# 📇 Project Card

## Идентичность

- **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

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]

## Несущий разрыв

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]

## Готовность

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]


---

## 🔬 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

### 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

### 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.

### 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