ODTOE: Параметр Λ как метрика качества данных в формуле когерентности B(O,C)

ODTOE: ПАРАМЕТР Λ КАК МЕТРИКА КАЧЕСТВА ДАННЫХ В ФОРМУЛЕ КОГЕРЕНТНОСТИ B(O, C) (ODTOE: Parameter Λ as a Data-Quality Metric in the Coherence Formula B(O, C)) Углубление операционной структуры четвёртого компонента когерентности

Панкратов Антон Сергеевич Независимый исследователь, г. Казань, Россия E-mail: [email protected] ORCID: 0009-0002-4870-2995

УДК 004.85 + 167.7 + 519.722 + 37.012

АННОТАЦИЯ Параметр Λ(O, C) в базовой формуле когнитивной когерентности ODTOE, B(O, C) = F w1 · E w2 · (1 − σ)w3 · Λw4 , определён в опорной работе [2, D1.1] как «эмпирическое подкрепление, накопленный опыт подтверждений в рамках C». В корпусной работе по ИИ-системам [3, §II.1] для частного случая ИИ был предложен прецедент: Λ = min(precision_RAG, freshness_data), отождествляющий Λ с качеством обучающих данных. Однако внутренняя операционная структура Λ как агрегата нескольких измерений качества данных в виде отдельной развёрнутой работы корпуса ранее не разворачивалась. Настоящая работа закрывает этот пробел: Λ декомпозируется на три операционные компоненты — актуальность A(t), плотность/релевантность D и чистоту P . Предложена основная мультипликативная форма ΛB = Aa · Dd · P p (с a + d + p = 1), изоморфная структуре самой формулы B и сохраняющая принцип слабого звена. Специальный случай минимума (ΛB = min(A, D, P )) воспроизводит прецедент [3, §II.1, line 126]. Информационно-теоретическая интерпретация (ΛB = exp(−H(шум | сигнал))) связывает разложение с теорией Шеннона [11]. Доказана обратная совместимость с каноническим определением [2, D1.1]: при (a, d, p) = (0, 0, 1) форма Aa Dd P p возвращается к Λ = P . Проведено разделение σcog (внутренние противоречия наблюдателя) и PΛ (чистота источника до актуализации) для предотвращения двойного учёта. Указаны два применения: обучение ИИ (с явным мостом к Datasheets for Datasets [7] и Data Cascades [8]) и педагогика (с мостом к Vygotsky ZPD и Bandura mastery experience). Композиционные риски рассмотрены в Приложении A: настоящая работа реализует одиночный концептуальный refactor Λ, не затрагивая F , E, σ. Ключевые слова: ODTOE, когнитивная когерентность, параметр Λ, качество данных, мультипликативная композиция, слабое звено, обратная совместимость, обучение ИИ, педагогика, информационная теория, Datasheets for Datasets

ABSTRACT The parameter Λ(O, C) in the base ODTOE coherence formula, B(O, C) = F w1 · E w2 · (1 − σ)w3 · Λw4 , was defined in the reference paper [2, D1.1] as «empirical reinforcement, accumulated experience of confirmations within C». In the corpus paper on AI systems [3, §II.1] a precedent was proposed for the AI special case: Λ = min(precision_RAG, freshness_data), identifying Λ with training-data quality. However, the internal operational structure of Λ as an aggregate of several data-quality dimensions had not been developed as a stand-alone corpus paper. The present work fills this gap: Λ is decomposed into three operational components — recency A(t), density/relevance D, and purity P . A primary multiplicative form is proposed, ΛB = Aa · Dd · P p (with a + d + p = 1), isomorphic to the structure of the B formula itself and preserving the weakest-link principle. The minimum special case (ΛB = min(A, D, P )) reproduces the precedent [3, §II.1, line 126]. An information-theoretic interpretation (ΛB = exp(−H(noise | signal))) connects the decomposition to Shannon theory [11]. Backward compatibility with the canonical definition [2, D1.1] is proved: at (a, d, p) = (0, 0, 1) the form Aa Dd P p collapses to Λ = P . Separation between σcog (observerinternal contradictions) and PΛ (source purity before actualization) is established to prevent double counting. Two applications are stated: AI training (with an explicit bridge to Datasheets for Datasets [7] and Data Cascades [8]) and pedagogy (with a bridge to Vygotsky ZPD and Bandura mastery experience). Composition hazards are addressed in Appendix A: the present work realizes a single conceptual refactor of Λ without touching F , E, σ. Keywords: ODTOE, cognitive coherence, parameter Λ, data quality, multiplicative composition, weakest link, backward compatibility, AI training, pedagogy, information theory, Datasheets for Datasets

Обозначения и соглашения • B(O, C) — когнитивная когерентность наблюдателя O в конфигурации C; ∑ B = F w1 ·E w2 ·(1−σ)w3 ·Λw4 с i wi = 1 (определение D1.1 опорной работы [2]). • Λ(O, C) — четвёртый компонент B; в [2, D1.1] определён как «эмпирическое подкрепление, накопленный опыт подтверждений в рамках C». • ΛB (локальное обозначение настоящей работы) — разложение Λ на три операционные компоненты A, D, P ; подстрочный индекс B указывает на принадлежность формуле B (а не на иные омонимы; см. §III). • ΩΛ — космологическая константа / параметр тёмной энергии; используется в работах корпуса по космологии и НЕ совпадает с ΛB (см. §III). • A(t), D, P — три операционные компоненты ΛB : актуальность, плотность/релевантность, чистота (определения в §IV). • a, d, p — весовые показатели мультипликативной формы ΛB = Aa Dd P p ; a + d + p = 1, a, d, p ∈ [0, 1].

• σcog (O, C) — энтропия сомнений наблюдателя; противоречия между уже усвоенными убеждениями O (локализация: внутри O). • PΛ — чистота источника C до актуализации (локализация: внутри C); ортогональность PΛ ⊥ σcog обоснована в §VI. • H(· | ·) — условная энтропия по Шеннону [11]. Соглашение о маркерах честной области (honest-scope): [FACT] — прямые ссылки на корпус или внешние источники с цитатой; [DERIVATION] — новый вывод, опирающийся на корпусные определения; [HYPOTHESIS] — проверяемое, но эмпирически не подтверждённое утверждение; [CONJECTURE] — предположение для последующих работ.

I. ВВЕДЕНИЕ И ПОСТАНОВКА ЗАДАЧИ Постановка задачи В базовой формуле когнитивной когерентности [2, D1.1] B(O, C) = F (O, C)w1 · E(O, C)w2 · (1 − σ(O, C))w3 · Λ(O, C)w4 ,

(1.1)

четвёртый компонент Λ(O, C) определён как «эмпирическое подкрепление, накопленный опыт подтверждений в рамках C» [2, line 110]. В корпусной работе по применению ODTOE к ИИ-системам [3, §II.1] для случая ИИ был предложен прецедент: Λ = min(precision_RAG, freshness_data),

(1.2)

который отождествляет Λ для случая ИИ с качеством данных и вводит две измеримые компоненты (точность извлечения релевантных документов и долю актуальных данных в обучающей выборке). Близкий по духу прецедент содержится в [4, line 154], где почва-как-ресурс отождествляется с Λ-какобучающими-данными в контексте AGI. Однако три обстоятельства неразрешёнными.

настоящего

момента

оставались

Во-первых, операционная структура Λ как агрегата нескольких измерений качества данных в форме отдельной работы корпуса не разворачивалась. Прецедент (1.2) даёт частный случай минимума двух компонент; общая форма (с явным набором компонент, явной функцией композиции и обоснованием выбора этой функции) отсутствует. Во-вторых, прецедент (1.2) сформулирован для ИИ; перенос на иные домены (педагогика, корпоративная память, научная коммуникация) требует общей операционной формы. В-третьих, в корпусной работе по ИИ [3, line 177] параллельно встречается параметр (1 − σdata ) как «чистота данных = 1 − доля противоречий», что создаёт

потенциальный риск двойного учёта между σ и Λ. Этот риск требует формального разрешения. Настоящая работа реализует одиночное углубление (P athA): Λ декомпозируется на три операционные компоненты (A — актуальность, D — плотность/релевантность, P — чистота), для которых предлагается основная мультипликативная композиция и обосновывается её выбор. Никакие другие компоненты формулы B (F , E, σ) не модифицируются (см. Приложение A о композиционных рисках). Структура работы такова. Раздел II воспроизводит каноническое определение Λ из [2, D1.1] и его границы. Раздел III фиксирует терминологическую дисамбигуацию между ΛB , ΩΛ и так называемой Λ-проблемой исполнительского уровня (см. [1]), чтобы предотвратить путаницу для читателя из иной области корпуса. Раздел IV даёт операционные определения трёх компонент A, D, P и стратегию их идентификации через внешнего оценщика. Раздел V излагает четыре кандидата формы ΛB = f (A, D, P ) (К1 — линейная, К2 — минимум, К3 — мультипликативная, К4 — информационно-теоретическая) с обоснованием выбора К3 как основной формы. Раздел VI разрешает риск двойного учёта между σcog и PΛ через формальное разделение мест локализации. Раздел VII описывает применение к обучению ИИ (с мостом к Datasheets for Datasets, Data Cascades и confident learning). Раздел VIII описывает применение к педагогике (мост к зоне ближайшего развития по Выготскому, опыту мастерства по Бандуре и осознанной практике по Эриксону). Раздел IX даёт информационнотеоретическую интерпретацию К4. Раздел X доказывает теорему слабого звена и приводит численный пример катастрофического обнуления. Раздел XI содержит доказательство обратной совместимости с каноническим определением [2, D1.1]. Раздел XII подводит итоги и формулирует открытые вопросы. Приложение A обосновывает, почему отдельный отчёт по композиционным рискам для настоящей работы не требуется.

II. КАНОНИЧЕСКИЙ Λ В БАЗОВОЙ ODTOE И ЕГО ГРАНИЦЫ II.1. Определение D1.1 и его положение в формуле B В опорной работе [2, D1.1, line 110] Λ(O, C) определён как «эмпирическое подкрепление: накопленный опыт подтверждений в рамках C». Шкала Λ ∈ [0, 1]. Включение Λ в формулу B как мультипликативного компонента означает: при Λ → 0 (отсутствие подтверждённого опыта) B → 0, что воспроизводит интуицию «начинающий с нулевым опытом не может действовать когерентно вне зоны узнаваемого».

II.2. Bayesian-операционализация измерению B

опорной

работе

В опорной работе [5, §V.1] предложена Bayesian-операционализация Λ через рекуррентное обновление: Λn+1 =

Λn · Pr(данные | успех) , Λn · Pr(данные | успех) + (1 − Λn ) · Pr(данные | неудача)

(2.1)

где Λn интерпретируется как апостериорная вероятность «гипотезы успешности конфигурации C» после n актов подтверждения. Параллельно в [5, §V.2] введено экспоненциально-взвешенное окно (для затухания старых наблюдений со временем): ∑ i xi · exp(−λ · (t − ti )) , τ ≈ 30 дней для AI/news доменов. (2.2) Λw = ∑ i exp(−λ · (t − ti ))

II.3. Связь с самоэффективностью по Бандуре В опорной работе [5, §V.5] установлена связь между Λ и понятием опыта мастерства (mastery experience) у Бандуры: Λ как «накопленный опыт подтверждений» включает в себя опыт мастерства по Бандуре, но расширяет его тремя путями: (а) байесовская формализация (2.1) задаёт правило обновления, отсутствующее у Бандуры; (б) Λ входит в B мультипликативно (а не аддитивно с другими предикторами самоэффективности); (в) физиологическое возбуждение, входящее у Бандуры в самооценку, в ODTOE выделяется в компоненту E, а не остаётся внутри Λ.

II.4. Граница базового определения Каноническое определение [2, D1.1] описывает Λ как «опыт подтверждений», то есть как состояние внутри наблюдателя O, накопленное в результате контактов с конфигурацией C. Однако оно не разворачивает структуру источника подтверждений: насколько он актуален, насколько его сигналы релевантны и насколько они свободны от противоречий. Эта структура источника качества данных и составляет содержание ΛB в настоящей работе. Переход от «опыт ВНУТРИ наблюдателя» к «качество источника, который этот опыт формирует» есть тот пробел, который заполняется ниже.

III. ДИСАМБИГУАЦИЯ: ΛB vs ΩΛ vs Λ-ПРОБЛЕМА В корпусе ODTOE символ Λ встречается в трёх различных значениях. Настоящий раздел фиксирует их разделение во избежание путаницы.

III.1. ΛB (область настоящей работы) ΛB — компонент формулы когнитивной когерентности (1.1). Шкала: [0, 1]. Определение: «накопленный опыт подтверждений / качество источника подтверждений», операционно разложен на A, D, P в §IV. Подстрочный индекс B выбран как локальное обозначение настоящей работы для указания на принадлежность формуле B.

III.2. ΩΛ (космологическая константа) ΩΛ — параметр тёмной энергии в FLRW-космологии, фигурирующий в работах корпуса по космологическому направлению. Это физический параметр со своей операционализацией (вклад вакуумной энергии в общее уравнение Фридмана), своими шкалами (порядка 0,7 в стандартной ΛCDM-модели), своими единицами и своим физическим содержанием. Связь ΛB ↔ ΩΛ : нулевая на уровне определений; общий только символ. Предупреждение для читателя из космологической области корпуса: при чтении настоящей работы ΛB не есть ΩΛ . Любые утверждения об «эпистемологическом Λ» в (1.1) не переносятся на космологию автоматически.

III.3. Λ-проблема (исполнительский уровень фреймворка) В фреймворке EraDev [1, §II.1] и в корпусной работе [1, line 611] встречается формулировка «знание без исполнения = Λ нулевая»: Λ как исполнительский множитель относится к дисциплине применения известных правил, а не к качеству самих данных. Формально: Λ · Ω(Hhist ), где Ω — функция действия операторов поверх памяти. Это прикладной параметр процессного фреймворка. Разделение: ΛB — операционный показатель компоненты формулы B; Λ исполнительского уровня — показатель дисциплины процесса. Они операционализированы по-разному и не должны смешиваться в обсуждении.

IV. ТРИ КОМПОНЕНТЫ ΛB — ОПЕРАЦИОННЫЕ ОПРЕДЕЛЕНИЯ IV.1. Компонента A(t) — актуальность A(t) = exp(−λt · ∆t),

(4.1)

где ∆t — возраст данных (текущий момент минус временная метка генерации источника), λt ≥ 0 — коэффициент распада, специфичный для домена. Шкала: A ∈ (0, 1].

Связь с экспоненциальным окном из опорной работы [5, §V.2]: при λt = 1/τ форма (4.1) совпадает с весом отдельной точки в (2.2); τ ≈ 30 дней для ИИ и новостных доменов, существенно больше для медленно изменяющихся областей (фундаментальная физика, классическая литература). При ∆t → 0 (свежие данные) A → 1; при ∆t → ∞ A → 0. Интерпретация: A — оценка того, что источник представляет текущее состояние мира, а не устаревшее.

IV.2. Компонента D — плотность/релевантность D=

|полезные сигналы| , |всего сигналов|

нормализованное отношение полезной информации ко информации (отношение сигнала к шуму). Шкала: D ∈ [0, 1].

(4.2) всей

входной

Прямая связь с прецедентом (1.2): для случая ИИ D ↔ precision_RAG [3, line 126]. Для иных доменов: для педагогики D — коэффициент попадания учебной задачи в зону ближайшего развития (см. §VIII); для корпоративной памяти D — коэффициент полезности ответа на типичный запрос. Интерпретация: D — оценка того, что среди всего, что источник содержит, присутствует доля нужного для конфигурации C.

IV.3. Компонента P — чистота P =1−

|ошибки| + |предвзятости| + |противоречия| , |всего образцов|

(4.3)

где числитель агрегирует три типа загрязнений источника. Шкала: P ∈ [0, 1]. Связь с известными методиками: ошибочные метки в данных аналогичны шуму меток, изучаемому в работе [12]; устранение противоречий аналогично автоматической проверке качества данных в [10]. Отличие P от этих метрик: P есть итоговый показатель, не процедура; конкретный способ его измерения зависит от домена.

IV.4. Стратегия идентификации компонент через внешнего оценщика Ключевое требование: измерение A, D, P должно проводиться внешним оценщиком, а не самим наблюдателем O, чьё ΛB оценивается. Иначе возникает циркулярная зависимость: ΛB зависит от внутренних оценок наблюдателя, которые сами зависят от ΛB . Допустимые типы внешних оценщиков:

• Экспертная рецензия (peer review) — для научных корпусов; оценка предвзятости и ошибок производится экспертами из той же области, не автором. • Анализ сети цитирований (citation network analysis) — оценка релевантности и плотности через положение источника в сети цитирований (центральность узла, авторитетность). • Верификация по эталону фактов (ground-truth verification) — перекрёстная проверка против сторонних верифицированных источников; применимо для фактических утверждений. • Перекрёстная проверка (cross-validation) — проверка через тестовые наборы из распределения, отличного от обучающего; стандартная практика в машинном обучении. Запрещённые методы (приводят к циркулярности): самооценка самим наблюдателем; оценка обучаемой моделью собственного обучающего набора без внешней отложенной выборки; оценка качества данных метрикой, обученной на тех же данных. Это требование внешнего оценщика снимает риск, что ΛB будет измеряться субъективно. В контексте оценки модели машинного обучения данное требование совпадает с практикой раздельного разбиения на обучающий, валидационный и тестовый наборы, восходящей к классической методологии распознавания образов.

V. ФОРМУЛА ΛB ОБОСНОВАНИЕ

f (A, D, P ) — ВЫБОР И

В настоящем разделе представлены четыре кандидата формы ΛB = f (A, D, P ), обозначаемые К1, К2, К3, К4. Для каждого указаны достоинства и недостатки, после чего обосновывается выбор К3 как основной формы.

V.1. К1 (отвергнут): линейная композиция ΛB = αA + βD + γP,

α + β + γ = 1.

(5.1)

Достоинства: простота вычислений; знакомость для практиков, привыкших к взвешенным средним. Недостатки (фатальные): нарушение принципа слабого звена. При P = 0 (полностью загрязнённый источник) и A = D = 1 форма (5.1) даёт ΛB = α + β, что для типичных весов α = β = γ = 1/3 составляет ≈ 2/3. Эпистемологически некорректно: чистая ложь в актуальном и плотном источнике остаётся бесполезной. К1 отвергается.

V.2. К3 (основная форма): мультипликативная композиция Λ B = Aa · D d · P p ,

a + d + p = 1,

a, d, p ∈ [0, 1].

(5.2)

Достоинства: • Изоморфизм со структурой B: формула (5.2) повторяет структуру самой (1.1); ΛB строится из своих компонент так же, как B строится из F , E, (1 − σ), Λ. Это даёт рекурсивную самоподобность (та же организующая идея на двух уровнях иерархии). • Слабое звено сохраняется: при A → 0 (или D → 0, или P → 0) ΛB → 0 (при ненулевом соответствующем показателе). Эпистемологически корректно (доказательство в §X). • Гладкость и дифференцируемость: позволяет чувствительности типа ∂ΛB /∂P для оптимизации.

вычислять

• Обратная совместимость: при (a, d, p) = (0, 0, 1) форма (5.2) даёт ΛB = P , что согласовано с каноническим определением [2, D1.1] (доказательство в §XI). Недостатки: требует калибровки трёх показателей a, d, p для каждого домена; калибровка — открытый вопрос (см. §XII). К3 принимается как основная форма ΛB .

V.3. К2 (специальный случай для слабого звена): минимум ΛB = min(A, D, P ).

(5.3)

Прямой прецедент в корпусе: [3, §II.1, line 126], где предложена форма Λ = min(precision_RAG, freshness_data) для случая ИИ. Применение: задачи, где требуется явный гарантированный нижний порог по каждой компоненте (ИИ-приложения с высокой ценой ошибки, задачи безопасности), и где замена «плавного слабого звена» К3 на «жёсткий минимум» оправдана соображениями устойчивости. К2 есть нижняя граница К3 при a = d = p = 1/3 (в логарифмических единицах К3 даёт среднее, а К2 — минимум; при равенстве компонент они совпадают, при неравенстве К3 выше).

V.4. К4 (теоретическая теоретическая

перспектива):

информационно-

( ) ΛB = exp −H(шум | сигнал) ,

(5.4)

где H(· | ·) — условная энтропия по Шеннону [11]. К4 даёт информационно-теоретическую связь ΛB с теорией каналов и теорией оценки, развёрнутую в §IX. К4 не заменяет К3 как основную форму, но даёт теоретический «потолок» для интерпретации.

V.5. Полная формула B с раскрытым ΛB Подставляя (5.2) в (1.1), получаем полную форму: )w ( B(O, C) = F w1 · E w2 · (1 − σ)w3 · Aa · Dd · P p 4 .

(5.5)

Проверка нормализации показателей: w1 + w2 + w3 + (a + d + p) · w4 = w1 + w2 + w3 + 1 · w4 = w1 + w2 + w3 + w4 = 1 ✓.

V.6. Принципиальное отличие К3 от ML-чек-листов В литературе по машинному обучению предложены чек-листы качества данных: Datasheets for Datasets [7], Data Cascades [8], Model Cards [9]. Эти инструменты — аддитивные опросники: ответ «нет» по одному пункту понижает итоговую оценку, но не обнуляет её. Форма К3 мультипликативна: ответ «нет» по одному критическому пункту обнуляет ΛB независимо от ответов по другим. Это принципиальное различие; формальное доказательство и численная иллюстрация в §X. Совместимость: чек-листы [7, 9] поставляют операционные измерения для A, D, P (то есть служат входами в (5.2)), но не заменяют функцию композиции.

VI. ИСКЛЮЧЕНИЕ ДВОЙНОГО УЧЁТА: σcog vs PΛ VI.1. Постановка риска В корпусной работе [3, line 177] фигурирует параметр (1 − σdata ) как «чистота данных = 1 − доля противоречий». Параллельно в настоящей работе компонента P внутри ΛB операционализирована как 1 − (ошибки + предвзятости + противоречия)/(всего образцов), что включает противоречия. Возникает риск двойного учёта: одно и то же явление противоречий может попасть в σ и в P одновременно.

VI.2. Резолюция через разделение мест локализации Формальная резолюция: σcog и PΛ не совпадают по предмету измерения. σcog (когнитивная) — внутренняя противоречивость активно удерживаемого знания наблюдателя O. Это противоречия между уже усвоенными убеждениями.

Локализация: внутри O, в активной сети убеждений. Вход для оценки: вербализованные ответы наблюдателя на пробные вопросы; результаты тестов на консистентность. PΛ (purity внутри ΛB ) — отсутствие предвзятости, ошибок, противоречий в источнике C до актуализации в наблюдателе. Локализация: внутри C, в исходном корпусе данных. Вход для оценки: внешний аудит источника (peer review, groundtruth verification, см. §IV.4).

VI.3. Иллюстрация различия Сценарий А: учебник содержит противоречия (две главы взаимоисключающе описывают одно явление); студент ещё не открыл учебник. Тогда PΛ < 1 (источник загрязнён), σcog ещё не определено для этого материала (наблюдатель не контактировал с конфигурацией). Сценарий Б: учебник чистый (PΛ = 1); студент прочитал две главы и удерживает в активной памяти их противоречивые трактовки (например, перепутал источники). Тогда σcog > 0 (внутренние противоречия наблюдателя), но PΛ = 1 (источник этому не виноват). Эти два сценария показывают, что σcog и PΛ — это различные измерения на различных предметах, и потому ортогональны. Двойного учёта нет: в формуле (5.5) (1 − σ)w3 отражает первый сценарий, P p·w4 внутри ΛB отражает второй.

VII. ПРИМЕНЕНИЕ I: ОБУЧЕНИЕ ИИ-МОДЕЛЕЙ VII.1. Соответствие компонент практике машинного обучения • A ↔ freshness_data — доля обучающих данных, актуальных на момент применения модели; прямой аналог из прецедента [3, line 126]. • D ↔ precision_RAG — точность извлечения релевантных документов в генерации с поддержкой поиска (RAG); также [3, line 126]. • P ↔ отсутствие ошибочных меток, систематической предвзятости и логических противоречий: оценивается через оценку шума меток [12], автоматическую проверку качества данных [10], аудиты предвзятости [7, 9].

VII.2. Совместимость с Datasheets, Model Cards, Data Cascades Datasheets for Datasets [7] и Model Cards [9] — документы, описывающие происхождение данных, их предназначение, известные ограничения и ситуации, в которых модель применять не следует. В терминах настоящей работы такие документы поставляют операционные измерения для A, D, P (например: «дата сбора корпуса» → вход для A; «предметная область» → вход для D; «известные

искажения» → вход для P ). Совместимость аддитивна: чек-лист есть процедура измерения; формула (5.2) — функция композиции измерений. Они дополняют друг друга, не конкурируют. Работа Data Cascades [8] эмпирически документирует каскадные сбои ИИсистем с высокой ценой ошибки при низком качестве данных. В терминах настоящей работы это эмпирическое подтверждение принципа слабого звена: низкое P (или D, или A) при высоких прочих компонентах не компенсируется и приводит к катастрофическим итогам.

VII.3. Численный пример Пусть A = 0,95, D = 0,80, P = 0,70, веса (a, d, p) = (0,3, 0,3, 0,4): ΛB = 0,950,3 · 0,800,3 · 0,700,4 ≈ 0,985 · 0,935 · 0,867 ≈ 0,799.

(7.1)

Это значение характеризует «приличное» обучающее покрытие: данные достаточно свежие, в основном релевантные, но с заметной долей шума. Чтобы поднять ΛB , эффективнее всего работать с компонентой P (наименьшей в данном примере) — то есть с очисткой данных, а не с увеличением их объёма.

VII.4. Гипотеза об отдаче от очистки данных [HYPOTHESIS]: при фиксированном вычислительном бюджете для обучения модели улучшение ΛB через очистку данных (рост P ) даёт прирост качества модели, эквивалентный пропорциональному приросту числа параметров очистки очистки модели или объёма данных. Формально: Λпосле /Λдо ≥ 1,5 ожидаемо B B для типичных корпусов с начальным P ≈ 0,6. Эмпирическая проверка — открытый вопрос (см. §XII). Связь с практикой масштабирования Chinchilla: при фиксированных вычислительных ресурсах смещение акцента с объёма на качество данных может давать преимущество, эквивалентное наращиванию модели.

VIII. ПРИМЕНЕНИЕ II: ПЕДАГОГИКА VIII.1. Соответствие компонент педагогическому контексту • A ↔ актуальность учебных материалов и недавность подтверждений мастерства учащегося. Связь с понятием опыта мастерства (mastery experience) у Бандуры: недавние подтверждения важнее старых. • D ↔ попадание задачи в зону ближайшего развития (ZPD) по Выготскому: задача плотности «достижимо, но нетривиально». При попадании в ZPD D высокая; при задаче слишком лёгкой или слишком сложной D падает.

• P ↔ качество осознанной практики (deliberate practice) по Эриксону: высокое отношение сигнала к шуму обучающих испытаний (точная обратная связь, отсутствие путающих факторов, чёткая цель упражнения).

VIII.2. Дефицит Λ и стратегия для начинающего учащегося В корпусной работе [6, §III] установлено, что начинающий учащийся имеет Λ → 0 (нет накопленного опыта подтверждений в данной области), и для выхода из этого состояния требуются «быстрые ранние подтверждения». В терминах настоящей работы стратегия такова: на ранних этапах обучения максимизировать A (свежие подтверждения) и D (задачи в ZPD) через структурированные микрозадачи, при которых P автоматически поддерживается высоким.

VIII.3. Численный пример (студент-новичок) Пусть A = 0,6, D = 0,4, P = 0,9, веса для педагогики (a, d, p) = (0,4, 0,4, 0,2) [HYPOTHESIS: эти веса — гипотетическая калибровка]: ΛB = 0,60,4 · 0,40,4 · 0,90,2 ≈ 0,815 · 0,693 · 0,979 ≈ 0,553.

(8.1)

Чтобы поднять ΛB , эффективнее воздействовать на D (наименьшее значение) — конкретно через подбор задач, точнее попадающих в ZPD. Прирост D с 0,4 до 0,7 при сохранении прочих компонент даёт ΛB ≈ 0,815 · 0,867 · 0,979 ≈ 0,692 — заметное улучшение. Связь с самоэффективностью по Бандуре: A-компонента ΛB есть один из источников самоэффективности, но самоэффективность ⊂ ΛB , не ≡ ΛB (см. §II.3).

IX. ИНФОРМАЦИОННО-ТЕОРЕТИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ IX.1. Развёртывание формы К4 Форма К4 из (5.4): ( ) ΛB = exp −H(N | S) ,

H(N | S) = −

p(n, s) · log p(n | s),

(9.1)

n,s

где H(N | S) — условная энтропия шума при заданном сигнале по Шеннону [11]. Шкала: при H → 0 (шум полностью предсказуем при заданном сигнале, то есть отсутствует) ΛB → 1; при H → Hmax (шум независим от сигнала) ΛB → e−Hmax .

IX.2. Связь компонент A, теоретическими величинами

информационно-

• A (актуальность) ↔ временна́я когерентность сигнала: для свежих данных условная энтропия будущих наблюдений при заданных недавних меньше, чем при заданных старых. • D (плотность/релевантность) ↔ взаимная информация I(релевантность; X) = H(X) − H(X | релевантность): высокая, когда X предсказуем при заданной фильтрации по релевантности. • P (чистота) ↔ канальная пропускная способность между источником и наблюдателем (Cover & Thomas [10] классическая ссылка по теории каналов; здесь использована как идейный мост).

IX.3. Согласование К4 с К3 Утверждение (согласованность К4 ↔ К3 в пределе слабой корреляции компонент). Если A, D, P интерпретированы как уменьшения соответствующих условных энтропий, и эти уменьшения слабо коррелированы (то есть аддитивны в логарифмическом масштабе), то форма К4 даёт логарифм формы К3 с показателями a, d, p, нормированными суммой соответствующих энтропийных уменьшений. Доказательство (схема): пусть H(N | S) = HA · a + HD · d + HP · p (аддитивная декомпозиция в пределе слабой корреляции). Тогда exp(−H) = exp(−HA · a) · exp(−HD · d) · exp(−HP · p). Полагая A = exp(−HA ), D = exp(−HD ), P = exp(−HP ), (K4) (K3) получаем ΛB = Aa · Dd · P p = ΛB . ■

X. АРГУМЕНТ СЛАБОГО КАТАСТРОФИЧЕСКИЕ ПРОВАЛЫ ΛB

ЗВЕНА

X.1. Теорема (слабое звено для ΛB ) Теорема 10.1. Пусть ΛB = Aa · Dd · P p с a, d, p > 0. Тогда ΛB → 0, если хотя бы одна из величин A, D, P стремится к нулю. Доказательство. Пусть, без ограничения общности, P → 0. Поскольку p > 0, имеем P p → 0p = 0. Произведение Aa · Dd · P p → Aa · Dd · 0 = 0 для любых конечных A, D ∈ [0, 1]. Симметрично для A → 0 и D → 0. ■ Следствие. В формуле (5.5) при w4 > 0 из ΛB → 0 следует B → 0. То есть катастрофическое падение качества данных по любой из трёх компонент обнуляет всю когнитивную когерентность независимо от достижений в F , E, σ.

X.2. Численный пример катастрофического обнуления Пусть A = 0,9, D = 0,8, P = 0,05 (массовое загрязнение источника), (a, d, p) = (0,3, 0,3, 0,4): ΛB = 0,90,3 · 0,80,3 · 0,050,4 ≈ 0,969 · 0,935 · 0,302 ≈ 0,274.

(10.1)

Сравнение с состоянием до загрязнения (см. (7.1)): ΛB упал с 0,799 до 0,274, то есть на ≈ 66%, при изменении только одной компоненты (P с 0,70 до 0,05).

X.3. Сравнение с аддитивной формой К1 Для сравнения, аддитивная форма К1 при тех же A, D, P и весах α = β = γ = 1/3: (K1) ΛB = (0,9 + 0,8 + 0,05)/3 ≈ 0,583. (10.2) К1 даёт оценку 0,583, тогда как мультипликативная К3 даёт 0,274. Разница в ≈ 2,1 раза — это характерная величина систематического завышения качества данных, которое получается при использовании линейной агрегации в условиях, когда одна компонента катастрофически провалена. Следствие. В ИИ-приложениях с высокой ценой ошибки и в образовательных системах требуется минимум по всем трём компонентам. К2 (ΛB = min(A, D, P ), см. (5.3)) лежит на нижней границе К3 и применяется как явная нижняя оценка для безопасности.

XI. ОБРАТНАЯ СОВМЕСТИМОСТЬ КАНОНИЧЕСКИМ ОПРЕДЕЛЕНИЕМ

Теорема 11.1 (обратная совместимость). При (a, d, p) = (0, 0, 1) форма (5.2) обращается в ΛB = P , что согласовано с каноническим определением [2, D1.1]. Доказательство. Прямая подстановка: ΛB = A0 · D0 · P 1 = 1 · 1 · P = P.

(11.1)

■ Интерпретация. В пределе (a, d, p) = (0, 0, 1) формула (5.2) теряет трикомпонентное разложение и сводится к одной компоненте P — чистоте источника. Если P интерпретирована как «степень отсутствия противоречий и ошибок в источнике опыта», то (11.1) согласовано со следующим прочтением канонического Λ из [2, D1.1]: «накопленный опыт подтверждений» при чистом источнике (P = 1) даёт Λ → 1 (полное подкрепление); при загрязнённом источнике (P → 0) Λ → 0 (дефицит Λ). Это согласовано с описанием в [6, §III] начинающего учащегося с Λ → 0. Заключение. Три-компонентное разложение (5.2) есть расширение, а не замена канонического Λ. Любая существующая работа корпуса, использующая

каноническое Λ в формуле (1.1), остаётся валидной; настоящее разложение применимо к ней как уточнение в случаях, где пользователю требуется операционная декомпозиция «качества опыта» по трём измерениям.

XII. ЗАКЛЮЧЕНИЕ И ОТКРЫТЫЕ ВОПРОСЫ XII.1. Резюме результатов • Каноническое Λ из [2, D1.1] разложено на три операционные компоненты: A (актуальность), D (плотность/релевантность), P (чистота). Определения даны через внешнего оценщика для предотвращения циркулярности (§IV). • Основная мультипликативная форма К3 (ΛB = Aa · Dd · P p ) выбрана как изоморфная структуре B и сохраняющая принцип слабого звена. Специальный случай К2 (минимум) воспроизводит прецедент [3, line 126]. Информационно-теоретическая К4 даёт мост к Шеннону [11] (§V, §IX). • Принципиальное отличие от ML-чек-листов [7, 8, 9] — мультипликативность К3 vs аддитивность чек-листов (§V.6, §X). • Риск двойного учёта между σcog и PΛ разрешён через формальное разделение мест локализации (§VI). • Обратная совместимость с [2, D1.1] доказана: при (a, d, p) = (0, 0, 1) ΛB = P (§XI). • Применения: обучение ИИ (§VII), педагогика (§VIII). Возможные дальнейшие применения: корпоративная память (через мост к Λ-проблеме исполнительского уровня в [1]), научная коммуникация, журналистика.

XII.2. Открытые вопросы • [HYPOTHESIS] Оптимальные веса (a, d, p) для разных доменов: для ИИ предположительно a ≈ 0,3, d ≈ 0,3, p ≈ 0,4; для педагогики a ≈ 0,4, d ≈ 0,4, p ≈ 0,2. Эмпирическая калибровка через регрессионную подгонку к существующим корпусам обучающих данных и образовательным наборам — открытый вопрос. • [HYPOTHESIS] Культурная вариабельность в оценках компонент A, D, P внешним оценщиком (по аналогии с обсуждением культурных смещений в [5, §VII]). • [CONJECTURE] Связь PΛ → 0 с проблемой согласования намерений модели и пользователя: можно ли формально показать, что низкое P в обучающих данных при прочих высоких компонентах ведёт к гарантированному рассогласованию?

• [CONJECTURE] Информационно-теоретический предел: при H(шум | сигнал) → 0 что происходит с B(O, C)? Сходимость к неподвижной точке оператора Φ? • [CONJECTURE] Применимость разложения (A, D, P ) к не-«обучающим» интерпретациям Λ (например, Λ как «опыт прошлых жизней» в эзотерических интерпретациях ODTOE) — требует переинтерпретации компонент или указания границ применимости.

XII.3. Дальнейшая работа 1. Эмпирическая калибровка (a, d, p) через регрессионную подгонку. 2. Лонгитудинальные исследования временно́й динамики A(t) vs P (t) для конкретных корпусов. 3. Эмпирическое отображение К3 ↔ К4 в пределе слабой корреляции компонент. 4. Перенос разложения на корпоративную память и интеграция с Λпроблемой исполнительского уровня [1].

ПРИЛОЖЕНИЕ A. ОБОСНОВАНИЕ ОТСУТСТВИЯ ОТЧЁТА ПО КОМПОЗИЦИОННЫМ РИСКАМ Согласно процедурному инварианту фреймворка, работы, поставляющие два или более независимых рефакторинга в одном релизном окне, требуют отчёта по композиционным рискам с попарной решёткой N · (N − 1)/2+ трёхсторонние комбинации. Настоящая работа не подпадает под это требование; ниже приводится обоснование. Аргументация: • F (фокус) — не модифицирован настоящей работой; • E (согласование с намерением) — не модифицирован; • (1 − σ) — затрагивается косвенно через аргумент §VI о неперекрытии, но это разделение двух уже существующих обозначений, а не рефакторинг компоненты σ; • Λ — единственная компонента, подвергаемая операционному разложению в A, D, P (один концептуальный рефакторинг). Таким образом, N = 1 (один рефакторинг), и условие N ≥ 2 для требования отчёта не выполняется. Решётка композиционных рисков пуста: попарных и трёхсторонних взаимодействий нет. Одобрение оператора в рамках сценария углубления получено. Отдельный отчёт по композиционным рискам не требуется.

Конфликт интересов Автор заявляет об отсутствии конфликта интересов.

Финансирование Исследование выполнено без внешнего финансирования.

СПИСОК ЛИТЕРАТУРЫ 1. Панкратов А.С. EraDev: фреймворк мультиагентной разработки. Препринт ODTOE (2026). URL: https://odtoe.org/articles/eradev.pdf. [Опорная: каноническая формула B, Λ-проблема исполнительского уровня] 2. Панкратов А.С. Когерентность наблюдателя как фактор устойчивости бизнеса: психоэмоциональное здоровье работника в контексте ODTOE. Препринт ODTOE (2026). URL: https://odtoe.org/articles/ODTOE_ coherence_article_v2.pdf. [Опорная: D1.1 определение Λ, line 110] 3. Панкратов А.С. Когерентный искусственный интеллект: принципы 3-6-9, мультиагентные архитектуры и путь к AGI через формализм ODTOE. Препринт ODTOE (2026). URL: https://odtoe.org/articles/ = ODTOE_AI_369_AGI.pdf. [Опорная: §II.1 line 126 прецедент Λ min(precision_RAG, freshness_data); line 177 (1 − σdata )] 4. Панкратов А.С. Расширение когерентного ИИ: от кибернетики управления к AGI через формализм ODTOE. Препринт ODTOE (2026). URL: https:// odtoe.org/articles/ODTOE_AI_AGI_EXPANSION_2026.pdf. [Опорная: line 154 почва ↔ Λ ↔ обучающие данные] 5. Панкратов А.С. Операциональное измерение параметра когнитивной когерентности B в наблюдатель-зависимой теории всего. Препринт ODTOE (2026). URL: https://odtoe.org/articles/ODTOE_ measuring_B_parameter_EN.pdf. [Опорная: §V.1 Bayesian update; §V.2 экспоненциальное окно; §V.5 Bandura mapping; §VII культурные смещения] 6. Панкратов А.С. Когерентное образование: теория и методология построения обучающих систем на основе наблюдатель-зависимой теории всего. Препринт ODTOE (2026). URL: https://odtoe.org/articles/ ODTOE_coherent_education.pdf. [Опорная: §III Λ → 0 для новичка] 7. Gebru T., Morgenstern J., Vecchione B., Vaughan J.W., Wallach H., Daumé III H., Crawford K. Datasheets for Datasets // Communications of the ACM. — 2021. — Vol. 64, No. 12. — P. 86–92. DOI: 10.1145/3458723.

8. Sambasivan N., Kapania S., Highfill H., Akrong D., Paritosh P., Aroyo L.M. «Everyone wants to do the model work, not the data work»: Data Cascades in High-Stakes AI // Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI '21). — 2021. — Article 39, P. 1–15. DOI: 10.1145/3411764.3445518. 9. Mitchell M., Wu S., Zaldivar A., Barnes P., Vasserman L., Hutchinson B., Spitzer E., Raji I.D., Gebru T. Model Cards for Model Reporting // Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT* '19). — 2019. — P. 220–229. DOI: 10.1145/3287560.3287596. 10. Schelter S., Lange D., Schmidt P., Celikel M., Biessmann F., Grafberger A. Automating Large-Scale Data Quality Verification // Proceedings of the VLDB Endowment. — 2018. — Vol. 11, No. 12. — P. 1781–1794. DOI: 10.14778/3229863.3229867. 11. Shannon C.E. A Mathematical Theory of Communication // The Bell System Technical Journal. — 1948. — Vol. 27, No. 3. — P. 379–423; No. 4. — P. 623–656. DOI: 10.1002/j.1538-7305.1948.tb01338.x. 12. Northcutt C., Jiang L., Chuang I. Confident Learning: Estimating Uncertainty in Dataset Labels // Journal of Artificial Intelligence Research. — 2021. — Vol. 70. — P. 1373–1411. DOI: 10.1613/jair.1.12125.