🔧 Lab Handoff

lab_requirement

• 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.

Архитектура · 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

🔬 Sem-6 v2 · Evidence-Grounded Analysis

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.

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.

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