*** # ЦКН и Generative AI: разные технологии, разные цели **Аналитическая справка для партнёров. Формирование эксперта vs инструмент эксперта.** ООО «СПАРКТАЙМ» / Dragon Education Technology Май 2026 Расширенная публичная версия раздела: https://dragon-education.ru/science/skill-formation-vs-ai-tool *** ## Резюме на одну страницу Цель этой справки — не противопоставить ЦКН и Generative AI, а **корректно развести их по слоям стека**. GenAI — технология **генерации** правдоподобного выхода. ЦКН — технология **верификации и точного закрепления навыка**. Это разные классы систем по целевой функции, по архитектуре, по способу управления истиной и по целевому пользователю. Базовая рамка позиционирования DET — простая и применимая везде, где звучит возражение «у нас уже есть ChatGPT»: > **GenAI = генерация. ЦКН = верификация и точность закрепления навыка.** Из этой рамки следует логическая аксиома: > **Генерация, превращённая в точность, — это уже не генерация, а точность. Точность, превращённая в генерацию, — это уже не точность.** Поэтому два класса систем **не сводятся друг к другу и не конкурируют**, а дополняют друг друга: GenAI даёт множество вариантов легко и быстро, инвариант — единственный воспроизводимый результат. Каждая функция нужна, и каждая разрушается при попытке быть второй. DET ведёт принципиальную позицию против GenAI **только в одном узком контуре** — в формировании навыка у человека, ещё не способного отличать правдоподобное от истинного. Во всём остальном GenAI — **бесценный инструмент в руках уже сформированного эксперта**, и DET это поддерживает. *** ## 1. Целевые функции: генерация vs точность | Параметр | Generative AI | ЦКН (DET) | | :-- | :-- | :-- | | Целевая функция | Plausibility / fluency — правдоподобие и связность | Verifiability / determinism — воспроизводимая точность | | Что максимизируется | Многообразие правдоподобных вариантов | Единственный канонический результат | | Поведение при повторе | Стохастично, варианты различаются | Детерминированно, результат идентичен | | Чувствительность к формулировке запроса | Высокая (микро-перефразирование меняет ответ) | Нулевая по спецификации инварианта | | Управление истиной | Дрейфует под массовыми откликами через RLHF и preference data | Фиксируется экспертной группой по строгим критериям инвариантов | | Целевой пользователь | Уже сформированный эксперт | Ученик в процессе формирования | Каждая колонка корректна **в своём слое**. Проблема возникает только при попытке поменять колонки местами. > Спецификация инварианта ЦКН опубликована в открытом научном репозитории: **Zenodo: L0 v5.3 — манифест ЦКН** — https://zenodo.org/records/20032246. Заявка на патент подана; технические детали реализации составляют ноу-хау DET. *** ## 2. Аксиома разложения целевых функций GenAI оптимизируется под **многообразие правдоподобных вариантов** — это и есть его ценность, его скорость и его доступность. Если оптимизировать GenAI под точность, он перестанет давать множество вариантов, то есть **перестанет быть генерацией**. ЦКН оптимизируется под **единственный воспроизводимый результат** — это и есть верификация. Если допустить в инвариант вариативность, он перестанет быть инвариантом, то есть **перестанет быть точностью**. > Генерация ≠ точность по построению. Это не риторика, а следствие разнонаправленных целевых функций. Отсюда — два класса систем, разные слои стека, разные роли. **Никакой конкуренции, никакого «лучше / хуже» — только «о разном».** *** ## 3. Управление истиной: дрейф массы vs шлифовка экспертной группы У GenAI слой выдачи **дрейфует**: положительные массовые отклики, RLHF, preference data и пользовательские предпочтения постоянно сдвигают, что модель считает «хорошим ответом». Это корректный механизм для генеративной системы — она должна быть приятной и полезной массе. В ЦКН такой дрейф **недопустим**. Шлифовка инвариантов — **только экспертной группой**, по строгим критериям, без подстройки под необъективные жалобы и похвалы. Иначе исчезает то, ради чего ЦКН существует: - **едино-гарантированное понимание навыка** у всех учеников; - **коллективная применимость** компетенции (выпускник пилота, выпускник года и выпускник пять лет спустя — один и тот же инвариант); - **аудируемость и юридическая защитимость** результата проверки в рамках международных стандартов (ISO/IEC 22989:2022; NIST AI 600-1). Если истина «голосуется» массой, формирования общего навыка не происходит — у каждого ученика своя дрейфующая «персональная истина». *** ## 4. Формирование эксперта vs инструмент эксперта Это и есть ось, на которой технологии **дополняют** друг друга: - **ЦКН — для формирования эксперта.** Пока человек ещё не умеет отличать правильное от неправильного, ему нужен детерминированный контур, который не «договорится» с ним и не подстроится под его ошибку. - **GenAI — инструмент в руках уже сформированного эксперта.** У эксперта есть внутренний критерий истинности — он отличает полезную генерацию от правдоподобной ошибки и применяет модель для скорости, гипотез, черновиков, исследовательского поиска. Для эксперта GenAI — бесценен. Подмена слоёв даёт замкнутый цикл деградации: ученик без критерия → LLM подстраивается под него (эффект sycophancy, документированный в Sharma et al., 2023, arXiv:2310.13548) → ошибка закрепляется → массовый отклик возвращает её в слой выдачи. ЦКН **разрывает этот цикл на этапе формирования**, после чего GenAI начинает работать на человека так, как и задумывался его авторами. ### 4а. Границы применимости ЦКН ЦКН — технология **точности и воспроизводимости**, и это сознательно ограничивает её область. ЦКН не предназначен и не претендует на: - генерацию творческого, открытого, исследовательского содержимого; - решение задач без канонического ответа (искусство, философия, открытые научные проблемы); - замену экспертной интуиции в нестандартных ситуациях. Везде, где задача — **сформировать измеримый и воспроизводимый навык**, ЦКН работает. Везде, где задача — **сгенерировать новое**, нужен GenAI или человек-эксперт. Это корректное разделение, а не недостаток. *** ## 5. Где GenAI и ЦКН встречаются в одном продукте Правильная связка — **двухслойная**: - **Генеративный слой** (GenAI): материал, диалоги, сценарии, ускорение, исследовательская поддержка. - **Верификационный слой** (ЦКН): проверка усвоения, закрепление навыка, фиксация мастерства. GenAI не отнимает долю у ЦКН и наоборот. Это **разные слои стека**. Образовательный продукт, в котором есть оба слоя, по гипотезе сильнее продукта с одним слоем — это согласуется с мета-аналитическими данными по mastery learning (Kulik, Kulik \& Bangert-Drowns, 1990). *** ## 6. Позиция DET и публичная коммуникация DET ведёт принципиальную позицию против GenAI **исключительно в контуре формирования навыка** — там, где генеративная вариативность и дрейф под массой объективно вредят ученику. Во всех остальных задачах — генерация контента, ускорение работы эксперта, исследовательский поиск — GenAI поддерживается и считается ценной технологией. Эта позиция не конкурирует ни с производителями GPU, ни с авторами LLM. Она **заполняет недостающее звено** — слой точности и формирования внутреннего критерия истинности у ученика. > Расширенное публичное исследование «Аргументы vs» публикуется отдельным разделом на https://dragon-education.ru/science/skill-formation-vs-ai-tool и в текущий документ не входит. *** ## 7. Внешние авторитетные источники ### Ограничения GenAI применительно к точности и формированию навыка - OpenAI. **GPT-4 Technical Report.** https://arxiv.org/abs/2303.08774 - OpenAI. **GPT-4 System Card.** https://cdn.openai.com/papers/gpt-4-system-card.pdf - OpenAI. **GPT-4o System Card.** https://openai.com/index/gpt-4o-system-card/ - OpenAI. **o3 / o4-mini System Card.** https://cdn.openai.com/pdf/2221c875-02dc-4789-800b-e7758f3722c1/o3-and-o4-mini-system-card.pdf - OpenAI. **SimpleQA: A Factuality Benchmark for Language Models.** 2024. https://cdn.openai.com/papers/simpleqa.pdf - Ji Z. et al. **Survey of Hallucination in Natural Language Generation.** https://arxiv.org/abs/2202.03629 - Huang L. et al. **A Survey on Hallucination in Large Language Models.** https://arxiv.org/abs/2311.05232 - Sharma M. et al. **Towards Understanding Sycophancy in Language Models.** https://arxiv.org/abs/2310.13548 - Zheng L. et al. **Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena.** https://arxiv.org/abs/2306.05685 ### Педагогический фундамент ЦКН: retrieval practice и mastery learning - Roediger H. L., Butler A. C. **The critical role of retrieval practice in long-term retention.** *Trends in Cognitive Sciences*, 2011. https://doi.org/10.1016/j.tics.2010.09.003 - Karpicke J. D., Roediger H. L. **The Critical Importance of Retrieval for Learning.** *Science*, 319, 2008. https://doi.org/10.1126/science.1152408 - Dunlosky J. et al. **Improving Students' Learning with Effective Learning Techniques.** *Psychological Science in the Public Interest*, 2013. https://doi.org/10.1177/1529100612453266 - Bloom B. S. **Learning for Mastery.** *UCLA CSEIP Evaluation Comment*, 1(2), 1968. - Kulik C.-L. C., Kulik J. A., Bangert-Drowns R. L. **Effectiveness of Mastery Learning Programs: A Meta-Analysis.** *Review of Educational Research*, 60(2), 1990. ### Стандарты и регуляторика ИИ - NIST. **AI 600-1: Artificial Intelligence Risk Management Framework — Generative AI Profile.** July 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf - ISO/IEC. **22989:2022 — Artificial Intelligence: Concepts and Terminology.** https://www.iso.org/standard/74296.html - UNESCO. **Guidance for Generative AI in Education and Research.** Miao F., Holmes W., 2023. https://unesdoc.unesco.org/ark:/48223/pf0000386693 ### Научная база ЦКН (DET) - Тимофеев В. **L0 v5.3 — Манифест ЦКН (цифрового контура навыка).** Zenodo, 2026. https://zenodo.org/records/20032246 *** ## Подпись **Вячеслав Тимофеев**, основатель ООО «СПАРКТАЙМ» / Dragon Education Technology https://dragon-education.ru | https://tv140380.ru +7 909 153-21-53 | tv140380@dragon-english.ru ***