{"view":"lab_handoff","lineage_id":"lin-450d5ffbe1","markdown":"# 🔧 Lab Handoff\n\n## lab_requirement\n- **build_status:** NO_BUILD\n- **readiness_score:** 0.3\n- **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\n\n> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]\n\n## v2_mve\n### Minimal Viable Experiment\n\n**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.\n\n**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.\n\n**Control** (с чем сравниваем): Параллельные группы того же курса, тот же преподаватель, одинаковый объём часов.\n\n**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.\n\n**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.\n\n## Архитектура · v2_agentity_audit\n### Agenticity Check\n\n**Verdict — Agent Level: 2** (Workflow assistant (RAG + симулятор + advisor))\n\n- **Memory (устойчивое состояние):** UNKNOWN — журнал решений — на стороне студента, не агента; агент между сессиями состояние не сохраняет per source\n- **Goal (собственная цель):** NO — цель = задача преподавателя, агент реагирует\n- **Planning (самостоятельная последовательность):** PARTIAL — агент предлагает 'альтернативные сценарии' и 'оптимизации' — некоторое самостоятельное planning, но по конкретному запросу\n- **Autonomy (действия без запроса):** NO — каждое действие требует подтверждения студента (ProtectedCore)\n- **Human Gate (где остаётся человек):** YES — «ИИ — помощник, решение за студентом» — явно декларируется; преподаватель модерирует критические точки\n\n\n---\n\n## 🔬 Sem-6 v2 · Evidence-Grounded Analysis\n\n### Minimal Viable Experiment\n\n**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.\n\n**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.\n\n**Control** (с чем сравниваем): Параллельные группы того же курса, тот же преподаватель, одинаковый объём часов.\n\n**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.\n\n**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.\n\n### Failure Analysis 2.0\n\n**Mechanism Failure** (где механизм не сработает):\n- Симулятор с реальными объектами быстро устаревает (макро-прогнозы > 3-6 мес.) — если не фиксируется snapshot, следующие потоки работают с несопоставимыми данными.\n- 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.\n\n**Incentive Failure** (кто как обойдёт):\n- Студенты аграрного профиля с низкой цифровой культурой могут воспринимать ИИ как чёрный ящик и делегировать без критики — журнал заполняется формально.\n- Внешние эксперты АПК — приглашение из отрасли — не имеют мотивации давать подробную обратную связь бесплатно; может свестись к галочке.\n\n**Delegation Failure** (что ИИ заберёт у человека):\n- Агент, предлагающий 'альтернативные сценарии', снимает необходимость их порождать — студент учится оценивать готовые options, не строить их.\n- RAG с ГОСТ/PMBOK — если студент напрямую копирует формулировки, теряется навык применения стандарта к контексту.\n\n**Measurement Failure** (как решим что успех, ошибочно):\n- Экспертный балл без rater training + inter-rater kappa = субъективная оценка.\n- SMART-доля легко манипулируется — студент может формально проставить SMART у каждой задачи без реального содержания.\n\n### Agenticity Check\n\n**Verdict — Agent Level: 2** (Workflow assistant (RAG + симулятор + advisor))\n\n- **Memory (устойчивое состояние):** UNKNOWN — журнал решений — на стороне студента, не агента; агент между сессиями состояние не сохраняет per source\n- **Goal (собственная цель):** NO — цель = задача преподавателя, агент реагирует\n- **Planning (самостоятельная последовательность):** PARTIAL — агент предлагает 'альтернативные сценарии' и 'оптимизации' — некоторое самостоятельное planning, но по конкретному запросу\n- **Autonomy (действия без запроса):** NO — каждое действие требует подтверждения студента (ProtectedCore)\n- **Human Gate (где остаётся человек):** YES — «ИИ — помощник, решение за студентом» — явно декларируется; преподаватель модерирует критические точки\n","chars":5541,"elapsed_s":0.0,"packages_used":["pkg-6b093f3a10","pkg-0fea58e25e","pkg-071a213da8","pkg-75ec81c40e","pkg-7f028f939d","pkg-b165531677","pkg-9f8245a745","pkg-62cc131653"],"compiler_run_id":"rcr-d91e56e946"}