{"view":"seminar_brief","lineage_id":"lin-450d5ffbe1","markdown":"# 🎯 Seminar Brief\n\n## Несущий разрыв\nНесущий 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).\n\n> _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]\n\n## frame_tensions\n- {\"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\n- {\"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\n- {\"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\n- {\"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\n- {\"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\n- {\"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\n\n> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]\n\n## position_invocations\n- {\"invocation_id\": \"piv-d0db89018a\", \"profile_id\": \"SEMINAR_PREP\", \"position_id\": \"SEMINAR_PREP\"}\n- {\"invocation_id\": \"piv-00afbf6c79\", \"profile_id\": \"SEMINAR_PREP\", \"position_id\": \"SEMINAR_PREP\"}\n\n> _sources:_ [db_row project_lineages:lin-450d5ffbe1 · high]; [db_row position_invocation_records:piv-d0db89018a · high]; [analysis_json orchestrator_run:ar-8d3ca8036c · high]\n\n\n---\n\n## 🔬 Sem-6 v2 · Evidence-Grounded Analysis\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### 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","chars":5617,"elapsed_s":0.01,"packages_used":["pkg-6b093f3a10","pkg-0fea58e25e","pkg-071a213da8","pkg-75ec81c40e","pkg-7f028f939d","pkg-b165531677","pkg-9f8245a745","pkg-62cc131653"],"compiler_run_id":"rcr-8e2a0bcd87"}