📇 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