КОНЦЕПТУАЛЬНА ЗАПИСКА

щодо проведення пілотного дослідження Qualification Web у системі вищої освіти України

Робоча назва пілоту:
Qualification Web Pilot Ukraine

Сфера: вища освіта, визнання результатів навчання, індивідуальні освітні траєкторії, цифровізація кваліфікацій, штучний інтелект

Формат: обмежений дослідницький пілот без автоматичного впливу на офіційні рішення щодо здобувачів

Ініціатор: EduOs

Проєкт: Qualification Web

1. Коротке резюме пропозиції

Пропонується провести в Україні обмежений дослідницький пілот системи Qualification Web — експериментальної цифрової інфраструктури для структурованого представлення, перевірки та пояснення доказів досягнення результатів навчання.

Основне питання пілоту:

Чи можна підвищити прозорість, відтворюваність і ефективність процедур визнання результатів попереднього, неформального та інформального навчання шляхом використання машинозчитуваної доказової моделі кваліфікації?

На першому етапі Qualification Web не замінює рішення закладу вищої освіти і не присуджує кваліфікації.

Пропонується використати систему в режимі:

shadow evaluation

Тобто реальний заклад освіти проводить процедуру за чинними правилами, а Qualification Web паралельно аналізує ті самі матеріали.

Після цього результати порівнюються.

Жодне автоматизоване рішення Qualification Web на пілотному етапі не повинно мати самостійних юридичних наслідків для здобувача.

2. Проблема

Сучасна система вищої освіти дедалі частіше працює з людьми, чиї знання та компетентності сформовані не лише в межах однієї освітньої програми.

Джерелами навчання можуть бути:

• 
  інші заклади вищої освіти;

• 
  міжнародні програми;

• 
  професійна діяльність;

• 
  неформальна освіта;

• 
  самоосвіта;

• 
  онлайн-курси;

• 
  професійні сертифікації;

• 
  наукові та практичні проєкти;

• 
  цифрові освітні платформи;

• 
  використання систем штучного інтелекту.

Українське законодавство вже передбачає можливість визнання результатів неформального та/або інформального навчання. Чинний Порядок МОН №130 регулює таке визнання у вищій освіті; змінами 2025 року прямо визначено його як один з інструментів формування індивідуальної освітньої траєкторії.

Заклади вищої освіти також мають повноваження визнавати результати навчання в установленому порядку.

Отже проблема полягає не у відсутності самої можливості визнання.

Проблема полягає в тому, що процедура може потребувати значного експертного опрацювання:

• 
  аналізу різнорідних документів;

• 
  зіставлення результатів навчання;

• 
  перевірки походження доказів;

• 
  визначення достатності доказів;

• 
  встановлення того, які компоненти освітньої програми можуть бути визнані;

• 
  документування причин рішення.

За збільшення кількості індивідуальних освітніх траєкторій ця проблема може ставати дедалі масштабнішою.

3. Відповідність напряму розвитку системи освіти України

Qualification Web не пропонується як система, що суперечить Національній рамці кваліфікацій.

Навпаки, її можна використовувати як допоміжний інструмент для роботи з результатами навчання та кваліфікаційними вимогами.

Чинна Національна рамка кваліфікацій визначає кваліфікаційні рівні через результати навчання та призначена, серед іншого, для розроблення, ідентифікації, співвіднесення і визнання кваліфікацій.

МОН також визначає розвиток індивідуальних освітніх траєкторій як один із напрямів трансформації вищої освіти.

Тому запропонований пілот може розглядатися не як створення паралельної системи кваліфікацій, а як дослідження цифрового інструменту підтримки вже наявних процесів.

4. Запропоноване рішення

Qualification Web використовує іншу одиницю аналізу, ніж традиційний диплом або transcript.

Замість питання:

«Який документ має ця людина?»

ставиться питання:

«Який результат навчання потрібно підтвердити, якими доказами він підтверджується і чому ці докази є достатніми?»

Базова структура:

Вимога

↓

Твердження про компетентність

↓

Доказ

↓

Оцінювання доказу

↓

Обґрунтування валідності

↓

Повноваження оцінювача

↓

Висновок

5. Що таке Qualification Web Protocol

Технічним ядром системи є:

Qualification Web Protocol — QWP

QWP описує, як представити:

• 
  вимоги кваліфікації;

• 
  результати навчання;

• 
  докази;

• 
  assessment events;

• 
  повноваження оцінювачів;

• 
  обґрунтування висновку;

• 
  невизначеність;

• 
  необхідність human review.

Система може повернути не лише:

PASS

або:

FAIL

але й:

INDETERMINATE

тобто:

наявних доказів недостатньо для обґрунтованого рішення.

Це важливо для використання системи в освіті, оскільки відсутність достатнього evidence не повинна автоматично трактуватися як відсутність компетентності.

6. Чого Qualification Web НЕ робить

На пілотному етапі система:

НЕ

• 
  присуджує українські освітні ступені;

• 
  замінює рішення закладу вищої освіти;

• 
  замінює Національну рамку кваліфікацій;

• 
  автоматично визнає іноземні дипломи;

• 
  визначає право на регульовану професію;

• 
  замінює експертні комісії;

• 
  змінює законодавство;

• 
  створює паралельну систему акредитації.

Окреме обмеження необхідне для професій з додатковим регулюванням: чинний порядок визнання неформального та інформального навчання містить спеціальні обмеження щодо певних результатів навчання, пов’язаних із такими професіями.

Тому перший пілот доцільно проводити не у регульованій професії, а в дисципліні з нижчим нормативним ризиком.

7. Пропонований формат пілоту

Оптимальна модель:

Shadow RPL Pilot

Тобто система не втручається в офіційне рішення.

Схема:

реальний кандидат

↓

пакет доказів попереднього навчання

↓

дві паралельні процедури

Потік А

Звичайна процедура закладу освіти.

Потік Б

Qualification Web analysis.

↓

порівняння результатів

8. Орієнтовний масштаб

Для першого пілоту достатньо:

1 заклад вищої освіти

1 освітня програма

1 відповідальна академічна група

20–50 кейсів

або, якщо робота з реальними даними на першому етапі недоцільна:

анонімізовані історичні кейси.

Не потрібно одразу залучати десятки університетів.

Мета першого пілоту — не масштабування.

Мета:

виявити, чи система взагалі додає практичну цінність.

9. Що аналізуватиме Qualification Web

Для кожного кейсу система структурує:

1. Цільові результати навчання

Що саме потрібно підтвердити?

2. Представлені докази

Що кандидат подав?

3. Походження доказів

Де та за яких умов вони отримані?

4. Відповідність

Які результати навчання підтримує кожен доказ?

5. Прогалини

Що залишається непідтвердженим?

6. Невизначеність

Де неможливо зробити висновок автоматично?

7. Human review

Що повинен оцінити експерт?

8. Decision trace

Чому система отримала конкретний результат?

10. Що порівнюється

Після завершення кейсів порівнюються:

Показник

Звичайна процедура

QWP-assisted

Час аналізу

вимірюється

вимірюється

Повнота evidence mapping

оцінюється

оцінюється

Збіг рішень

—

вимірюється

Кількість невизначених випадків

вимірюється

вимірюється

Виявлені прогалини

вимірюються

вимірюються

Зрозумілість обґрунтування

оцінюється

оцінюється

Навантаження на експертів

вимірюється

вимірюється

Можливість повторного аудиту

оцінюється

оцінюється

11. Основні дослідницькі питання пілоту

RQ1

Чи може QWP коректно представити реальні українські результати навчання та evidence?

RQ2

Наскільки decisions QWP-assisted procedure узгоджуються з decisions human expert panels?

RQ3

Чи зменшується час аналізу evidence?

RQ4

Чи покращується прозорість рішення?

RQ5

Чи допомагає система виявляти missing evidence?

RQ6

У яких cases machine-assisted analysis є недостатнім?

RQ7

Які components повинні залишатися виключно human-reviewed?

12. Критерії успіху

Пілот не повинен вважатися успішним лише тому, що software працював без помилок.

Позитивним результатом можна вважати ситуацію, якщо система демонструє сукупність таких властивостей:

• 
  високу interpretability;

• 
  корисне структурування evidence;

• 
  прийнятний рівень agreement із human decisions;

• 
  відсутність систематичних необґрунтованих positive decisions;

• 
  зниження administrative burden;

• 
  якісні gap reports;

• 
  відтворюваність decision trace;

• 
  позитивну експертну оцінку.

13. Критерії негативного результату

Пілот має також передбачати можливість невдачі.

Система повинна бути переглянута або її scope звужено, якщо:

• 
  mapping results learning виявиться неприйнятно неоднозначним;

• 
  expert workload збільшиться;

• 
  рішення стануть менш зрозумілими;

• 
  machine analysis регулярно конфліктуватиме з обґрунтованим expert judgment;

• 
  система створюватиме false confidence;

• 
  cost implementation перевищить практичну користь.

Негативний результат пілоту також матиме наукову цінність.

14. Робота зі штучним інтелектом

Окремим напрямом пілоту може бути assessment в умовах використання generative AI.

Qualification Web не виходить із припущення:

AI необхідно заборонити.

Так само не виходить із припущення:

AI-generated artifact доводить competence людини.

Пропонується інший принцип:

оцінювати не відсутність AI, а наявність перевіреної людської компетентності.

Наприклад, AI-assisted робота може доповнюватися:

• 
  oral defence;

• 
  modification task;

• 
  unseen task;

• 
  поясненням методології;

• 
  перевіркою transfer of competence.

Це може бути окремою цінністю пілоту для вищої освіти України.

15. Дані та конфіденційність

Для першого дослідження бажано використовувати:

• 
  анонімізовані дані;

• 
  псевдонімізовані identifiers;

• 
  мінімально необхідний набір інформації;

• 
  окреме зберігання персональних даних від proof structure.

Qualification Web не потребує публікації повного портфоліо кандидата.

Результатом для зовнішньої сторони може бути лише:

• 
  target requirement;

• 
  conformance status;

• 
  evidence sufficiency;

• 
  verification metadata.

16. Що потрібно від МОН

Для першого етапу не пропонується фінансування великої державної ІТ-системи.

Від Міністерства достатньо одного або декількох із таких кроків:

Варіант А — експертний розгляд

Передати концепцію профільним експертам.

Варіант Б — рекомендація партнера

Рекомендувати заклад вищої освіти або наукову установу, зацікавлену у shadow pilot.

Варіант В — робоча зустріч

Провести коротке обговорення з відповідним структурним підрозділом МОН.

Варіант Г — незалежна експертна оцінка

Надати рекомендації щодо методологічних або нормативних обмежень.

На першому етапі не потрібне рішення про загальнонаціональне впровадження.

17. Що забезпечує ініціатор

Ініціатор Qualification Web готовий надати:

• 
  QWP specification;

• 
  reference software;

• 
  Qualification Registry;

• 
  API;

• 
  тестові datasets;

• 
  benchmark models;

• 
  research documentation;

• 
  наукову статтю;

• 
  дисертаційний research manuscript;

• 
  дизайн pilot study;

• 
  technical support для експерименту.

Таким чином витрати партнера можуть бути зведені переважно до:

• 
  участі експертів;

• 
  доступу до допустимих кейсів;

• 
  evaluation результатів.

18. Орієнтовна структура робіт

Етап 1. Підготовка

• 
  вибір ЗВО;

• 
  вибір освітньої програми;

• 
  визначення scope;

• 
  mapping programme outcomes;

• 
  узгодження data protection.

Етап 2. Налаштування

• 
  створення machine-readable specification;

• 
  налаштування assessment rules;

• 
  підготовка test protocol.

Етап 3. Shadow evaluation

• 
  analysis cases;

• 
  independent institutional decision;

• 
  QWP analysis;

• 
  фіксація metrics.

Етап 4. Порівняння

• 
  agreement;

• 
  disagreements;

• 
  workload;

• 
  timing;

• 
  error analysis.

Етап 5. Звіт

Формується спільний research report:

що працює;

що не працює;

що потребує revision;

чи доцільний наступний pilot.

19. Орієнтовний результат першого пілоту

Пілот повинен завершитися не «впровадженням системи», а одним із трьох висновків.

Результат А

Модель перспективна.

Доцільний larger pilot.

Результат Б

Модель корисна лише для окремих функцій.

Наприклад, evidence mapping і gap analysis, але не final decision.

Результат В

Модель не забезпечує достатньої практичної користі.

Потрібна фундаментальна revision.

Будь-який із трьох результатів є прийнятним результатом дослідження.

20. Потенційний наступний масштаб

Лише після позитивного першого пілоту можна розглядати:

Phase 2

2–5 університетів.

Phase 3

кілька спеціальностей.

Phase 4

міжуніверситетське перенесення evidence.

Phase 5

міжнародні qualification mappings.

Phase 6

формальна integration із RPL procedures.

Перехід на кожний рівень повинен залежати від evidence попереднього.

21. Потенційна довгострокова користь для України

За умови успішної незалежної перевірки така інфраструктура може допомогти Україні у:

Академічній мобільності

Краще переносити результати навчання між institutions.

Освіті ветеранів

Структуровано враховувати релевантні результати попередньої діяльності там, де це допускається законодавством.

Реінтеграції громадян

Опрацьовувати складні та міжнародні educational histories.

Навчанні протягом життя

Не змушувати людину повторно проходити те, що вона вже обґрунтовано може підтвердити.

Європейській інтеграції

Розвивати machine-readable qualification infrastructure, сумісну з європейськими frameworks і digital credential standards.

Освіті в епоху AI

Перейти від перевірки «хто написав текст» до сильніших моделей підтвердження компетентності.

22. Основний принцип

Qualification Web не пропонує скасувати довіру до університету.

Пропонується:

зробити підстави для цієї довіри більш видимими, структурованими та переносними.

Сьогодні логіка часто виглядає так:

заклад → диплом → довіра.

Запропонована модель додає проміжний рівень:

результат навчання → evidence → assessment → обґрунтування → qualification decision.

23. Стратегічна формула

Найкоротше концепцію можна сформулювати так:

Глобально сумісні докази — локально легітимні рішення.

Qualification Web може допомагати представляти й перевіряти evidence.

Але остаточні юридичні повноваження залишаються за тими institutions та authorities, яким вони надані законодавством.

24. Запропоноване рішення для МОН

На даному етапі пропонується не приймати рішення про впровадження Qualification Web.

Пропонується значно менший крок:

визначити одного потенційного академічного партнера та дозволити провести незалежний shadow pilot без впливу на офіційні рішення щодо здобувачів.

Цього достатньо, щоб перейти від теоретичної дискусії до empirical evidence.

25. Очікуваний результат для Міністерства

МОН отримує:

• 
  незалежно перевірений experimental report;

• 
  дані про сильні та слабкі сторони підходу;

• 
  аналіз можливого застосування в RPL;

• 
  оцінку AI-related assessment possibilities;

• 
  recommendations без зобов’язання впроваджувати систему;

• 
  можливість оцінити нову qualification infrastructure на ранньому етапі.

Фінансові та нормативні ризики першого shadow pilot можуть бути мінімальними.

ВИСНОВОК

Українська система освіти вже рухається в напрямі більш гнучких індивідуальних освітніх траєкторій та формального визнання результатів неформального й інформального навчання.

Наступною проблемою стає не лише право визнавати такі результати, а якість інфраструктури, через яку їх можна представляти, перевіряти, порівнювати та обґрунтовувати.

Qualification Web є дослідницькою пропозицією такої інфраструктури.

Вона ще потребує незалежної емпіричної перевірки.

Саме тому оптимальним наступним кроком є не масштабне впровадження, а:

один невеликий, контрольований і науково оцінюваний пілот.

Дата:
2026 рік