# 📑 Full Report (semantic-package view)

_compiled from 8/8 packages_

---

## Проект — карточка (`00_PROJECT_CARD`)

### carrying_break
_frame: F-EDU_ · _epistemic: asserted_
Несущий разлом проекта: контекст обучения проектному управлению в АПК требует одновременно (а) освоения универсального PM-канона (SMART/WBS/RACI/риск-план/коммуникации/VRIO) и (б) отраслевой адаптации, которую этот канон описывает плохо — сезонные окна, биология, ветеринарные регламенты, длинные циклы. При 18 лекционных встречах на первое и 6 практических — на всё остальное. ИИ-система в этом разломе несёт двойную нагрузку: RAG замещает недостающее время преподавателя-эксперта по отраслевым нормативам, симулятор — недоступную студенту продольную выборку реальных проектов АПК. Разлом создаёт напряжение: если ИИ окажется слишком помогающим — компетенция «планирование при неопределённости» перекочует из студента в симулятор + агент (риск деградации целевой способности); если слишком слабым — не покроет отраслевой дефицит и сведётся к общему PM-курсу. Проект держится на балансе, регулируемом требованием обоснования каждого решения и журналом решений; но именно этот баланс — самая уязвимая часть, и он не операционализирован в исходном тексте (нет явных порогов, при которых agent должен НЕ отвечать или требовать студенту сделать шаг самостоятельно).

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### identity
- **lineage_id:** lin-450d5ffbe1
- **label:** Агапитова Л.Г. · ИИ как тренажёр устойчивости проекта в АПК
- **project_id:** agapitova-apk-project-sustainability
- **current_version_id:** ver-859a0d36ac
- **owner:** Агапитова Л.Г.

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]

### protected_core
_frame: F-PRJ_ · _epistemic: asserted_
Защищённое ядро (что нельзя трогать без разрушения проекта): (1) курс — Основы управления проектами Аграрного института ТюмГУ, не абстрактный PM; (2) АПК как отраслевой контекст, задающий сезонность/биологические/природные ограничения — базовый источник неопределённости, который обучающая интервенция должна научить моделировать; (3) режим «ИИ-помощник, решение за студентом» + журнал решений — снимает риск ложной автономности студента при работе с генеративной моделью; (4) наличие контрольной и экспериментальной групп + внешняя экспертная валидация — иначе результат методологически не удерживается; (5) метрики, требующие обоснования каждого решения студентом (стресс-тесты, аргументированные сценарии, полнота WBS), — а не поверхностные метрики «стало интереснее». Убрать любой из этих пяти элементов — это уже другой проект.

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### readiness
_frame: F-PRJ_ · _epistemic: asserted_
Готовность: READINESS_SEMINAR_DISCUSSION — проект имеет чёткий исследовательский вопрос, фальсифицируемую гипотезу, метрики, дизайн с КГ/ЭГ; но семь UNKNOWN и одно противоречие требуют семинарской проработки перед пилотом. До pilot-запуска необходимо (1) уточнить размер и способ распределения выборки, (2) выбрать конкретный стек RAG с источниками, (3) решить симулятор: NO_BUILD (готовый инструмент, например условный аграрный тренажёр или переиспользование Anylogic/симулятора на базе LLM с фиксированной динамикой рисков) или упрощение до сценарных задач, (4) операционализировать порог «агент отвечает / агент требует самостоятельного шага», (5) снять противоречие в подсчёте лекций/практик. При закрытии этих пунктов проект готов к пилоту на одной группе (без КГ/ЭГ) в первом семестре и к полному эксперименту во втором.

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### v2_readiness_4tier
### Readiness — 4 tiers
- **Idea readiness:** STRONG — чёткий диагноз дисбаланса + отраслевая специфика АПК как источник специфической неопределённости
- **Mechanism readiness:** PARTIAL — механизм описан, но 4 UNKNOWN: (a) размер выборки, (b) стек RAG, (c) реализация симулятора, (d) порог отказа агента
- **Implementation readiness:** WEAK — нет решения по симулятору (NO_BUILD/готовый/собственный); нет промпт-конфига агента; нет договорённостей с экспертами
- **Evaluation readiness:** PARTIAL — метрики операционализированы, но нет процедуры rater calibration + inter-rater kappa

---

## Модель проекта (`20_PROJECT_MODEL`)

### literal
_frame: F-EDU_ · _epistemic: asserted_
Проект Агапитовой Л.Г. (Аграрный институт ТюмГУ, курс «Основы управления проектами», бакалавриат, 36 ч лекций + 12 ч практических). Автор фиксирует перекос лекционного и практического времени (18 лекционных встреч против 6 практических) и специфику АПК: сезонность, длительные биологические циклы, влияние природно-климатических факторов, добавляющие неопределённостей при планировании. Исследовательский вопрос сформулирован дословно: «В какой степени применение ИИ в рамках дисциплины „Основы управления проектами“ повышает способность студентов формировать реалистичные планы и управлять рисками в аграрных проектах, и какие форматы взаимодействия с ИИ наиболее эффективны для развития этих компетенций?» Гипотеза: применение ИИ повышает уровень сформированности компетенций по управлению проектами у студентов аграрного профиля по сравнению с традиционным форматом. Дизайн: контрольная группа (традиционный формат) vs экспериментальная группа (то же + RAG + симулятор + агент + внешняя экспертная обратная связь), длительность — семестр, этапы: входная диагностика → проект → контрольные точки → финальная защита → постпроектная рефлексия. Тип ИИ: комбинация RAG + симулятор + агент. RAG — доступ к стандартам (ГОСТ, PMBOK, PRINCE2), кейсам реальных проектов, шаблонам документов. Симулятор — безопасная среда с динамическими условиями (риски, изменение требований, форс-мажоры). Агент — анализирует план, предлагает оптимизации, предупреждает о рисках, генерирует альтернативные сценарии. Метрики: качество плана (доля SMART, полнота WBS), риски (число выявленных, 3 сценария, стресс-тест), реалистичность (соответствие отраслевым нормативам и сезонным окнам), устойчивость (доля задач, сохранивших сроки после симуляции), обратная связь (экспертный балл, доля учтённых замечаний), рефлексия. Защитный принцип: «ИИ — помощник, решение — за студентом», журнал решений (событие → варианты → выбор → обоснование → результат). Опциональный слой — экспертная панель от предприятий АПК.

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### strongest_benevolent
_frame: F-EDU_ · _epistemic: asserted_
Сильнейшая доброжелательная реконструкция: проект отвечает на реальную структурную проблему курса — 3:1 перекос лекций к практике в дисциплине, где отраслевая специфика (сезонность, биологические циклы, погода) делает переносимость учебных кейсов из общего PM-канона в АПК нетривиальной задачей. Автор не пытается заменить преподавателя ИИ и не превращает симулятор в аттракцион: RAG адресует конкретный дефицит доступа к аграрным кейсам и стандартам, симулятор синтезирует стресс-тесты, которые невозможно повторить в реальной сезонной практике за один семестр, а агент выполняет роль ассистента, помогающего студенту дойти до защиты плана в диалоге с рисками. Особенно ценно наличие журнала решений и требования обоснования — это конвертирует ИИ из «оракула ответов» в инструмент рефлексивной практики. Метрики операционализированы (не «улучшилось качество», а «доля SMART-задач», «число рисков со сценариями», «устойчивость сроков после симуляции»), что даёт возможность фальсифицировать гипотезу. Дизайн с КГ/ЭГ + вход/выход + внешняя экспертиза — это методологически корректный квази-эксперимент; в условиях образовательного курса это близко к максимуму объективируемости.

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### v2_mechanism_model
### Educational Mechanism Model

**Current educational practice:** Лекции 18 встреч + 6 практических занятий по PM. Разбор кейсов на доске, теория статичных задач.

**Limitation / failure point:** 18:6 дисбаланс теория/практика; статичные кейсы не моделируют АПК-специфику (сезонность, биология, климат, длинные циклы). Студенты усваивают PMBOK/ГОСТ, но не переносят на аграрный контекст.

**Changed activity (что действие меняется):** Студент вместо решения одноразовой задачи проходит 10 раундов симуляции = 1 год за раунд с реальными макро-прогнозами и стресс-тестами; ведёт журнал решений с обоснованием каждого хода.

**Role of AI (компонент механизма):** Тройная функция: (a) RAG — доступ к ГОСТ/PMBOK/PRINCE2 + аграрные кейсы; (b) Симулятор — динамическая среда с рисками; (c) Агент — анализ плана + альтернативные сценарии. Не выносит финальных решений.

**Role of human (сохранённая функция):** (a) Студент — стратегические решения, обоснование каждого выбора в журнале. (b) Преподаватель — точки прямой педагогической работы (разбор 3 сценариев + стресс-тест, финальная защита). (c) Экспертная панель АПК — валидация реалистичности плана.

**Expected competence change:** Способность формировать реалистичные PM-планы в условиях отраслевой неопределённости; в rubric-оценке — рост доли SMART-задач + число выявленных рисков + устойчивость сроков после симуляции.

**Measurement method:** 6 метрик per docx: SMART-доля, полнота WBS, число рисков + 3 сценария + стресс-тест, соответствие сезонным окнам, устойчивость сроков post-симуляция, экспертный балл + доля учтённых замечаний, качество рефлексии. Статистика — t-test КГ vs ЭГ при N≥15 на группу.

---

## Источники, evidence и аналоги (`10_EVIDENCE_PROVENANCE_ANALOGS`)

### corpus_summary
- **versions:** 3
- **positions:** 2
- **frames:** 4

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [corpus 2 arts / 5654 chars · high]

---

## Экспериментальный пакет (`30_EXPERIMENT_PACK`)

### research_gaps
- {"gap_id": "rg-244b6ec26d", "analysis_run_id": "ar-8d3ca8036c", "parent_operation": "position_invocation:piv-d0db89018a", "what_blocked": "Отсутствует чёткое описание нарушенного действия и операциона
- {"gap_id": "rg-7efacf7804", "analysis_run_id": "ar-8d3ca8036c", "parent_operation": "position_invocation:piv-00afbf6c79", "what_blocked": "Отсутствуют подробные описания операций и переходов между чел

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### threats_to_validity
- "UNKNOWN: количество студентов в КГ/ЭГ. Без оценки размера выборки нельзя сказать, будут ли метрики различий статистически интерпретируемы (t-test/непараметрика/effect size)."
- "UNKNOWN: критерии распределения студентов между КГ и ЭГ (случайное/по подгруппам/по добровольности) — блок к валидности сравнения."
- "UNKNOWN: технический стек RAG. Какие именно источники войдут в базу (PMBOK/ГОСТ/PRINCE2 — доступ, лицензии; аграрные кейсы — где взять валидируемый корпус). Без источников RAG превращается в общее «н
- "UNKNOWN: реализация симулятора. Есть ли готовый инструмент, или требуется разработка. Симулятор с динамическими рисками — это отдельный BUILD, недооцененный в масштабах курса; вероятно требуется NO_B
- "UNKNOWN: определение операционной границы «когда агент отвечает vs требует самостоятельного шага студента» — без этого журнал решений превращается в лог, а не в педагогический инструмент; учебный эфф
- "UNKNOWN: как именно измеряется «устойчивость сроков после симуляции» (какой процент рассматривается как порог успеха; сколько прогонов симулятора; фиксированные ли риск-сценарии)."
- "INSUFFICIENT_EVIDENCE: экспертная панель от предприятий — что именно эксперты будут оценивать (только финальный план? промежуточные решения? частота встреч? плата/мотивация экспертов?). Без операцион
- "CONTRADICTION_MILD: заявленный размер курса (36 лекций + 12 практик — вводный тезис) и «18 лекционных встреч vs 6 практических» (второй документ) требуют арифметической сверки — либо встречи разной д

> _sources:_ [art-73439d24c0 slides «Агапитова ЛГ, образ.эксперимент УП.pptx» · medium]; [art-ebdcf39f5c note «ИИ как тренажер устойчивости проекта в А…» · medium]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### v2_claim_evidence
### Claim–Evidence Matrix

**FACT** (следует из источников):
- Курс «Основы управления проектами», Аграрный институт ТюмГУ, бакалавриат, 36 ч лекций + 12 ч практических. · _slides art-73439d24c0 slide 2 + docx art-ebdcf39f5c intro_ · conf=high
- Автор фиксирует наблюдаемый дисбаланс: 18 лекционных встреч vs 6 практических. · _docx art-ebdcf39f5c intro_ · conf=high
- Дизайн: КГ (традиционный формат) vs ЭГ (традиционный + RAG + симулятор + агент + внешняя экспертная обратная связь), семестр. · _slides slide 6_ · conf=high

**AUTHOR CLAIM** (заявляет автор):
- Использование ИИ повысит уровень сформированности PM-компетенций у студентов аграрного профиля vs традиционный формат. · _slides slide 5 гипотеза_ · conf=asserted_by_author
- Комбинация RAG + симулятор + агент оптимальна для решения дисбаланса теории/практики. · _slides slide 7_ · conf=asserted_by_author
- «ИИ — помощник, решение — за студентом» + журнал решений блокирует делегирование. · _slides slide 9_ · conf=asserted_by_author

**ANALYTICAL INFERENCE** (вывод системы):
- Курс должен одновременно освоить общий PM-канон и отраслевую АПК-адаптацию; ИИ несёт двойную нагрузку — замещает недостающее время преподавателя-эксперта + недоступную продольную выборку реальных проектов. · _system reading of course scope + AI role split_ · conf=high
- Ключевой шов — порог «когда agent отказывается отвечать» — заявлен как ProtectedCore, но операциональное правило в источнике отсутствует. · _system reading — ProtectedCore #3 без operational definition_ · conf=high

**HYPOTHESIS** (требует проверки):
- 10-раундовая симуляция с сезонными циклами АПК даёт статистически более realistiчный план vs статические кейсы на pre/post rubric оценке. · _requires pilot on 1 группе + rater training_ · conf=requires_pilot
- Журнал решений действительно удерживает студента от «ИИ всё сделал» — доля обоснованных решений в защите на уровне ≥ 80%. · _requires empirical measurement_ · conf=requires_pilot

### v2_failure_analysis
### Failure Analysis 2.0

**Mechanism Failure** (где механизм не сработает):
- Симулятор с реальными объектами быстро устаревает (макро-прогнозы > 3-6 мес.) — если не фиксируется snapshot, следующие потоки работают с несопоставимыми данными.
- 6 ак.часов практических занятий на 10 раундов = ~35 мин на раунд — при среднем размере команды и сложности задачи может не хватить на осмысление, только на механическое прохождение.

**Incentive Failure** (кто как обойдёт):
- Студенты аграрного профиля с низкой цифровой культурой могут воспринимать ИИ как чёрный ящик и делегировать без критики — журнал заполняется формально.
- Внешние эксперты АПК — приглашение из отрасли — не имеют мотивации давать подробную обратную связь бесплатно; может свестись к галочке.

**Delegation Failure** (что ИИ заберёт у человека):
- Агент, предлагающий 'альтернативные сценарии', снимает необходимость их порождать — студент учится оценивать готовые options, не строить их.
- RAG с ГОСТ/PMBOK — если студент напрямую копирует формулировки, теряется навык применения стандарта к контексту.

**Measurement Failure** (как решим что успех, ошибочно):
- Экспертный балл без rater training + inter-rater kappa = субъективная оценка.
- SMART-доля легко манипулируется — студент может формально проставить SMART у каждой задачи без реального содержания.

---

## Гибридная архитектура (`40_HYBRID_ARCHITECTURE_PACK`)

### v2_agentity_audit
### Agenticity Check

**Verdict — Agent Level: 2** (Workflow assistant (RAG + симулятор + advisor))

- **Memory (устойчивое состояние):** UNKNOWN — журнал решений — на стороне студента, не агента; агент между сессиями состояние не сохраняет per source
- **Goal (собственная цель):** NO — цель = задача преподавателя, агент реагирует
- **Planning (самостоятельная последовательность):** PARTIAL — агент предлагает 'альтернативные сценарии' и 'оптимизации' — некоторое самостоятельное planning, но по конкретному запросу
- **Autonomy (действия без запроса):** NO — каждое действие требует подтверждения студента (ProtectedCore)
- **Human Gate (где остаётся человек):** YES — «ИИ — помощник, решение за студентом» — явно декларируется; преподаватель модерирует критические точки

---

## Build/Lab (`50_BUILD_LAB_PACK`)

### lab_requirement
_frame: F-AIH_ · _epistemic: asserted_
- **build_status:** NO_BUILD
- **readiness_score:** 0.3
- **no_build_reason:** Роли и конкретные наблюдаемые действия студентов не определены, отсутствует чёткое разграничение человеческих и машинных функций, что препятствует доказательству эффекта обучения и построению сравнимо

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### v2_mve
### Minimal Viable Experiment

**Hypothesis** (что проверяем): На финальном плане проекта в АПК ЭГ (симулятор + агент + эксперты) демонстрирует статистически более высокую долю задач, сохранивших сроки после стресс-теста, vs КГ на том же кейсе.

**Intervention** (что меняем): ЭГ (~15 чел., 4-5 команд) проходят 10 раундов симуляции с 3 макро-сценариями + журналом решений. КГ (~15 чел.) — тот же кейс через традиционные семинары без симулятора.

**Control** (с чем сравниваем): Параллельные группы того же курса, тот же преподаватель, одинаковый объём часов.

**Observable change** (что должно измениться): (a) Доля задач сохранивших исходные сроки после симуляционного шока ≥ 60% в ЭГ vs ≤ 30% в КГ. (b) Число выявленных рисков со сценариями ≥ 5 у ≥ 70% команд ЭГ. (c) Экспертный балл АПК-реалистичности плана ≥ 4/5 у ≥ 70% ЭГ.

**Evidence needed** (какие данные): Rater training + Cohen's kappa ≥ 0.7 для экспертной панели; snapshot макро-прогнозов на начало курса; лог всех симуляционных шоков с параметрами; journal decisions полностью заполнен ≥ 90% команд.

---

## Обсуждения и решения (`60_SEMINAR_DECISION_PACK`)

### frame_tensions
- {"tension_id": "ft-7a0fd8f941", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-PRJ\", \"F-EDU\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
- {"tension_id": "ft-8ddb5ea7b1", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-PRJ\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
- {"tension_id": "ft-a770f714a8", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-RES\", \"F-PRJ\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
- {"tension_id": "ft-46c9c568c4", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-EDU\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
- {"tension_id": "ft-2ef25d5c70", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-RES\", \"F-EDU\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
- {"tension_id": "ft-03a0b4adad", "analysis_run_id": "ar-8d3ca8036c", "frames_involved_json": "[\"F-RES\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

### position_invocations
- {"invocation_id": "piv-d0db89018a", "profile_id": "SEMINAR_PREP", "position_id": "SEMINAR_PREP"}
- {"invocation_id": "piv-00afbf6c79", "profile_id": "SEMINAR_PREP", "position_id": "SEMINAR_PREP"}

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [db_row position_invocation_records:piv-d0db89018a · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

---

## Portfolio pattern (`70_PORTFOLIO_PATTERN`)

### portfolio_card
_frame: PORTFOLIO_ · _epistemic: asserted_
- **id:** pe-52748590e5
- **lineage_id:** lin-450d5ffbe1
- **readiness_json:** {"build_status": "NO_BUILD", "readiness_score": 0.3, "no_build_reason": "Роли и конкретные наблюдаемые действия студентов не определены, отсутствует чёткое разграничение человеческих и машинных функци
- **reusable_components_json:** []
- **infrastructure_needs_json:** []
- **human_roles_json:** []
- **created_at:** 2026-08-22 23:41:46

> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]

---


---

## 🔬 Sem-6 v2 · Evidence-Grounded Analysis

### Claim–Evidence Matrix

**FACT** (следует из источников):
- Курс «Основы управления проектами», Аграрный институт ТюмГУ, бакалавриат, 36 ч лекций + 12 ч практических. · _slides art-73439d24c0 slide 2 + docx art-ebdcf39f5c intro_ · conf=high
- Автор фиксирует наблюдаемый дисбаланс: 18 лекционных встреч vs 6 практических. · _docx art-ebdcf39f5c intro_ · conf=high
- Дизайн: КГ (традиционный формат) vs ЭГ (традиционный + RAG + симулятор + агент + внешняя экспертная обратная связь), семестр. · _slides slide 6_ · conf=high

**AUTHOR CLAIM** (заявляет автор):
- Использование ИИ повысит уровень сформированности PM-компетенций у студентов аграрного профиля vs традиционный формат. · _slides slide 5 гипотеза_ · conf=asserted_by_author
- Комбинация RAG + симулятор + агент оптимальна для решения дисбаланса теории/практики. · _slides slide 7_ · conf=asserted_by_author
- «ИИ — помощник, решение — за студентом» + журнал решений блокирует делегирование. · _slides slide 9_ · conf=asserted_by_author

**ANALYTICAL INFERENCE** (вывод системы):
- Курс должен одновременно освоить общий PM-канон и отраслевую АПК-адаптацию; ИИ несёт двойную нагрузку — замещает недостающее время преподавателя-эксперта + недоступную продольную выборку реальных проектов. · _system reading of course scope + AI role split_ · conf=high
- Ключевой шов — порог «когда agent отказывается отвечать» — заявлен как ProtectedCore, но операциональное правило в источнике отсутствует. · _system reading — ProtectedCore #3 без operational definition_ · conf=high

**HYPOTHESIS** (требует проверки):
- 10-раундовая симуляция с сезонными циклами АПК даёт статистически более realistiчный план vs статические кейсы на pre/post rubric оценке. · _requires pilot on 1 группе + rater training_ · conf=requires_pilot
- Журнал решений действительно удерживает студента от «ИИ всё сделал» — доля обоснованных решений в защите на уровне ≥ 80%. · _requires empirical measurement_ · conf=requires_pilot

### Educational Mechanism Model

**Current educational practice:** Лекции 18 встреч + 6 практических занятий по PM. Разбор кейсов на доске, теория статичных задач.

**Limitation / failure point:** 18:6 дисбаланс теория/практика; статичные кейсы не моделируют АПК-специфику (сезонность, биология, климат, длинные циклы). Студенты усваивают PMBOK/ГОСТ, но не переносят на аграрный контекст.

**Changed activity (что действие меняется):** Студент вместо решения одноразовой задачи проходит 10 раундов симуляции = 1 год за раунд с реальными макро-прогнозами и стресс-тестами; ведёт журнал решений с обоснованием каждого хода.

**Role of AI (компонент механизма):** Тройная функция: (a) RAG — доступ к ГОСТ/PMBOK/PRINCE2 + аграрные кейсы; (b) Симулятор — динамическая среда с рисками; (c) Агент — анализ плана + альтернативные сценарии. Не выносит финальных решений.

**Role of human (сохранённая функция):** (a) Студент — стратегические решения, обоснование каждого выбора в журнале. (b) Преподаватель — точки прямой педагогической работы (разбор 3 сценариев + стресс-тест, финальная защита). (c) Экспертная панель АПК — валидация реалистичности плана.

**Expected competence change:** Способность формировать реалистичные PM-планы в условиях отраслевой неопределённости; в rubric-оценке — рост доли SMART-задач + число выявленных рисков + устойчивость сроков после симуляции.

**Measurement method:** 6 метрик per docx: SMART-доля, полнота WBS, число рисков + 3 сценария + стресс-тест, соответствие сезонным окнам, устойчивость сроков post-симуляция, экспертный балл + доля учтённых замечаний, качество рефлексии. Статистика — t-test КГ vs ЭГ при N≥15 на группу.

### Agenticity Check

**Verdict — Agent Level: 2** (Workflow assistant (RAG + симулятор + advisor))

- **Memory (устойчивое состояние):** UNKNOWN — журнал решений — на стороне студента, не агента; агент между сессиями состояние не сохраняет per source
- **Goal (собственная цель):** NO — цель = задача преподавателя, агент реагирует
- **Planning (самостоятельная последовательность):** PARTIAL — агент предлагает 'альтернативные сценарии' и 'оптимизации' — некоторое самостоятельное planning, но по конкретному запросу
- **Autonomy (действия без запроса):** NO — каждое действие требует подтверждения студента (ProtectedCore)
- **Human Gate (где остаётся человек):** YES — «ИИ — помощник, решение за студентом» — явно декларируется; преподаватель модерирует критические точки

### Failure Analysis 2.0

**Mechanism Failure** (где механизм не сработает):
- Симулятор с реальными объектами быстро устаревает (макро-прогнозы > 3-6 мес.) — если не фиксируется snapshot, следующие потоки работают с несопоставимыми данными.
- 6 ак.часов практических занятий на 10 раундов = ~35 мин на раунд — при среднем размере команды и сложности задачи может не хватить на осмысление, только на механическое прохождение.

**Incentive Failure** (кто как обойдёт):
- Студенты аграрного профиля с низкой цифровой культурой могут воспринимать ИИ как чёрный ящик и делегировать без критики — журнал заполняется формально.
- Внешние эксперты АПК — приглашение из отрасли — не имеют мотивации давать подробную обратную связь бесплатно; может свестись к галочке.

**Delegation Failure** (что ИИ заберёт у человека):
- Агент, предлагающий 'альтернативные сценарии', снимает необходимость их порождать — студент учится оценивать готовые options, не строить их.
- RAG с ГОСТ/PMBOK — если студент напрямую копирует формулировки, теряется навык применения стандарта к контексту.

**Measurement Failure** (как решим что успех, ошибочно):
- Экспертный балл без rater training + inter-rater kappa = субъективная оценка.
- SMART-доля легко манипулируется — студент может формально проставить SMART у каждой задачи без реального содержания.

### Minimal Viable Experiment

**Hypothesis** (что проверяем): На финальном плане проекта в АПК ЭГ (симулятор + агент + эксперты) демонстрирует статистически более высокую долю задач, сохранивших сроки после стресс-теста, vs КГ на том же кейсе.

**Intervention** (что меняем): ЭГ (~15 чел., 4-5 команд) проходят 10 раундов симуляции с 3 макро-сценариями + журналом решений. КГ (~15 чел.) — тот же кейс через традиционные семинары без симулятора.

**Control** (с чем сравниваем): Параллельные группы того же курса, тот же преподаватель, одинаковый объём часов.

**Observable change** (что должно измениться): (a) Доля задач сохранивших исходные сроки после симуляционного шока ≥ 60% в ЭГ vs ≤ 30% в КГ. (b) Число выявленных рисков со сценариями ≥ 5 у ≥ 70% команд ЭГ. (c) Экспертный балл АПК-реалистичности плана ≥ 4/5 у ≥ 70% ЭГ.

**Evidence needed** (какие данные): Rater training + Cohen's kappa ≥ 0.7 для экспертной панели; snapshot макро-прогнозов на начало курса; лог всех симуляционных шоков с параметрами; journal decisions полностью заполнен ≥ 90% команд.

### Readiness — 4 tiers
- **Idea readiness:** STRONG — чёткий диагноз дисбаланса + отраслевая специфика АПК как источник специфической неопределённости
- **Mechanism readiness:** PARTIAL — механизм описан, но 4 UNKNOWN: (a) размер выборки, (b) стек RAG, (c) реализация симулятора, (d) порог отказа агента
- **Implementation readiness:** WEAK — нет решения по симулятору (NO_BUILD/готовый/собственный); нет промпт-конфига агента; нет договорённостей с экспертами
- **Evaluation readiness:** PARTIAL — метрики операционализированы, но нет процедуры rater calibration + inter-rater kappa