Загрузка данных

Ты выступаешь в двух ролях одновременно:
(1) строгий научный руководитель по программной инженерии и управлению рисками,
(2) член ГЭК, который отклоняет работы без сформулированной научной новизны.

ЗАДАЧА
Моя магистерская ВКР прошла предзащиту с критикой:
Актуальность работы низкая ввиду отсутствия нового подхода к анализу рисков.

Мне нужно не косметически усилить формулировки, а реально повысить методологический
уровень работы и исправить внутренние недостатки текста. Работай с полным
приложенным документом, а не с отдельными цитатами.

────────────────────────────────────────
1. КОНТЕКСТ РАБОТЫ (факты, которые уже есть в тексте)
────────────────────────────────────────
Тема: прогнозирование рисков поздних дефектов в проектах мобильной разработки
методами машинного обучения и их экономическая оценка.

Текущее содержание:
- Задача поставлена как бинарная классификация: late_defect = 1, если
  defect_stage ∈ {qa, production}.
- Единственный признак — сложность задачи в Story Points.
- Модель: логистическая регрессия,
  R(c) = 0.5 / (1 + exp(2.8 − 0.38·c)), риск ограничен сверху 0.5.
- Данные: синтезированная выборка 6000 задач, split 70/30, стратификация.
- Упоминаются SMOTE, F1, ROC-AUC.
- Управленческое правило: если R_i > T = 0.25, применяется усиленный контроль
  стоимостью C_prevent = 500 у.е.; остаточный риск R_residual = 0.10;
  стоимость исправления позднего дефекта C_fix = 3000 у.е.
- Аналитический порог: R* = (C_prevent + R_residual·C_fix)/C_fix ≈ 0.267.
- Имитационное сравнение: классический сценарий (фиксированный риск 0.15 для всех
  задач) vs ML-сценарий (усиленный контроль только для R_i > 0.25, ≈26% бэклога).

────────────────────────────────────────
2. ДИАГНОСТИКА: ПОЧЕМУ ПРЕТЕНЗИЯ СПРАВЕДЛИВА
────────────────────────────────────────
Сформулируй честно, без защищающего тона, почему текущая работа читается как
инженерная аппликация, а не исследование:
- логистическая регрессия — стандартный метод, а не новый подход;
- один признак (Story Points) — тривиальный предиктор;
- порог 0.25 задан вручную и почти совпадает с арифметическим выводом 0.267;
- экономическая часть — одно неравенство ожидаемых потерь, а не модель
  принятия решения;
- прогноз и управление ничем содержательно не связаны: модель выдаёт число,
  менеджер сам решает, что с ним делать;
- синтетические данные, порождённые тем же допущением «сложность → дефект»,
  делают валидацию частично тавтологичной.

Не пытайся это замаскировать. На этой диагностике должна строиться новая концепция.

────────────────────────────────────────
3. ГЛАВНОЕ НАПРАВЛЕНИЕ НОВИЗНЫ, КОТОРОЕ НУЖНО РАЗВИТЬ И ПРОВЕРИТЬ
────────────────────────────────────────
Рассмотри как основную и, если она устоит,Develop следующую идею.

Ключевой сдвиг:
  РИСК ≠ ВЕРОЯТНОСТЬ.
  Риск задачи = математическое ожидание ущерба:
      L_i = P_i · C_fix(i),
  где C_fix(i) зависит от этапа обнаружения, критичности компонента и контекста релиза.

Ключевой сдвиг №2:
  Нельзя оптимизировать классификацию. Нужно оптимизировать РЕШЕНИЕ
  при ограниченном бюджете контроля.

Предлагаемая постановка (развей её математически):

  Вместо бинарного «усиливать / не усиливать» ввести непрерывную или
  многоуровневую интенсивность контроля x_i ∈ [0, 1] с убывающей отдачей:
      P_residual(i, x_i) = P_i · g(x_i),   g(0) = 1, g(1) = r_min,
      g' < 0, g'' > 0  (например, g(x) = 1/(1 + k_i·x) или exp(−k_i·x)).

  Задача бюджетного распределения превентивного контроля:
      min_{x} Σ_i [ C_prevent(i)·x_i + P_i·g(x_i)·C_fix(i) ]
      при Σ_i C_prevent(i)·x_i ≤ B,  0 ≤ x_i ≤ 1.
Что в этом действительно нового и защищаемого:
  а) Порог перестаёт быть константой. Он возникает как двойственная цена
     бюджетного ограничения (множитель Лагранжа / теневая цена), автоматически
     пересчитываемая при изменении бюджета, структуры бэклога и стоимости контроля.
  б) Оптимальное правило выравнивает ПРЕДЕЛЬНЫЙ выигрыш на единицу денег:
        P_i · (−g'(x_i)) · C_fix(i) / C_prevent(i) = λ.
     То есть контроль распределяется по ожидаемому ущербу, а не по одной
     вероятности. Дешёвый баг в массовом экране и редкий краш платёжного модуля
     получают разный приоритет — чего не даёт ни одна пороговая классификация.
  в) Классический подход (равный риск для всех) и текущий пороговый ML-подход
     (равный C_fix, бинарный x, ручной T) являются ЧАСТНЫМИ СЛУЧАЯМИ общей модели.
     Это сильный теоретический результат: обобщение, а не ещё один алгоритм.
  г) При вогнутости целевой функции по x доказать корректность жадного/KKT-решения
     или привести условие, при котором оно оптимально; для бинарного случая
     связать с задачей о ранце и FPTAS, если это уместно и не перегружает работу.

Дополнительный слой (выбери ОДИН, не всё сразу):
  - Учёт неопределённости прогноза: решение по нижней доверительной границе
    или распределенно-устойчивое правило; калибровка вероятностей как
    самостоятельное требование к decision-ready модели.
  - Замкнутый контур: прогноз → распределение контроля → фактические дефекты →
    обновление P_i и k_i по ходу проекта; сравнение со статическим правилом.
  - Стоимостно-взвешенное обучение (cost-sensitive), где порог выводится
    из отношения цен ошибок, а не подбирается по F1.

ТРЕБОВАНИЕ: не принимай эту идею на веру. Проверь её на состоятельность,
найди слабые места, сравни с существующими подходами (risk-based testing,
economic defect prediction, cost-of-quality, budget-constrained testing,
predictive resource allocation). Если есть близкие работы — честно покажи,
чем твоя формулировка отличается. Сформулируй новизну как конкретное
утверждение, а не как «впервые применяется ML».

Альтернативы на случай, если основная идея не устоит:
  (A) Стохастическая модель с этапами: P(дефект доживёт до production) как
      произведение вероятностей прохождения этапов, с управлением на каждом
      этапе и оптимальным моментом остановки контроля.
  (B) Модель «интенсивность контроля → остаточный риск», обучаемая на
      исторических данных, с проверкой гипотезы убывающей отдачи.

────────────────────────────────────────
4. ЧТО НУЖНО НА ВЫХОДЕ
────────────────────────────────────────
Выдай результат строго в следующем порядке.

БЛОК 0. Аудит текста.
Таблица: раздел/абзац → проблема → тип (логическая / статистическая /
числовая / терминологическая / структурная / новизна) → конкретное исправление.
Обязательно проверь следующие подозрительные места:
  - ROC-AUC указан одновременно как 0.81 и 0.737;
  - доля положительного класса одновременно 15% и 15.8%;
  - утверждение, что AUC 0.737 — «объективный предел», потому что максимальная
    вероятность равна 0.5. Это статистически неверно: AUC ранговая метрика
    и не ограничена сверху масштабом вероятностей. Исправь аргументацию;
  - R(c) = 0.5·σ(z) называется «вероятностью», хотя это масштабированный
    скор. Либо обоснуй калибровку, либо переименуй в риск-скор и разведи
    понятия «вероятность» и «риск»;
  - T = 0.25 vs аналитическое R* ≈ 0.267: обоснуй выбор или замени;
  - доля ≈26% задач с c ≥ 8: проверить по реальному распределению выборки;
  - SMOTE при одном признаке и логистической регрессии: обоснуй необходимость
    или убери; если оставляешь — только после split, на train, без утечки;
  - риск утечки признаков: defect_stage и late_defect не могут быть входом;
  - смешение «обучающая выборка 6000» и «имитационный эксперимент 6000»;
  - нумерация формул, ссылки [19], [20], оформление списка по ГОСТ.
БЛОК 1. Концепция новизны (1–2 страницы).
  - Точный исследовательский пробел, а не общие слова про «эпоху ML».
  - Рабочая гипотеза, которую можно опровергнуть экспериментом.
  - Формальная постановка задачи (целевая функция, ограничения, обозначения).
  - Матрица сравнения с 8–12 реальными работами по признакам:
    входные данные / выход / модель решений / стоимостная модель /
    бюджет / неопределённость / способ валидации / наличие открытого кода.
  - Явное указание, что НЕ является новизной (сам факт использования ML,
    логистическая регрессия, Story Points как признак).

БЛОК 2. Переписанные вводные блоки.
  - Актуальность (1.5–2 страницы): от нерешённой управленческой проблемы
    к методологическому пробелу, а не от «ML сейчас популярен».
  - Проблема, объект, предмет, цель, задачи (4–6, каждая проверяемая).
  - Научная новизна: 2–3 пункта, каждый в формате
    «В отличие от [подход], где [ограничение], propuesta [механизм],
     что обеспечивает [свойство]».
  - Практическая значимость с конкретным сценарием внедрения в Jira/YouTrack.
  - Положения, выносимые на защиту.

БЛОК 3. Новый/переработанный методический параграф.
  Полная математика, вывод условия оптимальности, утверждение с доказательством
  или аккуратным обоснованием, псевдокод алгоритма, сложность,
  обсуждение ограничений и предпосылок применимости.
  Показать, как классический и пороговый подходы получаются как частные случаи.

БЛОК 4. План экспериментов, доказывающий новизну.
  Обязательные базовые линии:
    (1) равномерный контроль при фиксированном риске 0.15;
    (2) текущий пороговый ML-подход с T = 0.25 — это ВАЖНЕЙШИЙ baseline;
    (3) случайное распределение того же бюджета;
    (4) распределение пропорционально сложности;
    (5) предлагаемый алгоритм.
  Ablation: без неоднородности C_fix; без бюджетного ограничения;
  без убывающей отдачи; без учёта неопределённости.
  Метрики: суммарные ожидаемые затраты, затраты при фиксированном бюджете,
  recall@budget, avoided loss, calibration (Brier / ECE), ROC-AUC и PR-AUC,
  устойчивость к ошибкам калибровки и сдвигу распределения.
 Чувствительность: свип по B, по T, по точности оценки C_fix, по k_i.
  Отдельно: как преодолеть тавтологичность синтетических данных
  (semi-synthetic с независимым генератором, внешняя проверка на публичных
  репозиториях/issue-трекерах, leave-one-project-out, threat to validity).
  Все ячейки результатов, которых нет, пометь [ТРЕБУЕТ РАСЧЁТА].
  НИКОГДА не подставляй выдуманные цифры.
  Приложи минимально достаточный Python-скелет эксперимента
  (numpy/scipy.optimize или ortools), который я смогу запустить.

БЛОК 5. Точечные правки остального текста.
  Для каждого проблемного места: «БЫЛО» → «СТАЛО», готовый вставляемый абзац.
  Особое внимание: заключение, выводы по главам, аннотация, цели и задачи —
  они должны быть согласованы с новой концепцией.

БЛОК 6. Литература.
  Только источники, в существовании которых ты уверен. Никаких выдуманных
  DOI, страниц и названий. Спорные пометь [ПРОВЕРИТЬ ВРУЧНУЮ].
  Оформи единообразно по ГОСТ; раздели отечественные/зарубежные, если это
  принято в твоем вузе, и каждую цитату в тексте есть в списке.

БЛОК 7. Чек-лист согласованности.
  Единые обозначения (P — вероятность, L — ожидаемый ущерб, R — риск/скор,
  T — порог, λ — теневая цена, B — бюджет), единые числа, единая терминология.
 ────────────────────────────────────────
5. ЖЁСТКИЕ ОГРАНИЧЕНИЯ
────────────────────────────────────────
1. Не выдумывай экспериментальные результаты, объёмы данных, ссылки и цитаты.
2. Чётко разделяй: «уже есть в работе» / «предложено, требует расчёта» /
   «гипотеза, требует проверки».
3. Не используй «впервые в мире», «революционный», «принципиально новый»
   без опоры на матрицу сравнения с Literатурой.
4. Не меняй тему работы: остаются мобильная разработка, поздние дефекты
   и связка «прогноз → решение → бюджет».
5. Не раздувай работу до несбыточного объёма. Новизна должна быть
   реализуема одним магистрантом за несколько недель на существующей
   имитационной модели.
6. Академический русский язык, без маркетинговых формулировок и общих фраз
   про «цифровую трансформацию» и «неотвратимость ИИ».
7. Если для новизны не хватает данных — скажи это прямо и предложи
   минимальный эксперимент, который закрывает пробел.