📑 Full Report (semantic-package view)

compiled from 8/8 packages

Проект — карточка (`00_PROJECT_CARD`)

carrying_break

frame: F-EDU · epistemic: asserted Несущий разлом: проект живёт на границе трёх типов работы одновременно — (а) научная лингвистика (проверка теоретических моделей от Соссюра до Деррида); (б) педагогика (формирование у студента-магистранта способности к augmented research); (в) технологическая инженерия (создание воспроизводимого пайплайна SpaCy+BERT + промпт-банка). Каждая из трёх требует своих ресурсов, компетенций команды и метрик успеха. Разлом появляется, когда одна из плоскостей начинает подчинять другие: если научная перевесит — проект превращается в исследовательскую программу, а курс становится побочным; если педагогическая — упрощается техническая рамка и теряется научная достоверность; если техническая — курс становится обучением инструментам без глубинной семантики. Проект держится на явной артикуляции всех трёх и синхронизации через архитектуру Augmented Research Studio, но эта синхронизация требует авторской команды из трёх ролей (лингвист-теоретик + методист + инженер-технолог), и уязвимость — в том, что нагрузка на всех трёх слишком высока для одного семестра.

identity

lineage_id: lin-46a992e206
label: Разработка междисциплинарного метакурса по цифровой семантике (v2)
project_id: digital-semantics-metacourse-v2
current_version_id: ver-18f9211b72

protected_core

frame: F-PRJ · epistemic: asserted Защищённое ядро: (1) теоретическое обоснование через Растье и интерпретативную семантику — не декоративная рамка, а объяснение, почему изотопии требуют многометодной валидации; (2) ротация ролей «аналог → цифровик → эксперт» — операциональная форма Human-in-the-loop, обеспечивающая, что студент не остаётся только потребителем ИИ-анализа; (3) трёхслойная валидация ручной ↔ LLM ↔ формальный пайплайн — уникальное отличие от стандартных «мы попросили ChatGPT» проектов; (4) требование проверки каждого вывода ИИ по тексту с цитатой — прямая защита от галлюцинаций; (5) банк верифицированных промптов + рубрикатор экспертной оценки — воспроизводимая методология, а не разовое упражнение; (6) техническая гипотеза о типологии ошибок LLM — позволяет использовать проект как инструмент методологического обучения (студенты учатся не только пользоваться, но и диагностировать инструмент). Убрать любое — это уже другой проект уровня «использовали LLM в курсе».

readiness

frame: F-PRJ · epistemic: asserted Готовность: SCIENTIFIC_PROGRAM_READY / SEMESTER_PILOT_REQUIRES_SCOPING. Проект имеет самый сильный теоретический фундамент из всех Sem-6 проектов (Растье + Соссюр + Деррида + операционализация через изотопии); опубликованная исследовательская статья служит валидированной базой; архитектура Augmented Research Studio методологически инновационна. Однако масштаб проекта (5+ LLM + формальный пайплайн + рубрика + курс + квази-эксперимент + повторные замеры + NASA-TLX) не соответствует ресурсам одного семестра и одной авторской команды из трёх человек. До запуска необходимо: (1) декомпозировать в 2-3-семестровую программу с явными milestones; (2) в первом семестре пилотировать один модуль (например, только ротацию ролей на одном тексте без квази-эксперимента); (3) во втором семестре добавить формальный пайплайн; (4) в третьем — квази-эксперимент с полной методологией. Альтернатива — принять как научный проект с попутным педагогическим применением, но не пытаться получить обе полноты за один семестр.

v2_readiness_4tier

Readiness — 4 tiers

Idea readiness: STRONG — самая сильная теоретическая проработка cohort — Растье + опубликованная статья + техническая гипотеза о типологии ошибок LLM
Mechanism readiness: PARTIAL — механизм ясен, но масштаб (5 LLM + пайплайн + рубрика + курс) не соответствует одному семестру
Implementation readiness: WEAK — fine-tuning BERT требует ресурсов; сценарный банк 4 текстов не собран; LLM budget не оценён
Evaluation readiness: PARTIAL — NASA-TLX + rubric планируются, калибровка не запланирована; inter-rater kappa не описан

Модель проекта (`20_PROJECT_MODEL`)

literal

frame: F-EDU · epistemic: asserted Проект «Разработка междисциплинарного метакурса по цифровой семантике» (v2). Авторы: Белозерова Н.Н. (д.ф.н., проф., кафедра прикладной и теоретической лингвистики ТюмГУ) + Соловьёва И.В. + Бородулина Л.О.; соавторская работа с магистрантами Габриэлян А.В., Воронковым М.А., Зименс П.А. на исследовательской статье. Рабочее название эксперимента: «Комбинированное извлечение методологической структуры научной статьи: ручной анализ, LLM и формальный пайплайн». Главный исследовательский вопрос: 'Повышает ли структурированное сопоставление ручной, LLM- и формальной аналитических моделей способность студента самостоятельно строить и защищать методологическую модель нового научного текста?'. Главный образовательный вопрос: 'Что студент после курса сможет самостоятельно сделать с новым научным текстом, чего он не мог сделать до курса, и какой артефакт это докажет?'. Гипотеза (педагогическая): студенты после ротации ролей «аналог» → «цифровик» → «эксперт» демонстрируют более высокое качество самостоятельного анализа нового текста. Гипотеза (инструментальная): сочетание ручного + LLM + формального пайплайна даёт более полную и точную семантическую модель, чем каждый из методов по отдельности. Гипотеза (техническая): LLM демонстрирует систематические ошибки определённых типов — классификация механизмов как параметров, упрощение типов связей, пропуск имплицитных сущностей. Теоретическое основание: Ф. Растье (интерпретативная семантика от структурализма Соссюра до деконструкции Деррида); четыре направления пересечения с ИИ — качественные корпуса, извлечение изотопий, инженерия знаний, интерпретируемость чёрного ящика. Архитектурный паттерн: Augmented Research Studio — студент задаёт формальную аналитическую рамку → несколько инструментов строят конкурирующие модели текста → студент проверяет по источнику → обнаруживает расхождения → строит собственную доказательную модель → защищает и указывает ограничения. Инструменты: DeepSeek R1 (лучший результат — chain-of-thought + knowledge

strongest_benevolent

frame: F-EDU · epistemic: asserted Сильнейшая доброжелательная реконструкция: проект содержит редкое для образовательных экспериментов сочетание — (1) уже проделанная и опубликованная исследовательская работа (34-страничная статья об augmented analysis с реальным сравнением 5 LLM на классических лингвистических моделях от знака до деконструкции) служит валидированной базой для педагогического эксперимента; (2) чёткое теоретическое основание — интерпретативная семантика Растье, обосновывающая, ПОЧЕМУ комбинированный анализ работает (изотопии проявляются на разных уровнях, ни один инструмент не покрывает все) — а не эмпирическая ставка на «ИИ полезен»; (3) архитектурный паттерн Augmented Research Studio с ротацией ролей операционализирует Human-in-the-loop не как декларацию, а как последовательность педагогических состояний; (4) техническая гипотеза о систематических ошибках LLM (классификация механизмов как параметров, упрощение связей, пропуск имплицитных сущностей) — редкая по строгости постановка задачи для образовательного проекта, обычно фокусирующегося на аффективных результатах; (5) формальный пайплайн (SpaCy + fine-tuned BERT) как эталон — предоставляет референтную точку для оценки как студенческого, так и LLM-анализа. Такая триангуляция «человек ↔ LLM ↔ формальный эталон» является методологически более сильной, чем стандартный человек-vs-ИИ дизайн. Проект уровня научной программы, а не одного курса.

v2_mechanism_model

Educational Mechanism Model

Current educational practice: Магистерский курс «Языковые модели» — лекции + семинары + практические задания на анализе конкретных текстов.

Limitation / failure point: Ручной семантический анализ трудоёмок; студенты доверяют LLM без критики (галлюцинации); отсутствует стандартизированная методология оценки коллаборативного human+AI анализа.

Changed activity (что действие меняется): Студент через ротацию 'аналог/цифровик/эксперт' проходит три позиции: (а) ручной анализ, (б) augmented с LLM, (в) сравнение результатов. Финальный артефакт = собственная защищённая методологическая модель нового текста.

Role of AI (компонент механизма): Как LLM (DeepSeek R1 с chain-of-thought + knowledge graph, Perplexity и др.) — извлечение методологической структуры + генерация конкурирующих моделей. Как формальный пайплайн (SpaCy + BERT) — референтный эталон для NER + связей.

Role of human (сохранённая функция): Студент — задаёт формальную рамку, проверяет выводы ИИ по тексту (обязательная цитата), строит собственную модель. Преподаватель — модерация ротации + peer review. Эксперты (лингвистика) — курирование теоретической рамки.

Expected competence change: Способность самостоятельно построить и защитить методологическую модель нового научного текста; критическое различение слоёв модели (ручной / LLM / формальный).

Measurement method: Экспертная rubric оценки итоговой модели (точность / полнота / глубина / структурированность); NASA-TLX для когнитивной нагрузки per роль; % цитат в защите ИИ-выводов; идентификация ≥ 3 типов ошибок LLM у ≥ 70% студентов.

Источники, evidence и аналоги (`10_EVIDENCE_PROVENANCE_ANALOGS`)

corpus_summary

versions: 3
positions: 2
frames: 4

Экспериментальный пакет (`30_EXPERIMENT_PACK`)

research_gaps

{"gap_id": "rg-8efef6359d", "analysis_run_id": "ar-eb3cd40d34", "parent_operation": "position_invocation:piv-1655661d54", "what_blocked": "Не хватает чёткого операционального описания действия студент
{"gap_id": "rg-2ff0315556", "analysis_run_id": "ar-eb3cd40d34", "parent_operation": "position_invocation:piv-c8d2125147", "what_blocked": "Чёткая спецификация операций и критериев передачи функций чел

threats_to_validity

"UNKNOWN: точный объём метакурса — сколько часов лекций / практик / самостоятельной работы; сколько ECTS; сколько недель."
"UNKNOWN: количество студентов ЭГ и КГ; критерии распределения (случайное / по подгруппам магистратуры)."
"UNKNOWN: выбор четырёх текстов для повторных замеров — как обеспечивается их сопоставимость по сложности и жанру?"
"UNKNOWN: доступ к DeepSeek R1 и другим LLM (стоимость API vs бесплатные тарифы; квоты; стабильность за семестр)."
"UNKNOWN: реализация fine-tuned BERT — доступ к вычислительным ресурсам; данные для дообучения; время на подготовку."
"UNKNOWN: рубрикатор экспертной оценки — операционализирован ли по критериям (точность / полнота / глубина / структурированность), или это только декларация категорий?"
"UNKNOWN: калибровка экспертов между собой (inter-rater reliability) — три автора выступают как эксперты, но нет протокола согласования."
"INSUFFICIENT_EVIDENCE: как измеряется «глубина анализа» — вероятно требуется отдельная операционализация; иначе метрика субъективна."

v2_claim_evidence

Claim–Evidence Matrix

FACT (следует из источников): - Авторы: Белозерова Н.Н. (д.ф.н., проф. каф. прикладной и теор. лингвистики ТюмГУ) + Соловьёва И.В. + Бородулина Л.О. · docx art-a7d79788bf header + art-10a2f854d3 · conf=high - Опубликованная исследовательская статья «Комбинированный анализ (augmented analysis)» с 4 авторами (Белозерова + 3 магистранта). · docx art-39379bd487 (34k chars) — оригинальная статья · conf=high - Триангуляция: ручной анализ ↔ LLM (DeepSeek R1 + Perplexity + GPT-4o + GigaChat + Mistral) ↔ формальный пайплайн (SpaCy + fine-tuned BERT). · docx §Архитектурный паттерн · conf=high - Ротация ролей: 'аналог' → 'цифровик' → 'эксперт'. · docx §3.1 гипотеза · conf=high - Теоретическая опора: Ф. Растье, интерпретативная семантика (Соссюр → Деррида). · docx §2.2 · conf=high

AUTHOR CLAIM (заявляет автор): - Ротация ролей + трёхслойная валидация формирует устойчивый навык методологического анализа новых научных текстов. · docx §3.1 педагогическая гипотеза · conf=asserted_by_author - LLM демонстрирует систематические ошибки: классификация механизмов как параметров, упрощение связей, пропуск имплицитных сущностей. · docx §3.3 техническая гипотеза · conf=asserted_by_author + partly_supported_by_published_article

ANALYTICAL INFERENCE (вывод системы): - Проект живёт на границе трёх плоскостей одновременно (научная лингвистика + педагогика + инженерия), каждая с собственными ресурсами и метриками успеха. · system reading of scope · conf=high - Уровень проекта = научная программа, не один семестр; синхронизация трёх плоскостей требует авторской команды из трёх ролей (теоретик + методист + инженер). · system reading of scale · conf=high

HYPOTHESIS (требует проверки): - 3-семестровая декомпозиция (пилот ротации → добавление формального пайплайна → полный квази-эксперимент) обеспечит устойчивое внедрение. · system recommendation, requires empirical staging · conf=requires_pilot

v2_failure_analysis

Failure Analysis 2.0

Mechanism Failure (где механизм не сработает): - 5 LLM + формальный пайплайн + рубрика + курс + квази-эксперимент — не соответствует ресурсам одного семестра. - Fine-tuning BERT требует GPU + датасета; при отсутствии — fallback на stanza pre-trained, но качество ниже. - Ротация ролей требует чёткого протокола (сколько времени на каждую); при формальном подходе — потеря педагогической ценности.

Incentive Failure (кто как обойдёт): - Магистранты могут заниматься только 'цифровик' ролью, игнорируя ручной анализ (сложнее и медленнее). - Курирование теоретической рамки экспертами — время без прямого стимула.

Delegation Failure (что ИИ заберёт у человека): - Если LLM даёт готовую knowledge graph — студент теряет навык строить самому. - Формальный пайплайн как 'эталон' — студент делегирует ему верификацию.

Measurement Failure (как решим что успех, ошибочно): - 3 автора-эксперта = shared prior; консенсус может маскировать групповое смещение. - 'Глубина анализа' не операционализирована — субъективная метрика.

Гибридная архитектура (`40_HYBRID_ARCHITECTURE_PACK`)

v2_agentity_audit

Agenticity Check

Verdict — Agent Level: 1 (Adaptive assistant (multi-tool triangulation))

Memory (устойчивое состояние): NO — LLM per-session; state ведёт студент
Goal (собственная цель): NO — цель = задача студента
Planning (самостоятельная последовательность): PARTIAL — DeepSeek R1 использует chain-of-thought — некоторое planning per query, не long-horizon
Autonomy (действия без запроса): NO — всё по запросу студента
Human Gate (где остаётся человек): YES — ротация роли 'эксперт' — peer review; финальная защита

Build/Lab (`50_BUILD_LAB_PACK`)

lab_requirement

frame: F-AIH · epistemic: asserted - build_status: NO_BUILD - readiness_score: 0.35 - no_build_reason: Проект в текущем состоянии не готов к инженерной реализации, так как отсутствует чёткое разделение функций между человеком и ИИ, не сформулированы конкретные образовательные результаты (target capabil

v2_mve

Minimal Viable Experiment

Hypothesis (что проверяем): Магистранты ЭГ (ротация ролей + триангуляция) на новом (не изучавшемся) тексте строят методологическую модель с экспертной оценкой ≥ 4/5, статистически выше КГ (традиционный ручной анализ).

Intervention (что меняем): ЭГ (~15 магистрантов) — 4 текста × 3 ротации ролей (12 сессий) с LLM + формальным пайплайном + peer review. КГ (~15) — те же 4 текста, только ручной анализ + семинарский разбор.

Control (с чем сравниваем): Параллельный поток магистратуры прикладной лингвистики, тот же преподаватель.

Observable change (что должно измениться): Экспертная оценка итоговой модели ≥ 4/5 у ЭГ vs ≤ 3/5 у КГ на новом тексте p<0.05; ≥ 3 типа ошибок LLM идентифицированы у ≥ 70% ЭГ; NASA-TLX различает роли p<0.05.

Evidence needed (какие данные): 4 текста экспертно провалидированы на сопоставимость; fine-tuned BERT ИЛИ pre-trained stanza готов; rubric с калибровкой 3 rater'ов (kappa ≥ 0.7); pre-experiment калибровка ротационного протокола.

Обсуждения и решения (`60_SEMINAR_DECISION_PACK`)

frame_tensions

{"tension_id": "ft-39c1cb7cb1", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-PRJ\", \"F-EDU\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
{"tension_id": "ft-d0fee9a8ec", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-PRJ\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
{"tension_id": "ft-ae35e9dc20", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-RES\", \"F-PRJ\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
{"tension_id": "ft-c4c7cc2611", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-EDU\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
{"tension_id": "ft-25aff97df4", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-RES\", \"F-EDU\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes
{"tension_id": "ft-bcd7acb8c6", "analysis_run_id": "ar-eb3cd40d34", "frames_involved_json": "[\"F-RES\", \"F-AIH\"]", "conflicting_units_json": null, "conflicting_criteria_json": null, "project_stakes

position_invocations

{"invocation_id": "piv-1655661d54", "profile_id": "SEMINAR_PREP", "position_id": "SEMINAR_PREP"}
{"invocation_id": "piv-c8d2125147", "profile_id": "SEMINAR_PREP", "position_id": "SEMINAR_PREP"}

Portfolio pattern (`70_PORTFOLIO_PATTERN`)

portfolio_card

frame: PORTFOLIO · epistemic: asserted - id: pe-e54bd56939 - lineage_id: lin-46a992e206 - readiness_json: {"build_status": "NO_BUILD", "readiness_score": 0.35, "no_build_reason": "Проект в текущем состоянии не готов к инженерной реализации, так как отсутствует чёткое разделение функций между человеком и И - reusable_components_json: [] - infrastructure_needs_json: [] - human_roles_json: [] - created_at: 2026-08-22 23:41:33

🔬 Sem-6 v2 · Evidence-Grounded Analysis

Claim–Evidence Matrix

Educational Mechanism Model

Agenticity Check

Verdict — Agent Level: 1 (Adaptive assistant (multi-tool triangulation))

Memory (устойчивое состояние): NO — LLM per-session; state ведёт студент
Goal (собственная цель): NO — цель = задача студента
Planning (самостоятельная последовательность): PARTIAL — DeepSeek R1 использует chain-of-thought — некоторое planning per query, не long-horizon
Autonomy (действия без запроса): NO — всё по запросу студента
Human Gate (где остаётся человек): YES — ротация роли 'эксперт' — peer review; финальная защита

Failure Analysis 2.0

Minimal Viable Experiment

Control (с чем сравниваем): Параллельный поток магистратуры прикладной лингвистики, тот же преподаватель.

Readiness — 4 tiers

Idea readiness: STRONG — самая сильная теоретическая проработка cohort — Растье + опубликованная статья + техническая гипотеза о типологии ошибок LLM
Mechanism readiness: PARTIAL — механизм ясен, но масштаб (5 LLM + пайплайн + рубрика + курс) не соответствует одному семестру
Implementation readiness: WEAK — fine-tuning BERT требует ресурсов; сценарный банк 4 текстов не собран; LLM budget не оценён
Evaluation readiness: PARTIAL — NASA-TLX + rubric планируются, калибровка не запланирована; inter-rater kappa не описан

full_report

📑 Full Report (semantic-package view)

Проект — карточка (00_PROJECT_CARD)

carrying_break

identity

protected_core

readiness

v2_readiness_4tier

Readiness — 4 tiers

Модель проекта (20_PROJECT_MODEL)

literal

strongest_benevolent

v2_mechanism_model

Educational Mechanism Model

Источники, evidence и аналоги (10_EVIDENCE_PROVENANCE_ANALOGS)

corpus_summary

Экспериментальный пакет (30_EXPERIMENT_PACK)

research_gaps

threats_to_validity

v2_claim_evidence

Claim–Evidence Matrix

v2_failure_analysis

Failure Analysis 2.0

Гибридная архитектура (40_HYBRID_ARCHITECTURE_PACK)

v2_agentity_audit

Agenticity Check

Build/Lab (50_BUILD_LAB_PACK)

lab_requirement

v2_mve

Minimal Viable Experiment

Обсуждения и решения (60_SEMINAR_DECISION_PACK)

frame_tensions

position_invocations

Portfolio pattern (70_PORTFOLIO_PATTERN)

portfolio_card

🔬 Sem-6 v2 · Evidence-Grounded Analysis

Claim–Evidence Matrix

Educational Mechanism Model

Agenticity Check

Failure Analysis 2.0

Minimal Viable Experiment

Readiness — 4 tiers

Проект — карточка (`00_PROJECT_CARD`)

Модель проекта (`20_PROJECT_MODEL`)

Источники, evidence и аналоги (`10_EVIDENCE_PROVENANCE_ANALOGS`)

Экспериментальный пакет (`30_EXPERIMENT_PACK`)

Гибридная архитектура (`40_HYBRID_ARCHITECTURE_PACK`)

Build/Lab (`50_BUILD_LAB_PACK`)

Обсуждения и решения (`60_SEMINAR_DECISION_PACK`)

Portfolio pattern (`70_PORTFOLIO_PATTERN`)