ТюмГУ SAS · Программа замены профессора на ИИ

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.

draft · imported

С начала 2024 года ТюмГУ запускает масштабный проект по интеграции ИИ в аудиторное обучение с целью частичной замены профессора и перераспределения функций преподавателя. Первая площадка — Школа перспективных исследований (SAS). В центре модели — «ИИ‑персона курса» как источник экспертизы и картограф предметной области, при поддержке медиаторов, методистов и дата‑инженеров. Организационно разворачивается экосистема: более 60 экспериментов и ИИ‑персон, более 2000 студентов, Центр образовательных разработок на основе ИИ, межуниверситетские R&D‑семинары, поддержанное Минобрнауки госзадание и ежегодный форум «ИИ в высшем образовании».

✎ редактировать 🔍 переуточнить через LLM 🕘 история

С начала 2024 года ТюмГУ запускает масштабный проект по интеграции ИИ в аудиторное обучение с целью частичной замены профессора и перераспределения функций преподавателя. Первая площадка — Школа перспективных исследований (SAS). В центре модели — «ИИ‑персона курса» как источник экспертизы и картограф предметной области, при поддержке медиаторов, методистов и дата‑инженеров. Организационно разворачивается экосистема: более 60 экспериментов и ИИ‑персон, более 2000 студентов, Центр образовательных разработок на основе ИИ, межуниверситетские R&D‑семинары, поддержанное Минобрнауки госзадание и ежегодный форум «ИИ в высшем образовании».

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.

нет данных

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

🔍 уточнить через LLM 📝 ввести вручную

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.

нет данных

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

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

05 🛡 Protected core (что нельзя ломать ради адаптации) нет данных

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

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

06 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

07 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.

draft · imported

Ролевая модель команды: - ИИ‑персона курса (источник экспертизы; картограф предметной области) - Медиатор (организация деятельности; настройка межличностного опыта; хранитель мотивации) - Дата‑инженеры - Методисты - Разработчики - Профессор (репозиционированные функции: организатор деятельности, настройщик межличностного опыта, хранитель мотивации)

✎ редактировать 🔍 переуточнить через LLM 🕘 история

Ролевая модель команды: - ИИ‑персона курса (источник экспертизы; картограф предметной области) - Медиатор (организация деятельности; настройка межличностного опыта; хранитель мотивации) - Дата‑инженеры - Методисты - Разработчики - Профессор (репозиционированные функции: организатор деятельности, настройщик межличностного опыта, хранитель мотивации)

сохранить отменить

08 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

09 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

10 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

11 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

12 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.

draft · imported

Метрики/масштаб, упомянутые в презентации: - более 60 экспериментов - более 60 ИИ‑персон - более 2000 студентов

✎ редактировать 🔍 переуточнить через LLM 🕘 история

Метрики/масштаб, упомянутые в презентации: - более 60 экспериментов - более 60 ИИ‑персон - более 2000 студентов

сохранить отменить

13 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.

нет данных

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

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить

14 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

15 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

16 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

17 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

18 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

19 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

20 🔍 Похожие из базы нет данных

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

🔍 уточнить через LLM 📝 ввести вручную

сохранить отменить