывает желаемый эффект от «умного костыля», но не предоставляет протокол работы физиотерапевта — последовательность упражнений, критерии перехода от одного к другому и момент, когда костыль нужно отбросить.

**Аналогия:** Это как заявить о постройке самолёта, предъявив чертёж фюзеляжа и описание пункта назначения. Есть начальная точка (студент не умеет), есть конечная (студент пишет хороший обзор), есть транспорт (ИИ-ассистент). Но отсутствует карта полёта, приборная панель и, главное, лётная школа — детальная программа обучения пилота (студента), которая объясняет, как он научится управлять этим самолётом, а не просто лететь в качестве пассажира. Риск в том, что студент научится отлично «пассажирить» — получать качественный продукт, не приобретая навыка пилотирования.

#### Главный вопрос автору

Какую одну, самую простую, но полную сквозную операцию (например: от формулировки запроса по теме до выбора трёх релевантных статей с обоснованием) студент должен научиться выполнять полностью самостоятельно, на незнакомом материале, без помощи ИИ-ассистента к концу модуля? По каким наблюдаемым признакам (кроме итогового текста) вы поймёте, что эта операция им освоена?

#### Обязательное решение

Автор должен выбрать и зафиксировать минимальную единицу учебной деятельности (target action), которая остаётся «защищённой» человеческой операцией. Например: «Финальное суждение о пригодности методологии статьи для ответа на исследовательский вопрос выносит только человек». Или: «Синтез противоречивых данных из двух источников в новый вывод — это операция, которую ИИ не может делать, он может лишь подсветить противоречия». Без этого выбора неясно, что именно мы развиваем, а что делегируем. Риск неверного выбора или его отсутствия — проект превратится в создание более удобного интерфейса к базам данных, а не в образовательную интервенцию.

#### Следующий артефакт

**Карта учебной деятельности (Activity Map).** Это детализированная схема процесса работы над обзором, разбитая на этапы (например: 1. Проблематизация, 2. Поиск, 3. Фильтрация, 4. Глубокий анализ, 5. Синтез, 6. Оформление). Для каждого этапа должны быть прописаны:
- **Подэтапы и конкретные операции** (например, для Поиска: «генерация синонимов», «составление булева запроса», «выбор БД»).
- **Роль студента:** что он делает сам.
- **Роль ИИ-ассистента:** какую поддержку он оказывает (например, «предлагает синонимы», «проверяет синтаксис запроса»).
- **Критерии для снятия поддержки:** что должен продемонстрировать студент, чтобы ИИ перестал помогать с этой операцией.

#### Критерий готовности

Артефакт готов, когда на его основе можно составить чек-лист для внешнего наблюдателя (преподавателя), по которому тот сможет оценить уровень самостоятельности студента на каждом этапе, даже не видя экрана его ИИ-ассистента, а лишь наблюдая за его действиями и слыша его рассуждения.

#### Плотный вердикт

С позиции Ульяны, проект находится на стадии зрелой концепции с высоким потенциалом, но с нераскрытым ядром — педагогическим механизмом. Авторы блестяще определили «что» и «зачем», но не детализировали «как». Заявка на scaffolding и ЗБР — это сильный теоретический ход, но он остаётся декларацией, пока не превратится в конкретный, пошаговый протокол передачи ответственности от машины к человеку. Сейчас проект доказывает, что с хорошим инструментом можно получить хороший продукт. Но он ещё не готов доказать, что после работы с этим инструментом у человека остаётся и развивается собственная способность. Различие между «сделать лучший обзор» (product) и «стать лучшим исследователем» (capability) — ключевое. Без операционализации учебной деятельности и проектирования независимого теста на перенос навыка, пилотный запуск рискует дать ложноположительные результаты, где улучшение продукта будет ошибочно принято за состоявшееся обучение. Проект готов к обсуждению дизайна этого механизма, но не к пилоту, который должен его измерять.

---

## 20. Суждение по позиции Тимура

Позиция Тимура анализирует проект с точки зрения методологии, архитектуры человеко-машинной системы и границ ответственности. Фокус — на том, как устроен полный цикл деятельности, кто какие функции выполняет, где проходят зоны передачи контроля и как архитектура системы защищает или, наоборот, подрывает образовательные цели.

#### Что уже собрано

С точки зрения этой позиции, в проекте есть несколько сильных архитектурных решений и ограничений:
- **Явные «красные линии»:** Запрет на генерацию связных текстов и инструкций по опасным химическим операциям — это не просто этические декларации, а фундаментальные архитектурные ограничения. Они определяют класс системы: это не «автопилот», а «система помощи водителю».
- **Фокус на профильных инструментах:** Требование работать с научными базами данных (Scopus, Reaxys и т.д.), а не с открытым вебом, задаёт чёткие границы для поисковой функции и повышает качество входящей информации.
- **Признание проблемы «скрытого делегирования»:** Авторы прямо ставят вопрос о риске подмены компетенций, что является отправной точкой для проектирования любой осмысленной гибридной системы.
- **Индивидуальная траектория как основа:** Начало работы в индивидуальном режиме позволяет собрать «чистые» данные о взаимодействии «человек-машина», прежде чем усложнять систему групповыми взаимодействиями.
- **Теоретическая рамка распределённого познания:** Хотя она и не развёрнута, само её упоминание указывает на понимание того, что когнитивная функция может быть распределена между агентами, и это требует специального проектирования.

#### Что здесь недостроено

Архитектура системы описана на уровне намерений, а не спецификаций.
1.  **Отсутствует карта когнитивных ролей.** Кто в системе «студент-ИИ» за что отвечает? Например, в процессе оценки статьи: ИИ находит статью по запросу (роль: поисковик), извлекает структуру (роль: парсер), а студент оценивает адекватность методологии (роль: критик). Эта карта не составлена. Без неё «распределённое познание» — пустой термин.
2.  **Не определены протоколы «отказа» и «эскалации».** Что делает система, когда студент просит её выполнить запрещённую операцию (например, «напиши за меня вывод»)? Просто блокирует? Или объясняет, почему это вредно для обучения (педагогический отказ)? Что происходит, если студент систематически не справляется с задачей даже с поддержкой? Происходит ли эскалация на преподавателя? Эти политики отказа и эскалации — ключевая часть архитектуры.
3.  **Неизвестен технологический стек.** Выбор между условным ChatGPT с кастомным промптом, специализированной моделью типа DeepSeek Coder/Math или собственной разработкой на базе открытых моделей — это не техническая деталь, а фундаментальное архитектурное решение. От него зависит способность системы работать с химическими формулами, понимать контекст, логировать действия и реализовывать те самые «красные линии». Проект в текущем виде не зависит от этого выбора, а значит, он слишком абстрактен.
4.  **Механизм логирования и аудита не прописан.** Чтобы доказать, что студент развивался, а не просто нажимал «далее», необходим полный, интерпретируемый лог его взаимодействий с системой. Какие запросы он делал? Какие варианты отвергал? Сколько времени тратил на анализ? Где ему требовалась подсказка? Эти данные — не просто метрики, это единственный источник объективной истины о реальном процессе. Архитектура сбора и анализа этих логов не обсуждается.

#### Критика

**Утверждение автора (реконструкция):** «ИИ работает в зоне ближайшего развития студента, снижая когнитивную нагрузку и обеспечивая немедленную обратную связь».

**Механизм ошибки:** Антропоморфизм и категориальная ошибка. Программное обеспечение не «работает в ЗБР». Оно выполняет скрипт. ЗБР — это характеристика динамического состояния обучающегося, которую может оценить опытный педагог. Чтобы машина могла имитировать эту функцию, ей нужна модель обучающегося, сенсоры для сбора данных о его состоянии и набор правил для адаптации своего поведения. В проекте нет ни слова об этой машинерии. Утверждение переносит желаемый педагогический результат на техническое устройство, не описывая, как это устройство должно быть сконструировано для достижения этого результата.

**Аналогия:** Это как утверждать, что автоматическая коробка передач в автомобиле «чувствует намерение водителя и подстраивается под его стиль вождения». На самом деле она слепо переключает передачи на основе оборотов двигателя и скорости, по зашитому в неё алгоритму. Если этот алгоритм не спроектирован (нет датчиков, нет логики переключения), то заявление о «подстройке» — это магия, а не инженерия. Проект заявляет о «магической» коробке передач, не показывая её чертежей. Он описывает, как хорошо было бы, если бы она работала, но не как она устроена.

#### Главный вопрос автору

Какое решение или суждение, принимаемое студентом в процессе анализа литературы (например, оценка валидности аргумента, выбор между двумя противоречащими источниками, формулировка собственного вывода), вы ни при каких обстоятельствах не готовы делегировать машине, даже если эмпирически будет доказано, что машина делает это с меньшим количеством ошибок?

#### Обязательное решение

Автор должен составить «Конституцию ИИ-ассистента» — короткий свод (3-5 пунктов) незыблемых правил и ограничений его функционирования. Например:
1.  Ассистент никогда не генерирует оценочных суждений о качестве научной работы. Он может лишь предоставить чек-лист для оценки.
2.  Ассистент никогда не предлагает готовый синтез двух или более источников. Он может лишь поставить их рядом и подсветить совпадения или противоречия.
3.  Любой текст, сгенерированный ассистентом (например, пример поискового запроса), должен быть явно и неубираемо помечен как машинный.
Это решение переводит этические намерения в плоскость функциональных требований к системе. Риск отсутствия такого решения — эксапроприация, незаметное отчуждение у студента ключевых мыслительных операций в пользу более эффективной машины, что прямо противоречит цели проекта.

#### Следующий артефакт

**Карта когнитивных ролей и протоколов взаимодействия (Cognitive Role & Protocol Map).** Это таблица, где строки — это этапы работы над обзором (из артефакта для Ульяны), а столбцы:
- **Операция:** Конкретное действие (например, «Оценить новизну статьи»).
- **Исполнитель по умолчанию:** Студент / ИИ.
- **Протокол поддержки (если исполнитель — студент):** Что делает ИИ, чтобы помочь? (например, «Задаёт вопрос: сравнивали ли вы с работами X и Y?»)
- **Протокол делегирования (если исполнитель — ИИ):** Как студент контролирует и верифицирует результат? (например, «ИИ извлекает данные из таблицы, студент проверяет 2 из 10 строк на корректность»).
- **Протокол отказа:** Что делает ИИ, если его просят нарушить границы роли.
- **Защищённая человеческая операция:** Отметка для тех операций, которые не могут быть делегированы ни при каких условиях.

#### Критерий готовности

Артефакт готов, когда на его основе можно написать техническое задание для команды разработки (или инструкцию по настройке существующего инструмента), которое будет однозначным, полным и не потребует от разработчиков принятия педагогических решений.

#### Плотный вердикт

С позиции Тимура, проект представляет собой хорошо сформулированную архитектурную задачу, но пока не содержит её решения. Авторы правильно идентифицировали риски и наметили контуры системы, но сама система остаётся «чёрным ящиком». Упоминание «распределённого познания» и «scaffolding» без детальной карты ролей и протоколов — это скорее риторика, чем проектное решение. Главный риск — не технический, а методологический: можно создать очень «умного» ассистента, который будет настолько хорош, что сделает ненужным развитие соответствующих навыков у студента. Это зона ближайшей деградации, а не развития. Проект сейчас похож на конституционную конвенцию: все согласны, что нужна республика с разделением властей, но никто ещё не написал саму конституцию, не определил полномочия президента, парламента и суда. Без этой «конституции» — чёткого разделения функций, ответственности и протоколов взаимодействия — запуск пилота будет не экспериментом, а азартной игрой с непредсказуемыми последствиями для компетенций студентов.

---

## 21. Простой канвас

| 3. Уникальное ценностное предложение | 6. Отношения с клиентами | 1. Сегменты потребителей |
| :--- | :--- | :--- |
| **Развитие, а не замещение:** ИИ-ассистент, который через поэтапную поддержку (scaffolding) формирует у студентов-химиков самостоятельные навыки научного поиска и критического анализа, а не просто выдаёт готовый результат. Снижение когнитивной нагрузки на рутинных задачах для высвобождения ресурса на мышление. | **Персонализированный наставник:** Адаптивная поддержка, основанная на уровне студента, с постепенным «затуханием» помощи. **Контроль и обратная связь:** Преподаватель отслеживает прогресс через логи и даёт содержательную обратную связь. | **Основные:** Студенты 3 курса направления «Химия» (N≈40). **Вторичные:** Преподаватели курса «Научно-проектный семинар», научные руководители. |
| **4. Решение** | | **2. Проблема** |
| Квазиэксперимент в рамках учебного модуля: ЭГ использует ИИ-ассистента с регламентированными функциями (помощь в запросах, структурировании, обратная связь; запрет на генерацию текста и опасных инструкций), КГ работает по традиционной методике. Оценка через pre/post-test, анализ качества артефактов, опросники. | 1. Низкая культура научного поиска у студентов (примитивные запросы, незнание профильных БД).<br>2. Некритическое восприятие источников, компиляция вместо синтеза.<br>3. Бессистемное использование общедоступных ИИ ведёт к плагиату и ошибкам.<br>4. Когнитивная перегрузка мешает освоению сложных навыков. |
| **5. Каналы сбыта** |
| Учебный курс «Научно-проектный семинар» в Тюменском государственном университете. |
| **8. Структура издержек** | **7. Потоки поступления доходов** |
| - **Доступ к научным базам данных:** Подписка на Scopus, WoS, Reaxys, SciFinder для ~40 студентов. <br>- **Разработка/адаптация ИИ-инструмента:** Затраты на программирование или покупку/настройку готового решения. <br>- **Время преподавателей:** На разработку методологии, проведение эксперимента, проверку работ, анализ данных. | Неприменимо (внутренний образовательный проект). Потенциально — грантовое финансирование. |
| **9. Ключевые метрики** | **10. Несправедливое преимущество** |
| - **Качество поисковых запросов** (сложность, использование операторов).<br>- **Уровень критической оценки статей** (по рубрикатору).<br>- **Оригинальность и самостоятельность обзоров** (проверка на плагиат, анализ логов).<br>- **Снижение когнитивной нагрузки** (опросник NASA-TLX).<br>- **Прирост навыков** (разница pre/post-test). | - **Интеграция в существующий учебный план:** Возможность провести контролируемый эксперимент на реальной, мотивированной аудитории.<br>- **Предметная экспертиза:** Авторы — химики, что позволяет адекватно оценивать специфику работы с химической литературой.<br>- **Контроль среды:** Возможность регламентировать использование инструментов в рамках курса. |

---

## 22. Расширенный канвас

| Секция | Содержание |
| :--- | :--- |
| **1. Проблема и контекст** | Студенты-химики не владеют современными методами поиска и анализа научной литературы, а стихийное использование генеративных моделей усугубляет проблему, приводя к плагиату и фактическим ошибкам. Существует разрыв между необходимостью развивать самостоятельные исследовательские навыки и доступностью инструментов, позволяющих делегировать мышление. |
| **2. Целевая аудитория** | Студенты 3 курса «Химия» (N≈40), находящиеся на этапе перехода от усвоения знаний к их самостоятельному производству (курсовые, дипломные работы). Преподаватели, заинтересованные в повышении качества студенческих исследований. |
| **3. Педагогическая гипотеза** | Если предоставить студенту ИИ-ассистента, который действует как «строительные леса» (scaffolding) — берёт на себя рутинные операции (форматирование, синтаксис запросов) и задаёт направляющие вопросы, а не даёт ответы, — и постепенно снижать эту поддержку по мере роста компетентности студента, то у него сформируются устойчивые и переносимые навыки критического анализа и синтеза информации. **Ключевая операция:** Переход от внешней регуляции (подсказки ИИ) к внутренней (самоконтроль). |
| **4. Технологическая гипотеза** | Можно создать (или сконфигурировать) ИИ-систему, которая будет: 1) Реализовывать политику «полезного отказа» (не генерировать связный текст, не давать оценок). 2) Адаптировать уровень поддержки (от детальных подсказок к общим вопросам) на основе наблюдаемых действий студента (например, количество итераций для составления запроса). 3) Логировать все взаимодействия для последующего анализа и аудита. 4) Интегрировать напоминания об академической честности и безопасности. |
| **5. Интервенция (Решение)** | 16-недельный модуль в рамках курса «Научно-проектный семинар». Экспериментальная группа получает доступ к ИИ-ассистенту с описанными выше функциями для выполнения индивидуального задания (подготовка литературного обзора). Контрольная группа выполняет то же задание с использованием традиционных методов (консультации с преподавателем, стандартные поисковики и БД). |
| **6. Ключевые риски и их митигация** | **Риск 1: Эксапроприация навыка.** ИИ оказывается настолько удобным, что студент не учится, а лишь эксплуатирует его. **Митигация:** Жёсткие архитектурные ограничения (запрет на генерацию), протокол снятия поддержки, независимый post-test без ИИ. <br> **Риск 2: Ошибки ИИ в предметной области.** Галлюцинации в химических формулах и механизмах. **Митигация:** Выбор модуля без лабораторной работы; акцент на том, что ИИ помогает с *процессом* поиска и анализа, а не с *содержанием* химии. Ответственность за факты остаётся на студенте. <br> **Риск 3: Проблемы с доступом.** Платные БД и ИИ-инструменты. **Митигация:** Решение вопроса на уровне институциональной подписки или выбор альтернативных, открытых инструментов с понятными ограничениями. |
| **7. План эксперимента и метрики** | **Дизайн:** Квазиэксперимент, КГ/ЭГ, pre-test/post-test. <br> **Независимая переменная:** Наличие/отсутствие ИИ-ассистента. <br> **Зависимые переменные:** 1) **Качество артефактов:** поисковые запросы, аннотированные списки литературы, итоговые обзоры (оцениваются экспертами по рубрикатору). 2) **Процесс:** логи взаимодействий с ИИ (для ЭГ). 3) **Самоотчёт:** когнитивная нагрузка (NASA-TLX), метакогнитивные стратегии. 4) **Навык:** результаты pre/post-test (задание на анализ статьи). |
| **8. Критерии успеха** | Экспериментальная гипотеза подтвердится, если ЭГ по сравнению с КГ покажет: 1) Статистически значимый больший прирост в качестве артефактов и результатах post-test. 2) Сопоставимый или более низкий уровень когнитивной нагрузки (NASA-TLX). 3) Отсутствие роста плагиата. 4) Качественные данные (интервью, логи) покажут, что студенты рефлексируют использование ИИ как инструмента для мышления, а не его замены. |

---

## 23. Разбор структуры предъявления

Анализ основан на структуре информации, представленной в описании проекта (`.docx`, `.pdf`). Он касается не визуального оформления, а логики и полноты изложения.

#### Что автор предъявил

Предъявление построено по классической академической схеме:
1.  **Проблема:** Чётко и убедительно описаны дефициты студентов и противоречия, связанные с ИИ. Этот раздел сильный, он сразу задаёт релевантность и актуальность проекта.
2.  **Теоретическая рамка:** Представлены четыре мощные теоретические опоры (Выготский/Брунер, Свеллер, распределённое познание, Флавелл). Это демонстрирует глубину проработки и отличает проект от чисто инструментальных поделок.
3.  **Дизайн исследования:** Описан строгий и адекватный для педагогического исследования дизайн (квазиэксперимент, группы, длительность, метрики). Это создаёт доверие к будущим результатам.
4.  **Цели и результаты:** Ясно сформулированы планируемые образовательные результаты.

В целом, структура логична и движется от «почему это важно» к «как мы это будем делать и измерять».

#### Что упущено или осталось за кадром

Главный структурный дефект предъявления — **огромный разрыв между высоким уровнем теоретических концепций и высоким уровнем дизайна эксперимента.** Отсутствует средний, самый важный уровень — **уровень операционализации.**

- **От теории к практике:** Презентация успешно соединяет проблему с теорией (например, «когнитивная перегрузка» → теория Свеллера). Но она не показывает, как теория превращается в конкретный дизайн инструмента и педагогический сценарий. Как именно концепция *scaffolding* транслируется в интерфейс и логику ИИ-ассистента? Этот мост не построен.
- **От дизайна к данным:** Презентация описывает, *что* будет измеряться (качество запросов, уровень критики), но не *как*. Отсутствуют примеры рубрикаторов, шкал оценки, конкретных заданий для pre/post-test. Без этого метрики остаются просто заголовками.
- **Молчание об инструменте:** Самый большой «слон в комнате» — это сам ИИ-ассистент. В презентации он существует как абстрактная сущность с набором желаемых свойств. Это делает всю конструкцию гипотетической. Непонятно, это существующий инструмент, который нужно настроить, или система, которую нужно создавать с нуля.

#### Пересборка

Структура предъявления выигрывает от добавления одного, но центрального раздела между «Теоретической рамкой» и «Дизайном исследования».

**Сильная версия структуры такова:**

1.  **Проблема и контекст** (сохраняется).
2.  **Теоретическая рамка и ключевые принципы** (сохраняется, но с акцентом на принципы дизайна).
3.  **Архитектура обучающей системы (НОВЫЙ РАЗДЕЛ):** Этот раздел должен стать сердцем презентации. Он должен включать:
    - **3.1. Карта учебной деятельности:** Декомпозиция процесса написания обзора на конкретные операции студента.
    - **3.2. Карта когнитивных ролей:** Таблица, показывающая, какую операцию выполняет студент, а какую — ИИ, и где находятся «защищённые» человеческие операции.
    - **3.3. Протокол поддержки и её снятия (Fading Protocol):** Описание того, как именно будет уменьшаться помощь ИИ, с конкретными примерами диалогов или взаимодействий на разных стадиях.
    - **3.4. Функциональные требования к ИИ-инструменту:** Чёткий список того, что система должна и, что важнее, НЕ должна делать.
4.  **Дизайн эксперимента и метрики** (сохраняется, но теперь метрики и рубрикаторы напрямую выводятся из раздела 3).
5.  **Ожидаемые результаты и риски** (сохраняется).

Такая пересборка превращает презентацию из декларации о намерениях в рабочий проектный документ. Она смещает фокус с абстрактных теорий на конкретные механизмы, что делает всю конструкцию проверяемой и реализуемой. Она отвечает на невысказанный, но главный вопрос любого слушателя: «Хорошо, звучит здорово, но как это на самом деле будет работать?».

---

## 24. Рекомендуемый первый пилот

### 24.1 Название и исследовательский вопрос (RQ)

**Название:** «Механизмы и эффекты затухающей поддержки (fading scaffolding) при формировании навыков критического анализа научной литературы у студентов-химиков».

**Основной исследовательский вопрос (RQ1):** Приводит ли использование ИИ-ассистента с протоколом затухающей поддержки к формированию переносимых навыков научного поиска и критического анализа, измеряемых в ходе самостоятельной пробы без ассистента, и превосходит ли этот эффект статичную поддержку или структурированную не-ИИ помощь?

**Вспомогательные вопросы:**
- **RQ2:** Какова динамика изменения поисковых запросов и критериев оценки статей у обучающихся в условиях затухающей поддержки по сравнению с контрольными условиями?
- **RQ3:** Как различается воспринимаемая когнитивная нагрузка (по методике NASA-TLX) между группами с затухающей, статичной и отсутствующей ИИ-поддержкой на разных этапах работы?
- **RQ4:** Какие типы подсказок ассистента наиболее востребованы на начальном этапе и от каких обучающиеся отказываются первыми в группе с затухающей поддержкой?

### 24.2 Основной outcome и способ измерения

Основной измеряемый результат — не качество итогового литературного обзора, созданного *с помощью* ассистента, а **сформированная способность** (capability) к самостоятельному научному поиску и критическому анализу. Различение между продуктом и способностью здесь является ключевым.

Способ измерения этой способности — двухкомпонентный:
1.  **Процессные метрики (в ходе интервенции):** Анализ логов взаимодействия и промежуточных артефактов (версии поисковых запросов, аннотации к статьям, черновики обзоров). Оценивается динамика усложнения запросов, глубина анализа, уменьшение числа обращений за помощью по определённым операциям.
2.  **Итоговая самостоятельная проба (отсроченный срез):** Через 2-4 недели после завершения 16-недельного модуля всем участникам эксперимента предлагается выполнить стандартизированное задание на новом, незнакомом материале (например, составить краткий критический обзор по смежной химической теме). Это задание выполняется в контролируемых условиях, **без доступа к ИИ-ассистенту**. Оценивается итоговый артефакт по заранее разработанному рубрикатору.

Именно результаты отсроченного среза являются главным критерием для ответа на RQ1. Они показывают, произошёл ли перенос навыка из зоны ближайшего развития (где помогал ассистент) в зону актуального развития (где человек действует сам).

### 24.3 Аудитория и тема

- **Аудитория:** Студенты 3 курса направления «Химия» (N=~40 человек), разделённые на четыре сопоставимые группы. Критерии сопоставимости должны быть определены на входе (pre-test) и включать базовые навыки поиска, академическую успеваемость, возможно, мотивационные показатели.
- **Тема:** Модуль «Поиск, критический анализ и синтез научной литературы» в рамках курса «Научно-проектный семинар». Тематика литературных обзоров, которые готовят обучающиеся, должна быть стандартизирована или ограничена несколькими областями для обеспечения сравнимости результатов.

### 24.4 Дизайн: интервенция, контроль, порядок

Предлагается квазиэкспериментальный дизайн с четырьмя группами для изоляции эффектов как самого наличия ИИ-поддержки, так и механизма её затухания.

- **ЭГ1 (Экспериментальная группа 1, Fading Scaffolding):** Основная интервенция. Участники используют ИИ-ассистента, реализующего протокол затухающей поддержки. **Затухающая поддержка (fading scaffolding)** — это педагогический приём, при котором объём и директивность помощи со стороны внешнего агента (здесь — ИИ) систематически снижаются по мере роста компетентности обучающегося. Сначала ассистент может предлагать шаблоны запросов, затем — только ключевые слова, а в конце — лишь задавать наводящие вопросы о полноте поиска. Механизм затухания привязан к успешности выполнения предыдущих шагов.

- **ЭГ2 (Экспериментальная группа 2, Static Scaffolding):** Активный контроль №1. Участники используют ИИ-ассистента с тем же набором функций, но без механизма затухания. Уровень поддержки остаётся постоянно высоким на протяжении всего модуля. Эта группа позволяет отделить эффект *любой* ИИ-поддержки от эффекта именно *затухающей* поддержки. Если ЭГ1 покажет лучшие результаты на отсроченном срезе, чем ЭГ2, это будет аргументом в пользу гипотезы о важности передачи ответственности.

- **КГ1 (Контрольная группа 1, Structured Human Support):** Активный контроль №2. Участники не используют ИИ-ассистента, но получают структурированную поддержку не-цифровыми методами, сопоставимую по времени и интенсивности с работой в ЭГ. Это могут быть детализированные чек-листы, шаблоны для анализа статей, регулярные групповые консультации с преподавателем или ассистентом, сессии взаимной проверки (peer review). Эта группа контролирует эффект плацебо и дополнительного внимания, а также позволяет сравнить эффективность ИИ-инструмента с хорошо организованным традиционным подходом.

- **КГ2 (Контрольная группа 2, Business as Usual):** Пассивный контроль. Участники проходят модуль по стандартной программе, без специальной ИИ-поддержки или дополнительных структурированных материалов. Эта группа задаёт базовый уровень (baseline), с которым сравниваются все остальные.

**Порядок проведения:**
1.  **Неделя 0:** Pre-test для всех групп. Оценка исходного уровня навыков поиска и анализа, заполнение опросника NASA-TLX по типовой задаче. Распределение по группам на основе результатов pre-test для обеспечения их эквивалентности.
2.  **Недели 1-15:** Работа в рамках модуля в соответствии с условиями своей группы. Сбор трейсов и промежуточных артефактов.
3.  **Неделя 16:** Post-test. Оценка итоговых литературных обзоров, финальное заполнение NASA-TLX.
4.  **Неделя 18-20:** Отсроченный срез (independent probe). Выполнение стандартизированного задания без доступа к ИИ-ассистенту.

### 24.5 Трейсы и артефакты

Для ответа на исследовательские вопросы необходимо собирать следующие данные:

- **Логи взаимодействия с системой (для ЭГ1 и ЭГ2):**
    - Частота и типы запросов к ассистенту.
    - Последовательности действий (например, «сформулировал запрос → получил список статей → запросил чек-лист для оценки → выбрал 3 статьи»).
    - Время, проведённое на каждом этапе.
    - Ответы системы и реакции пользователя на них (принял подсказку, проигнорировал, переформулировал).
- **Промежуточные артефакты (для всех групп):**
    - Все версии поисковых запросов, от самых ранних до финальных. Это позволяет отследить эволюцию от «простых слов» к использованию булевой логики, операторов и фильтров профильных баз данных.
    - Аннотированные статьи или заметки по ним, где видны критерии критической оценки, которые применял обучающийся.
    - Черновики и финальные версии литературных обзоров.
- **Результаты опросников:**
    - Данные pre-test и post-test по рубрикаторам оценки навыков.
    - Данные NASA-TLX на нескольких срезах (начало, середина, конец) для отслеживания динамики когнитивной нагрузки.
- **Артефакты отсроченного среза:**
    - Итоговый продукт (краткий обзор), выполненный самостоятельно, который является главным свидетельством наличия или отсутствия переносимого навыка.

### 24.6 Самостоятельная проба и отсроченный срез

Это центральный элемент дизайна, который отличает проверку формирования способности от оценки качества продукта.

**Задача:** Участникам предлагается новая, но структурно аналогичная предыдущей задача. Например: «В течение 90 минут, используя базы данных X и Y, подберите 3-5 ключевых статей по теме Z (например, "каталитические свойства наночастиц золота в реакции окисления CO"), проведите их критический анализ по критериям (валидность методологии, новизна, ограничения) и представьте синтез их основных выводов в виде текста объёмом ~500 слов».

**Условия:**
- **Без ИИ-ассистента:** Явный запрет на использование разработанного инструмента.
- **Контролируемая среда:** Выполнение в компьютерном классе для обеспечения равных условий и предотвращения использования посторонней помощи.
- **Ограниченное время:** Для оценки эффективности и автоматизма навыков.

**Оценка:** Артефакт оценивается двумя независимыми экспертами (преподавателями) по слепому методу (эксперты не знают, из какой группы участник) с использованием единого рубрикатора. Ключевые критерии: сложность и релевантность поисковых запросов (если их можно зафиксировать), глубина критического анализа, логичность и связность синтеза. Высокая межэкспертная согласованность (inter-rater reliability) является обязательным условием.

### 24.7 Критерии успеха и остановки

**Критерии успеха пилота:**
- **Основной критерий:** Статистически значимое превосходство группы ЭГ1 (Fading Scaffolding) над всеми остальными группами (ЭГ2, КГ1, КГ2) по результатам **отсроченного среза**. Это будет означать, что именно механизм затухающей поддержки наиболее эффективно формирует переносимый навык.
- **Вторичный критерий:** Группа ЭГ1 демонстрирует сопоставимое или лучшее качество итоговых обзоров (post-test на неделе 16) при более низкой или сопоставимой когнитивной нагрузке (NASA-TLX) по сравнению с ЭГ2 и КГ1.
- **Диагностический критерий:** Анализ трейсов показывает, что в ЭГ1 происходит реальное снижение запросов на поддержку по мере освоения операций, в отличие от ЭГ2, где зависимость от инструмента может сохраняться или даже расти.

**Критерии немедленной остановки или пересмотра пилота:**
- **Обратный эффект:** Если участники ЭГ1 или ЭГ2 показывают систематически худшие результаты на промежуточных и итоговых срезах, чем контрольные группы. Это может сигнализировать о том, что ассистент не помогает, а мешает, создавая зону ближайшей деградации.
- **Массовые нарушения академической этики:** Если инструмент, несмотря на заложенные ограничения, провоцирует плагиат или некритическое копирование, которое не удаётся купировать педагогическими методами.
- **Технические провалы:** Если прототип работает нестабильно, что делает невозможным сбор чистых данных об учебном процессе.

### 24.8 Исключённые функции

На этапе пилота ИИ-ассистент **не должен**:
- **Генерировать связный текст:** Его задача — помогать со структурой, запросами, анализом, но не писать фрагменты обзора за обучающегося. Это ключевое ограничение для предотвращения замещения.
- **Давать прямые ответы на содержательные вопросы:** Вместо «какая методология лучше?» он должен предлагать «сравни эти две методологии по следующим критериям...» или «какие ограничения есть у этого метода?».
- **Выполнять поиск автоматически:** Он должен помогать формулировать запросы для профильных баз данных (Scopus, Reaxys и т.д.), но сам поиск и отбор статей остаётся операцией человека. Это защищённое действие (protected human move).
- **Давать инструкции по проведению химических экспериментов:** Это ограничение безопасности, уже заложенное в проекте, должно быть реализовано на уровне жёстких фильтров.

### 24.9 Риски и как их закрыть

- **Риск №1 (Педагогический):** Неправильно спроектированный протокол затухания. Поддержка может сниматься слишком быстро (вызывая фрустрацию) или слишком медленно (не формируя самостоятельности).
    - **Закрытие:** Использование адаптивного, а не фиксированного протокола. Решение о снижении поддержки принимается на основе успешности выполнения конкретных заданий (например, три подряд корректно сформулированных поисковых запроса с булевой логикой — уровень поддержки по этой операции снижается).

- **Риск №2 (Технический):** Разработка сложного и адаптивного ИИ-ассистента — долгий и дорогой процесс. Есть опасность потратить ресурсы на создание инструмента, педагогическая ценность которого не доказана.
    - **Закрытие (ключевой приём):** Проведение первого пилота по методу **«Волшебник страны Оз» (Wizard-of-Oz, WoZ)**. **Wizard-of-Oz** — это метод прототипирования, при котором функции сложной автоматизированной системы на самом деле выполняются человеком-оператором («волшебником») втайне от пользователя. В данном случае, роль ИИ-ассистента будет играть ассистент преподавателя или исследователь, который общается с обучающимися через простой текстовый интерфейс (чат), но следует строгому протоколу (сценарию) ответов, соответствующему логике затухающей (для ЭГ1) или статичной (для ЭГ2) поддержки. Это позволяет с минимальными техническими затратами проверить основную педагогическую гипотезу и собрать бесценные данные для последующей разработки реального инструмента. Протоколы взаимодействия, отработанные «волшебником», станут прямым техническим заданием для инженеров.

- **Риск №3 (Предметный):** LLM, лежащие в основе потенциального ассистента, могут генерировать фактически неверную информацию по химии (неправильные формулы, реакции).
    - **Закрытие:** На этапе WoZ-пилота этот риск снимается, так как «волшебник» — компетентный человек. Для будущего инструмента — в ТЗ закладывается требование не генерировать предметный контент, а работать на мета-уровне (структура аргумента, логика поиска, критерии оценки), а также использовать верифицированные базы данных и RAG (Retrieval-Augmented Generation) по корпусу доверенных источников.

### 24.10 Ресурсы и график

- **Ресурсы:**
    - 1-2 преподавателя для ведения курса и экспертной оценки.
    - 1-2 «волшебника» (ассистента или младших научных сотрудника) на ~10-15 часов в неделю на протяжении 15 недель для обслуживания ЭГ1 и ЭГ2.
    - Доступ к профильным научным базам данных для ~40 участников.
    - Программное обеспечение: простой чат-интерфейс, системы для сбора и анализа логов, статистический пакет для обработки результатов.
- **График (примерный):**
    - **Подготовительный этап (4-6 недель):**
        - Финализация дизайна эксперимента.
        - Разработка рубрикаторов для оценки.
        - Разработка детальных протоколов для «волшебников» (для ЭГ1 и ЭГ2).
        - Подготовка материалов для КГ1.
        - Набор и инструктаж «волшебников».
    - **Проведение пилота (16 недель):**
        - Неделя 0: Pre-test и распределение.
        - Недели 1-15: Интервенция.
        - Неделя 16: Post-test.
    - **Завершающий этап (4-6 недель):**
        - Недели 18-20: Проведение отсроченного среза.
        - Анализ данных, статистическая обработка.
        - Подготовка итогового отчёта с выводами о состоятельности педагогической гипотезы и рекомендациями для разработки.

---

## 25. Прототип ТЗ для лаборатории

**Статус:** **NO-BUILD (Сборка не рекомендуется)**

**Обоснование:** Проект в текущем виде не готов к передаче в инженерную разработку. Отсутствует ключевой компонент, необходимый для создания осмысленного технического задания — **операционализированный и проверенный протокол педагогического взаимодействия**. Заявленная функция «поэтапная поддержка» (scaffolding) является педагогической метафорой, а не функциональной спецификацией. Попытка автоматизировать метафору приведёт к созданию инструмента, который либо будет неэффективен, либо, что хуже, будет имитировать поддержку, на самом деле нанося вред учебному процессу.

Это как заказывать промышленный синтез химического реактива, не имея на руках выверенной, воспроизводимой лабораторной методики. Можно смешать исходные вещества в большом реакторе, но без точного протокола (температура, давление, катализаторы, порядок добавления, время реакции) результат будет непредсказуем, выход продукта — низким, а масштабирование процесса — невозможным. Пилотный эксперимент, описанный в разделе 24, — это и есть разработка такой «лабораторной методики» для педагогического процесса. Только после её валидации можно приступать к «промышленному синтезу» — инженерной разработке.

#### Что автор предъявил
В документах проекта заявлена необходимость создания ИИ-ассистента, который реализует «поэтапную поддержку (fading scaffolding)», «выступает как персональный научный наставник», «задаёт вопросы и даёт обратную связь», «постепенно снижая свою поддержку». Функции включают помощь в формулировании запросов, генерацию чек-листов, обратную связь по структуре.

#### Reformulation
Более сильная проблема такова: проект описывает *желаемый педагогический эффект* (формирование самостоятельности через убывающую помощь), но не описывает *механизм*, который этот эффект производит. Неизвестны конкретные правила и триггеры, по которым система должна принимать решения:
- В какой момент и на основании каких действий пользователя нужно переходить от прямого совета («используй оператор AND») к наводящему вопросу («как объединить два понятия в запросе?»)?
- Сколько неудачных попыток пользователя должно пройти, прежде чем система повысит уровень поддержки?
- Какие именно следы в деятельности пользователя (например, использование определённых терминов в аннотации) являются достаточным основанием для снятия поддержки по теме «критический анализ»?

Без ответов на эти вопросы любое ТЗ будет неполным и основанным на домыслах, а не на данных.

#### Критика
**Утверждение автора (реконструкция):** «ИИ-ассистент будет работать в зоне ближайшего развития, систематически уменьшая поддержку, тем самым повышая самостоятельность».

**Возражение:** Это утверждение постулирует желаемый результат, но обходит стороной главный операционный вызов: как система *узнает*, где находится граница зоны ближайшего развития пользователя в каждый конкретный момент, и как она *узнает*, что эта граница сдвинулась? В текущем описании отсутствует «сенсорный аппарат» и «логика принятия решений». Ассистент без этого механизма — это не адаптивный наставник, а говорящий сборник инструкций, который либо всегда даёт слишком много помощи (превращаясь в «костыль» и вызывая деградацию навыка), либо всегда слишком мало (вызывая фрустрацию и отторжение).

#### Альтернативные объяснения / гипотезы
Отсутствие операционализации механизма затухания может быть связано не с упущением, а с неявными предположениями.
- **Альтернатива A: Гипотеза «ручного управления».** Предполагается, что преподаватель будет вручную настраивать уровень поддержки для каждого обучающегося или группы, а ИИ — лишь исполнитель этих настроек. Это превращает инструмент из адаптивного ассистента в интерфейс для преподавательского контроля.
- **Альтернатива B: Гипотеза «магического ИИ».** Существует неявная вера в то, что современная LLM способна самостоятельно, без явного программирования логики, определять уровень пользователя и адаптировать свою помощь. Это рискованное допущение, так как модели оптимизированы на «помощь» и «ответ», а не на педагогически обоснованный «отказ в помощи».
- **Альтернатива C: Гипотеза «фиксированных этапов».** Предполагается, что затухание будет привязано не к реальному прогрессу пользователя, а к календарному плану модуля (недели 1-4 — максимальная поддержка, недели 5-8 — средняя и т.д.). Это самый простой, но и самый неэффективный способ, игнорирующий индивидуальные различия в темпах обучения.

#### Пересборка
Сильная версия технического задания может быть создана только **после** проведения WoZ-пилота. Результатом пилота будет не только ответ на исследовательский вопрос, но и самый ценный артефакт для разработки — **детализированный лог-файл успешных педагогических интервенций**.

Этот лог-файл, содержащий тысячи пар «ситуация пользователя → действие „волшебника“ → реакция пользователя», и станет основой для ТЗ. Пересборка пути к ТЗ выглядит так:

1.  **Отказаться от написания ТЗ сейчас.**
2.  **Провести WoZ-пилот (см. раздел 24).**
3.  **Проанализировать логи «волшебников».** Выделить и формализовать повторяющиеся паттерны и эвристики. Например: «ЕСЛИ пользователь три раза подряд успешно применил оператор X, ТО при следующем запросе на эту тему система должна вместо прямого совета Y предложить наводящий вопрос Z».
4.  **Превратить эти эвристики в формальные правила или в датасет для дообучения модели.** Это и есть ядро будущего ТЗ. Оно будет описывать не абстрактные «помощь» и «поддержку», а конкретную машину состояний (state machine) или политику (policy) поведения ассистента.
5.  **Дополнить ТЗ нефункциональными требованиями:** интерфейс, логирование, интеграция с базами данных, требования безопасности.

Только такой, основанный на данных, подход позволит построить инструмент, который реализует заявленную педагогическую идею, а не её поверхностную имитацию.

#### Требует решения автора
1.  Какой уровень «ошибок» со стороны ассистента (например, несвоевременное снятие поддержки) является педагогически приемлемым?
2.  Готовы ли вы к тому, что по итогам пилота гипотеза о затухающей поддержке может не подтвердиться, и придётся строить инструмент с другой логикой (например, статической поддержки или peer-to-peer поддержки)?
3.  Кто будет субъектом принятия решения о снятии поддержки в спорных случаях: всегда система по жёсткому алгоритму, или у пользователя/преподавателя должна быть возможность «откатить» уровень поддержки?
4.  Насколько детализированной должна быть обратная связь от системы? Должна ли она указывать на конкретную ошибку или только на её наличие?

---

## 26. Первый инженерный вертикальный цикл

**Вертикальный цикл** — это полный путь от идеи до минимального работающего прототипа, который можно проверить с реальными пользователями. В данном случае, первый цикл направлен не на создание полнофункционального продукта, а на проверку ключевой педагогической гипотезы с минимальными затратами.

**Шаг 1: Формализация дизайна пилотного эксперимента**
- **Что делается:** Детальное описание всех компонентов, изложенных в разделе 24: гипотезы, группы, метрики, процедуры, рубрикаторы оценки, дизайн отсроченного среза.
- **Кто исполняет:** Автор проекта, аналитик.
- **Что на выходе:** Документ «Дизайн пилотного эксперимента v1.0».
- **Критерий перехода:** Дизайн утверждён, все метрики операционализированы, все процедуры описаны с достаточной точностью для воспроизведения.

**Шаг 2: Разработка протоколов для «Волшебника страны Оз»**
- **Что делается:** Создание двух наборов инструкций для ассистентов-«волшебников». Первый — для ЭГ1 (логика затухающей поддержки с конкретными триггерами). Второй — для ЭГ2 (логика статичной, постоянно высокой поддержки).
- **Кто исполняет:** Автор проекта, методист.
- **Что на выходе:** Два документа: «Протокол WoZ: Fading Scaffolding» и «Протокол WoZ: Static Scaffolding».
- **Критерий перехода:** Протоколы достаточно детальны, чтобы два разных «волшебника», следуя им, действовали практически идентично в одинаковых ситуациях. Проведена тестовая симуляция.

**Шаг 3: Подготовка инфраструктуры и материалов**
- **Что делается:** Выбор и настройка чат-платформы для WoZ. Подготовка всех материалов: текстов для pre-test и отсроченного среза, опросников, инструкций для участников.
- **Кто исполняет:** Ассистент проекта, технический специалист.
- **Что на выходе:** Полностью готовая среда для проведения эксперимента.
- **Критерий перехода:** Проведён полный «прогон» процедуры на 1-2 тестовых пользователях, все технические и организационные проблемы устранены.

**Шаг 4: Проведение 16-недельного WoZ-пилота**
- **Что делается:** Непосредственное проведение эксперимента с четырьмя группами обучающихся. «Волшебники» работают с ЭГ1 и ЭГ2, преподаватели — с КГ1 и КГ2. Ведётся сбор всех трейсов и артефактов.
- **Кто исполняет:** Преподаватели, ассистенты-«волшебники», участники.
- **Что на выходе:** Массив сырых данных: логи чатов, версии документов, результаты тестов и опросников.
- **Критерий перехода:** Эксперимент завершён, данные собраны и архивированы.

**Шаг 5: Анализ данных пилота**
- **Что делается:** Статистическая обработка количественных данных (сравнение групп по метрикам). Качественный анализ логов и артефактов для выявления паттернов поведения.
- **Кто исполняет:** Аналитик, автор проекта.
- **Что на выходе:** Отчёт по результатам пилота с выводами по каждой исследовательской гипотезе.
- **Критерий перехода:** Отчёт принят, сделан однозначный вывод о состоятельности гипотезы о затухающей поддержке.

**Шаг 6: Формализация педагогического протокола в спецификацию**
- **Что делается:** Если гипотеза подтвердилась, логи «волшебника» из ЭГ1 транслируются в формальный алгоритм (машину состояний, набор правил «если-то»). Это и есть ядро будущего ТЗ.
- **Кто исполняет:** Аналитик, системный архитектор.
- **Что на выходе:** Документ «Функциональная спецификация логики адаптивной поддержки v1.0».
- **Критерий перехода:** Спецификация не содержит педагогических метафор, только формальные, проверяемые описания поведения системы.

**Шаг 7: Разработка MVP (Minimum Viable Product)**
- **Что делается:** Создание программного прототипа, который реализует только ядро логики из спецификации. Интерфейс может быть самым простым.
- **Кто исполняет:** Инженерная команда (лаборатория).
- **Что на выходе:** Работающий программный прототип (MVP).
- **Критерий перехода:** MVP проходит набор автоматических тестов, доказывающих, что он корректно реализует заложенную в спецификации логику.

**Шаг 8: Внутреннее тестирование и отладка**
- **Что делается:** Команда проекта и несколько «дружественных» пользователей тестируют MVP на предмет багов, логических несоответствий и юзабилити.
- **Кто исполняет:** Автор проекта, аналитик, 2-3 тестовых пользователя.
- **Что на выходе:** Список дефектов и предложений по улучшению. Стабильная версия MVP.
- **Критерий перехода:** Все критические и блокирующие дефекты устранены.

**Шаг 9: Малый пользовательский тест (UAT)**
- **Что делается:** 3-5 новых обучающихся (не участников пилота) получают тестовое задание и выполняют его с помощью MVP. Собирается обратная связь.
- **Кто исполняет:** Тестовые пользователи, модератор (автор проекта).
- **Что на выходе:** Протоколы наблюдений, отзывы пользователей.
- **Критерий перехода:** Подтверждено, что пользователи в целом понимают, как взаимодействовать с инструментом, и он выполняет свою основную функцию.

**Шаг 10: Принятие решения о следующем цикле**
- **Что делается:** На основе всех собранных данных принимается решение: а) MVP готов к более широкому пилоту (второй вертикальный цикл); б) MVP требует существенной доработки логики или интерфейса (возврат на шаг 6 или 7); в) гипотеза не подтверждается даже с реальным инструментом, проект требует пересмотра.
- **Кто исполняет:** Автор проекта.
- **Что на выходе:** Утверждённый план на следующий квартал.
- **Критерий перехода:** Решение принято и зафиксировано.

---

## 27. Следующий пакет материалов

Для перехода к пилотному запуску авторам необходимо предъявить следующий пакет артефактов. Без них экспериментальная гипотеза не может быть проверена, а вмешательство — реализовано.

1.  **Протокол затухания поддержки (Fading Protocol).**
    *   **Владелец:** Сафин Д.А., Панова Е.В.
    *   **Содержание:** Документ, описывающий точные, измеримые триггеры для снижения уровня помощи со стороны ассистента. Для каждой поддерживаемой операции (например, формулирование поискового запроса, оценка методологии статьи) должен быть определён критерий, при достижении которого поддержка по этой операции отключается или переходит на следующий, менее директивный уровень.
    *   **Критерий готовности:** Протокол представлен в виде таблицы «Операция → Уровень поддержки → Критерий перехода», где критерий — наблюдаемое действие обучающегося (например, «три последовательных успешных применения булевой логики без подсказок»).

2.  **Выбор и обоснование технологического стека.**
    *   **Владелец:** Сафин Д.А.
    *   **Содержание:** Решение о конкретных моделях или платформах, которые будут использованы для реализации ассистента. Обоснование должно включать оценку их способности работать с химической номенклатурой, формулами и механизмами реакций, а также возможность реализации протокола затухания.
    *   **Критерий готовности:** Представлен список из 1-2 основных и 1 резервного инструмента с кратким (1-2 абзаца) обоснованием выбора для каждого, включая анализ рисков генерации некорректной химической информации.

3.  **Рубрикатор для экспертной оценки.**
    *   **Владелец:** Панова Е.В.
    *   **Содержание:** Детализированный инструмент оценки для итоговых литературных обзоров и промежуточных артефактов (поисковых запросов, критических эссе по статьям). Рубрикатор должен операционализировать заявленные метрики: «качество поисковых запросов», «уровень критической оценки», «самостоятельность обзора».
    *   **Критерий готовности:** Представлена таблица с критериями, уровнями выполнения (например, от 1 до 5) и конкретными дескрипторами для каждого уровня. Должен быть предусмотрен план проверки межэкспертной согласованности (inter-rater reliability).

4.  **План обеспечения доступа к научным базам данных.**
    *   **Владелец:** Сафин Д.А., Панова Е.В.
    *   **Содержание:** Документ, подтверждающий наличие у 40 участников эксперимента доступа к платным базам (Scopus, Web of Science, Reaxys, SciFinder) на весь период (16 недель). Если институциональная подписка не покрывает всех, должны быть предложены и верифицированы альтернативные решения.
    *   **Критерий готовности:** Представлено официальное подтверждение от библиотеки или IT-департамента университета, либо описан и протестирован обходной путь, гарантирующий равный доступ для всех участников ЭГ и КГ.

## 28. Таблица готовности

| Измерение | Оценка | Обоснование |
| :--- | :--- | :--- |
| **Концептуальная зрелость** | Высокая | Проект опирается на четыре релевантные теоретические рамки (ЗБР, когнитивная нагрузка, распределённое познание, метапознание), которые напрямую связаны с дизайном вмешательства. |
| **Экспериментальная проработанность** | Средняя | Заявлен адекватный дизайн (квазиэксперимент, pre/post-test, множественные метрики), но ключевые инструменты измерения (рубрикаторы) и само вмешательство (протокол затухания) не операционализированы. |
| **ИИ-архитектура** | Низкая | Отсутствует выбор конкретных технологических решений; не определён механизм затухания поддержки и не предложен способ контроля специфических для химии ошибок генеративных моделей. |
| **Ресурсное обеспечение** | Низкая | Не решён критический вопрос доступа к платным научным базам данных для 40 участников, что ставит под угрозу проведение эксперимента в заявленном виде. |
| **Управление рисками** | Средняя | Основные риски (замещение вместо поддержки, плагиат, безопасность) идентифицированы, но механизмы их предотвращения и контроля (фильтры, протоколы) существуют только на уровне деклараций. |
| **Дидактическая проработка** | Средняя | Целевые навыки и образовательные дефициты определены точно, но сама последовательность обучающих действий и передачи ответственности от машины к человеку не детализирована. |

## 29. Главный внутренний вывод

Проект представляет собой хорошо обоснованную концепцию образовательного эксперимента по интеграции ИИ в сложный интеллектуальный навык — научный поиск в химии. Его сила — в точном прицеливании в разрыв между необходимостью развивать у обучающихся самостоятельность и риском экспроприации этой самостоятельности технологией. Авторы верно идентифицировали теоретическую рамку «строительных лесов» (scaffolding) как ключевой механизм, позволяющий избежать подмены человеческой работы машинной. Проект защищён от тривиальных рисков: выбран модуль без работы с реальными веществами, что снимает угрозу генерации опасных инструкций.

Несущий разрыв проекта находится в его ядре — в механизме «постепенной передачи ответственности». Заявленный принцип scaffolding не операционализирован. В текущем виде это декларация о намерениях, а не работающий протокол. Не определено, кто, на основе каких данных и по каким правилам решает, что обучающийся готов к следующему этапу автономии. Без этого протокола система рискует превратиться в «вечные леса», которые никогда не снимают, или в чёрный ящик, где поддержка отключается произвольно. Проект спроектировал поддерживающие колёса для учебного велосипеда, но не протокол их постепенного подъёма и окончательного снятия. Без этого протокола настоящее обучение езде не начнётся, останется лишь более быстрая и удобная, но зависимая езда с поддержкой.

Единственное решение, которое переводит проект из концепции в пилот — это разработка явного, основанного на наблюдаемых действиях обучающегося, протокола затухания поддержки (fading protocol). Определение этого механизма является не технической, а педагогической задачей. Именно этот протокол воплощает в себе педагогическую гипотезу авторов и делает её проверяемой.

## 30. Один несущий вопрос на следующий семинар

Представьте, что обучающийся в экспериментальной группе три раза подряд успешно использовал булевы операторы для уточнения поискового запроса в Scopus с помощью ассистента. На четвёртый раз, когда он снова обращается к ассистенту с аналогичной задачей, ассистент должен:

А) Снова помочь, сгенерировав правильный синтаксис запроса.
Б) Отказать в прямой помощи, но задать наводящий вопрос («Какие операторы ты использовал в прошлый раз для сужения выборки?»).
В) Полностью отказать в помощи по этой конкретной операции, сообщив, что обучающийся уже продемонстрировал владение этим навыком.

Ваш выбор и его обоснование определяют всю архитектуру затухания поддержки и являются ядром вашей педагогической гипотезы.

## 31. Контекстное сплетение

Проект точно попадает в рамку курса «Проблематизация и эксперимент», поскольку он построен вокруг чёткой причинной гипотезы: управляемое вмешательство (ИИ-ассистент с затухающей поддержкой) должно привести к измеримому росту конкретных навыков (научный поиск и критика). Проект уже содержит сильные элементы этой рамки: определён целевой объект изменения, сформулирована гипотеза, предложен дизайн эксперимента. Однако для полноты соответствия не хватает ключевого элемента — независимой проверки (independent probe). Чтобы доказать, что сформировалась именно `capability`, а не просто улучшился `product` (литературный обзор), необходим финальный тест, где обучающийся решает аналогичную задачу полностью самостоятельно, без доступа к ИИ-ассистенту. Это позволит отделить реальный прирост навыка от эффекта «когнитивного протеза».

Центральная теоретическая опора проекта — модель «Развитие / делегирование / деградация». Авторы напрямую используют концепты Зоны ближайшего развития и scaffolding. Диагностика через эту модель немедленно высвечивает главный дефект проекта: отсутствие `fading protocol`. Без него заявленное «развивающее делегирование» (`developmental delegation`) рискует обернуться «исполнительским делегированием» (`executive delegation`), где интеллектуальная функция не осваивается, а экспроприируется машиной. Проект должен защитить ключевые человеческие ходы (`protected human move`), такие как вынесение финального суждения о релевантности статьи или синтез противоречивых данных. Эти операции должны оставаться за человеком на всех этапах.

В меньшей степени проект затрагивает модель «Гибридный исследовательский интеллект». Хотя де-факто создаётся система распределённого познания (обучающийся + ИИ + базы данных), фокус проекта смещён. Он нацелен на формирование персональной компетентности (`subject capability`), а не на развитие способности управлять этой гибридной системой (`orchestration capability`). Заявленная индивидуальная работа на первом этапе и конечная цель в виде самостоятельного выполнения заданий подчёркивают, что гибридная система рассматривается как временное учебное средство, а не как целевое состояние исследовательской практики. Это легитимный педагогический выбор, но он означает, что проект в текущей версии не ставит целью научить химиков быть операторами сложных человеко-машинных исследовательских систем.

---


---

## Rendering metadata

- Clusters rendered: 7 · Sections: 30
- Model: `gemini-2.5-pro`
- Total output tokens: 66787
- Total output chars: 159878
- Elapsed: 770.7s