Создание цифрового продукта

★ 🎓 Обсуждение на семинарах курса course-only нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

01 Онтологический статус ⓘ

Онтологический статус

Что это вообще: реальное внедрение, прототип, policy, контр-сигнал или симуляция?

пример: Институциональное внедрение (rollout) на campus-wide уровне, с governance-контуром.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

02 Сигнатура и контекст ⓘ

Сигнатура и контекст

Где, когда, в какой институции, в каком окне. Один абзац — паспорт кейса.

пример: Arizona State University, 2023-2026, CreateAI platform, 20k+ сотрудников, MyAI Builder + 7000+ AI-experiences.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

03 Проблема и исходная ситуация ⓘ

Проблема и исходная ситуация

Что не работало без AI. С чем приходил студент/преподаватель/институция.

пример: Преподаватели использовали разрозненные внешние GenAI-инструменты без governance, intellectual property под угрозой.

draft · llm_render

**artifacts_present:** - Создание цифрового продукта_ учим студентов видеть пользователя · Sozdanie-cifrovogo-produkta · (pdf) **target_action:** Обучить студентов видеть реальных пользователей и создавать цифровые продукты на основе эмпирических данных, используя AI-персоны для валидации и тестирования продуктов. **problem:** Студенты не могут постоянно обращаться к реальным пользователям для проверки гипотез из-за дороговизны, длительности и невозможности доступа. **intervention:** Проведение экспериментального курса, где студенты собирают живые данные реальных пользователей, создают AI-персоны на их основе и тестируют цифровые продукты с помощью этих цифровых двойников. **mechanism_claimed:** Использование эмпирических данных для создания AI-персон, которые служат цифровыми двойниками реальных пользователей, позволяя студентам валидировать и улучшать проекты без прямого контакта с живыми респондентами. **ai_function_claimed:** Генерация и использование AI-персон, которые моделируют образ мыслей, цифровые привычки и характер реальных пользователей для тестирования и валидации цифровых продуктов. **target_audience:** Студенты, обучающиеся проектированию цифровых продуктов и сервисов, а также преподаватели, реализующие экспериментальный курс.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**artifacts_present:** - Создание цифрового продукта_ учим студентов видеть пользователя · Sozdanie-cifrovogo-produkta · (pdf) **target_action:** Обучить студентов видеть реальных пользователей и создавать цифровые продукты на основе эмпирических данных, используя AI-персоны для валидации и тестирования продуктов. **problem:** Студенты не могут постоянно обращаться к реальным пользователям для проверки гипотез из-за дороговизны, длительности и невозможности доступа. **intervention:** Проведение экспериментального курса, где студенты собирают живые данные реальных пользователей, создают AI-персоны на их основе и тестируют цифровые продукты с помощью этих цифровых двойников. **mechanism_claimed:** Использование эмпирических данных для создания AI-персон, которые служат цифровыми двойниками реальных пользователей, позволяя студентам валидировать и улучшать проекты без прямого контакта с живыми респондентами. **ai_function_claimed:** Генерация и использование AI-персон, которые моделируют образ мыслей, цифровые привычки и характер реальных пользователей для тестирования и валидации цифровых продуктов. **target_audience:** Студенты, обучающиеся проектированию цифровых продуктов и сервисов, а также преподаватели, реализующие экспериментальный курс.

сохранить отменить

04 Гипотеза эффекта ⓘ

Гипотеза эффекта

Что обещано (или предполагается). Не результат, а заявленный механизм.

пример: Если дать институциональную no-code платформу + библиотеку шаблонов — преподаватели начнут собирать персонализированных ботов вместо использования ChatGPT напрямую.

draft · llm_render

**reconstruction:** Проект работает как учебный эксперимент, где студенты проводят полевые опросы реальных пользователей, собирают детальные данные (социальный портрет, повседневные трудности, цифровые привычки), на их основе создают AI-персоны — цифровые двойники, которые моделируют поведение и мышление пользователей. Эти AI-персоны используются для тестирования и валидации цифровых продуктов, что позволяет студентам получать обоснованные проектные решения, развивать эмпатию и исследовательское мышление без необходимости постоянного доступа к живым респондентам. Результаты сравниваются с контрольной группой, работающей без AI-персон, по критериям качества продукта и аргументации. **assumed_mechanism:** Конструктивистский подход, где знание формируется через деятельность: сбор эмпирических данных → создание AI-персон → тестирование продукта на AI-персонах → получение валидной обратной связи → улучшение продукта и проектных решений.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**reconstruction:** Проект работает как учебный эксперимент, где студенты проводят полевые опросы реальных пользователей, собирают детальные данные (социальный портрет, повседневные трудности, цифровые привычки), на их основе создают AI-персоны — цифровые двойники, которые моделируют поведение и мышление пользователей. Эти AI-персоны используются для тестирования и валидации цифровых продуктов, что позволяет студентам получать обоснованные проектные решения, развивать эмпатию и исследовательское мышление без необходимости постоянного доступа к живым респондентам. Результаты сравниваются с контрольной группой, работающей без AI-персон, по критериям качества продукта и аргументации. **assumed_mechanism:** Конструктивистский подход, где знание формируется через деятельность: сбор эмпирических данных → создание AI-персон → тестирование продукта на AI-персонах → получение валидной обратной связи → улучшение продукта и проектных решений.

сохранить отменить

05 🛡 Protected core (что нельзя ломать ради адаптации) draft · llm_render

**interest:** Развитие у студентов навыков эмпатии и исследовательского мышления через работу с реальными данными пользователей и AI-персонами. **object_of_change:** Процесс обучения проектированию цифровых продуктов с акцентом на эмпирическое исследование пользователей и использование AI для моделирования их поведения. **central_stake:** Создание качественных цифровых продуктов, основанных на реальных потребностях пользователей, а не на стереотипах или интуиции студентов. **key_practice:** Полевое исследование реальных пользователей, создание AI-персон на основе живых данных и тестирование продуктов с их помощью.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**interest:** Развитие у студентов навыков эмпатии и исследовательского мышления через работу с реальными данными пользователей и AI-персонами. **object_of_change:** Процесс обучения проектированию цифровых продуктов с акцентом на эмпирическое исследование пользователей и использование AI для моделирования их поведения. **central_stake:** Создание качественных цифровых продуктов, основанных на реальных потребностях пользователей, а не на стереотипах или интуиции студентов. **key_practice:** Полевое исследование реальных пользователей, создание AI-персон на основе живых данных и тестирование продуктов с их помощью.

сохранить отменить

06 🎯 Несущий разрыв (RC2 §7) draft · llm_render

**break:** Отсутствие постоянного доступа студентов к реальным пользователям для проверки гипотез и валидации продуктов. **why_it_matters:** Без доступа к живым респондентам студенты рискуют создавать продукты, основанные на стереотипах и предположениях, что снижает качество и релевантность цифровых решений.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**break:** Отсутствие постоянного доступа студентов к реальным пользователям для проверки гипотез и валидации продуктов. **why_it_matters:** Без доступа к живым респондентам студенты рискуют создавать продукты, основанные на стереотипах и предположениях, что снижает качество и релевантность цифровых решений.

сохранить отменить

07 📊 Готовность (RC2 §17.6) draft · llm_render

**ready_now:** - Проведение полевых опросов и сбор эмпирических данных. - Создание AI-персон на основе собранных данных. - Тестирование цифровых продуктов с помощью AI-персон. - Оценка качества продуктов и аргументации по установленным критериям. **requires_decision:** - Выбор конкретных инструментов и методов для создания AI-персон. - Определение методики обучения нейросети и валидации AI-персон. **requires_data:** - Данные о точности и валидности AI-персон в сравнении с реальными пользователями. - Результаты эксперимента по сравнению групп. **walkthrough_ready:** - Пошаговый процесс от опроса до тестирования на AI-персонах описан и может быть реализован. **pilot_ready:** - Экспериментальная методика готова к пилотному запуску в учебном процессе.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**ready_now:** - Проведение полевых опросов и сбор эмпирических данных. - Создание AI-персон на основе собранных данных. - Тестирование цифровых продуктов с помощью AI-персон. - Оценка качества продуктов и аргументации по установленным критериям. **requires_decision:** - Выбор конкретных инструментов и методов для создания AI-персон. - Определение методики обучения нейросети и валидации AI-персон. **requires_data:** - Данные о точности и валидности AI-персон в сравнении с реальными пользователями. - Результаты эксперимента по сравнению групп. **walkthrough_ready:** - Пошаговый процесс от опроса до тестирования на AI-персонах описан и может быть реализован. **pilot_ready:** - Экспериментальная методика готова к пилотному запуску в учебном процессе.

сохранить отменить

08 🧪 Первый пилот (RC2 §20.1) draft · llm_render

**Статус лаборатории:** NO_BUILD **Readiness score:** 0.3

✎ редактировать 🔍 переуточнить через LLM 🕘 история

**Статус лаборатории:** NO_BUILD **Readiness score:** 0.3

сохранить отменить

09 Архитектура AI ⓘ

Архитектура AI

Модели, стек, версии, провайдер. RAG? Persistent state? Multi-agent?

пример: gpt-4o + claude-3.5 + llama-3 через unified API; no-code MyAI Builder; LMS-интеграция с Canvas; ethical-AI engine для bias/accuracy.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

10 Ролевая модель команды ⓘ

Ролевая модель команды

Человеческие роли, разнесённые. Используй модель ТюмГУ: картограф / организатор / медиатор / хранитель мотивации.

пример: Картограф — кафедра методологии; организатор — ведущий семинаров; медиатор — AI-тьютор; хранитель мотивации — peer-сообщество.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

11 Роль AI ⓘ

Роль AI

Функциональная позиция AI в процессе. Что он делает, чего не делает.

пример: AI как co-designer (генерирует альтернативные сценарии заданий), но не как автономный оценщик.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

12 Сценарий взаимодействия ⓘ

Сценарий взаимодействия

Пошагово как идёт практика. Не идеал — реальный flow.

пример: Неделя 1: студенты заполняют канвас. Неделя 2: AI-тьютор задаёт уточняющие вопросы. Неделя 3: peer review. Неделя 4: защита.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

13 Институциональный контур ⓘ

Институциональный контур

Governance, нормативка, политика данных, согласование, лицензии.

пример: Согласовано с методическим управлением. РПД 4 з.е. Политика AI задекларирована. DPA с OpenAI подписан. Логи в Moodle.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

14 Транзит к жизни (pilot → rollout) ⓘ

Транзит к жизни

Pilot → rollout, какие коррекции по дороге. Что отвалилось, что усилилось.

пример: Старт в Fall 2024 на 1 курсе (30 студентов), затем расширение на 3 курса (180), затем campus-wide. Отвалилась идея auto-grading.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

15 Метрики и доказательная база ⓘ

Метрики и доказательная база

Что реально замеряется vs что заявлено. Числа важнее эпитетов.

пример: Hard: 20k+ active users, 7k+ AI-experiences, +30% время на проектные работы. Soft: рост engagement по опросам.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

16 Риски ⓘ

Риски

Goal-substitution, lowered bar, weak audit trail, vendor lock-in, regulatory drift.

пример: Vendor lock-in на OpenAI; lowered bar в оценивании (LLM делает за студента); пропуск этического согласования.

draft · llm_render

- [unknown] Как именно реализуется обучение нейросети на собранных данных и насколько глубоко AI-персоны моделируют поведение реальных пользователей. - [unknown] Какие конкретные методы и инструменты используются для создания и тестирования AI-персон. - [contradiction] В тексте упоминается, что студенты 'создают ИИ', но при этом не ясно, насколько это самостоятельная разработка или использование готовых инструментов. - [missing] Отсутствует подробное описание критериев оценки качества финального продукта и аргументации, а также методики сравнения экспериментальной и контрольной групп.

✎ редактировать 🔍 переуточнить через LLM 🕘 история

- [unknown] Как именно реализуется обучение нейросети на собранных данных и насколько глубоко AI-персоны моделируют поведение реальных пользователей. - [unknown] Какие конкретные методы и инструменты используются для создания и тестирования AI-персон. - [contradiction] В тексте упоминается, что студенты 'создают ИИ', но при этом не ясно, насколько это самостоятельная разработка или использование готовых инструментов. - [missing] Отсутствует подробное описание критериев оценки качества финального продукта и аргументации, а также методики сравнения экспериментальной и контрольной групп.

сохранить отменить

17 Контр-сигналы и откаты ⓘ

Контр-сигналы и откаты

Где практика идёт против заявленного. Что наблюдаемо ломается.

пример: В одном из факультетов после внедрения студенты стали хуже справляться без AI — зависимость, а не интериоризация.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

18 Что переносимо ⓘ

Что переносимо

Куда этот паттерн можно перенести. Какой контекст обязателен, какой опционален.

пример: Переносимо в любой большой кампус с централизованным IT + методическим управлением. Не работает в малых вузах без governance.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

19 Связи с теорией ⓘ

Связи с теорией

Какие типы / гипотезы / противоречия / моды затронуты. Используй [[wikilink]].

пример: Иллюстрирует [[A-governed-access]] + [[D-governance-training-ecosystem]]. Поддерживает [[H1-tool-to-infrastructure]].

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

20 Открытые вопросы ⓘ

Открытые вопросы

Что осталось неясным. Что нужно дочерним кейсам прояснить.

пример: Неизвестно: реальная стоимость инфраструктуры; долгосрочные эффекты на навыки выпускников; масштабируемость без vendor-зависимости.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

21 След для следующей волны ⓘ

След для следующей волны

Что обязательно перепроверить в следующем дифф-прогоне.

пример: Проверить через 12 мес: остался ли rollout стабильным или есть rollback. Появились ли новые counter-signals.

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

22 Источники и верификация ⓘ

Источники и верификация

Что подтверждено, что под вопросом. Список URL с датой доступа.

пример: verified: ASU News 2025-09, official platform docs 2026-02. Под вопросом: точные user numbers (только заявленные).

нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

23 🔍 Похожие из базы нет данных

Нет данных. Можно запросить уточнение через веб-поиск или ввести руками.

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить