Проєктування глобальної провайдер-незалежної інфраструктури вищої освіти, оцінювання та визнання

English title:
Qualification Web: Designing a Provider-Independent Evidence-to-Qualification Infrastructure for Higher Education

Тип роботи: дослідницько-конструкторська дисертація
Методологічна основа: Design Science Research
Статус: дослідницький рукопис

Анотація

Протягом більшої частини історії сучасної вищої освіти університет одночасно виконував декілька функцій: навчав, оцінював, накопичував академічну репутацію, проводив дослідження, присуджував кваліфікації та слугував посередником між людиною, державою і ринком праці.

Ця інституційна концентрація функцій була історично зрозумілою. Проте цифрове навчання, відкриті освітні ресурси, глобальна мобільність, recognition of prior learning, цифрові credentials та штучний інтелект поступово руйнують припущення, що навчання, оцінювання й присудження кваліфікації обов'язково повинні відбуватися всередині однієї установи.

Ця дисертація досліджує інше фундаментальне питання:

Чи може кваліфікація бути обґрунтована доказами незалежно від того, де саме людина навчалася?

Для відповіді пропонується Qualification Web — відкрита машинозчитувана інфраструктура, центральним компонентом якої є Qualification Web Protocol (QWP).

QWP не є новим університетом, системою дистанційного навчання або сервісом цифрових дипломів. Його функція полягає в іншому: він формалізує шлях від вимог кваліфікації до доказів, оцінювання, обґрунтованих висновків про компетентність та відтворюваного qualification-conformance decision.

У найпростішій формі модель має вигляд:

Qualification Specification
→ Evidence
→ Assessment
→ Validity Argument
→ Authority
→ Qualification Proof
→ Conformance Decision
→ Award
→ Recognition

Принциповим є розділення трьох різних тверджень:

Academic conformance ≠ Legal award ≠ Professional authorization.

Тобто система може встановити, що сукупність доказів відповідає академічним вимогам певної кваліфікації, не заявляючи при цьому, що сама система має юридичне право присудити державний ступінь або професійну ліцензію.

Архітектура була реалізована у вигляді reference software, Qualification Proof model, Conformance Engine, Registry, Resolver, REST API та agent-oriented interface. Для експериментальної перевірки створено три domain benchmarks — Psychology, Computer Science та Business & Management — і 1 192 синтетичні qualification cases.

Отримані результати демонструють логічну відтворюваність, provider-neutrality у контрольованих умовах та можливість явного розділення автоматизованих правил, людського експертного судження і юридичного визнання.

Водночас робота не стверджує, що синтетичні експерименти довели психометричну валідність QWP на реальних студентах або перевагу QWP над університетською освітою. Навпаки, одна з центральних тез роботи полягає в тому, що інфраструктура довіри повинна явно показувати межі власних висновків.

Дисертація позиціонує Qualification Web не як заміну університету, а як потенційний верхній координаційний шар для кваліфікацій:

глобальна семантика і доказ — локальне право та визнання.

Ключові слова

Qualification Web; QWP; higher education; qualification; assessment; competency; evidence; recognition of prior learning; digital credentials; verifiable credentials; educational interoperability; Design Science Research; artificial intelligence; qualification frameworks; educational assessment; recognition.

Як читати цю роботу

Цю дисертацію навмисно написано не як традиційний багатосотсторінковий текст, у якому кількість сторінок підміняє силу аргументу.

Вона має три рівні читання.

Для звичайного читача центральне питання звучить просто:

Якщо людина справді знає і вміє все, що повинен знати магістр, чому вирішальним доказом цього має бути саме факт її перебування в конкретному університеті?

Для науковця питання формулюється точніше:

Чи можна декомпозувати qualification decision на явні, перевірювані та відтворювані елементи без неприйнятної втрати validity, reliability, fairness та holistic judgment?

Для машини або AI-agent питання набуває формального вигляду:

Чи задовольняє QualificationProof P вимоги QualificationSpecification S за визначеною версією правил R?

Три питання описують одну проблему на різних рівнях абстракції.

ВСТУП

1. Проблема, яку насправді розв'язує університет

Поширена критика університетів часто зосереджується на вартості, бюрократії, застарілих лекціях, повільності програм або появі штучного інтелекту.

Усі ці проблеми реальні, але вони не є фундаментальними.

Навіть якщо завтра AI зможе безкоштовно пояснювати будь-яку тему краще за середнього викладача, це ще не ліквідує потребу у вищій освіті.

Залишиться складніше питання:

Як ми дізнаємося, що людина справді чогось навчилася?

І ще складніше:

Коли сукупність її знань, здібностей, досвіду і дослідницької автономності є достатньою, щоб суспільство визнало її бакалавром, магістром або доктором?

Таким чином найбільш дефіцитним ресурсом вищої освіти стає не інформація.

Дефіцитним ресурсом є обґрунтована довіра.

2. Університет як історичний пакет функцій

Традиційний університет поєднує щонайменше такі функції:

1. 
   надання навчального контенту;

2. 
   організацію навчального процесу;

3. 
   наставництво;

4. 
   оцінювання;

5. 
   зберігання результатів;

6. 
   наукові дослідження;

7. 
   соціалізацію;

8. 
   професійний відбір;

9. 
   присудження кваліфікацій;

10. 
    репутаційний сигнал;

11. 
    взаємодію з державою та регуляторами.

Це історично сформований bundle.

Але з того, що функції історично були об'єднані, не випливає, що вони повинні залишатися нероздільними.

Ще у 2006 році Charles Vest описував перспективу global meta-university, побудованого на глобальному обміні знаннями.

У 2010 році Don Tapscott та Anthony Williams поставили ще радикальніше питання: чому саме університет повинен залишатися одиницею, яка визначає degree, і чому студент має бути «прив'язаний» до однієї установи у мережевому світі.

Отже сама ідея «освіта може вийти за межі одного університету» не є новою.

Ця дисертація не претендує на її винайдення.

3. Що вже було зроблено до Qualification Web

Розвиток альтернативної освітньої інфраструктури відбувався щонайменше у п'яти напрямках.

3.1. Open education

OERu реалізувало модель, у якій людина могла навчатися безкоштовно, а платити лише за формальне assessment у партнерській установі. Саме партнерська institution, а не OERu, присуджувала academic credit. OERu оголосило про припинення роботи 31 липня 2026 року, але його модель залишається важливим попередником розділення навчання та credentialing.

Отже принцип:

Learning Provider ≠ Assessment Provider

вже має практичні попередники.

3.2. Open recognition

Bologna Open Recognition Declaration у 2016 році закликала до створення універсальної відкритої архітектури recognition для формального, неформального та informal learning.

Тому Qualification Web не може обґрунтовано заявляти:

«ми вперше придумали глобальне відкрите recognition».

Це було б історично неправильно.

3.3. Machine-readable credentials

У травні 2025 року W3C Verifiable Credentials Data Model 2.0 став W3C Recommendation.

Він дозволяє представляти credentials у машинозчитуваному, криптографічно перевірюваному і privacy-aware форматі.

Отже Qualification Web також не винаходить цифровий диплом.

Більше того, створювати власний несумісний credential format було б помилкою.

3.4. Machine-readable learning and qualification data

European Learning Model уже моделює qualifications, accreditation, learning opportunities та credentials і містить понад 560 властивостей для formal, non-formal та informal learning.

Credential Transparency Description Language та Credential Registry уже створюють структурований простір для опису credentials і competencies.

CASE використовується для machine-readable представлення learning standards і competencies.

Отже ще одна принципова межа роботи:

Qualification Web не повинен дублювати існуючі стандарти.

4. Чого все ще бракує

Існуючі стандарти добре відповідають на багато важливих питань:

Що це за credential?

Хто його видав?

Які competencies з ним пов'язані?

Чи справжній цифровий документ?

Як credential пов'язаний з framework?

Проте залишається інше питання:

Чому саме ця сукупність evidence дає достатню підставу зробити висновок, що конкретна людина задовольнила конкретну qualification specification?

Саме тут знаходиться предмет цієї дисертації.

Можна мати абсолютно справжній цифровий credential — але credential може свідчити про недостатню competence.

Можна мати автентичний тест — але тест може погано вимірювати потрібну здатність.

Можна мати компетентного assessor — але він може мати conflict of interest.

Можна мати всі окремі microcredentials — але не мати доказу інтегрованої здатності діяти на рівні Master.

Можна мати academic conformance — але не мати юридичного права на professional practice.

Автентичність доказу не тотожна валідності висновку.

Ця відмінність є центральною для всієї роботи.

5. Центральна дослідницька проблема

У традиційній моделі значна частина довіри стискається до одного інституційного твердження:

University X awards Person Y a Master's degree.

За ним можуть стояти сотні assessments, викладачів, rubrics, практик і рішень.

Проте для зовнішнього спостерігача цей внутрішній evidence chain часто непрозорий.

Qualification Web ставить інше питання:

Чи можна зробити сам ланцюг обґрунтування кваліфікації явним, переносним і перевірюваним?

Тобто перейти від:

Trust the institution

до:

Inspect the justification.

Це не означає:

Don't trust institutions.

Навпаки, institution може залишатися найважливішим джерелом authority.

Змінюється лише архітектура довіри:

authority більше не повинна підміняти evidence, а evidence не повинно підміняти authority.

6. Мета дослідження

Мета дисертації — спроєктувати, реалізувати та експериментально дослідити провайдер-незалежну архітектуру, здатну представляти доказову основу qualification decision таким чином, щоб:

• 
  learning source не визначав автоматично результат;

• 
  qualification requirements були явними;

• 
  evidence було простежуваним;

• 
  assessment мало обґрунтування validity;

• 
  authority assessor була перевірюваною;

• 
  людські експертні рішення не приховувалися за автоматизацією;

• 
  conformance decision можна було відтворити;

• 
  academic conformance залишалося відокремленим від legal award та professional authorization;

• 
  результат був доступним людям і машинам.

7. Об'єкт і предмет дослідження

Об'єкт дослідження

Процеси формування, оцінювання, присудження та визнання кваліфікацій у вищій освіті.

Предмет дослідження

Архітектурні, семантичні та доказові механізми провайдер-незалежного представлення qualification requirements, evidence, assessment inference, authority та conformance decisions.

8. Головне дослідницьке питання

Центральне питання роботи:

Чи може evidence basis кваліфікації бути формально представлений, незалежно перевірений і зібраний у відтворюваний qualification-conformance decision без вимоги, щоб навчання, evidence production, assessment і qualification award перебували під повним контролем однієї educational institution?

Це питання навмисно обережніше за:

«Чи можна знищити університети?»

Останнє є політичним або публіцистичним твердженням.

Перше — науково перевірюваним.

9. Додаткові дослідницькі питання

RQ1. Representability

Чи можна представити суттєві вимоги до qualification у versioned, machine-readable формі без критичної втрати їх змісту?

RQ2. Evidence integration

Чи можна інтегрувати heterogeneous evidence, отримане з різних learning pathways, в одну qualification proof structure?

RQ3. Validity

Чи можна зробити явним перехід:

evidence → inference → competence claim

замість прихованого припущення, що будь-яке assessment автоматично доводить competence?

RQ4. Provider neutrality

Якщо два кандидати демонструють еквівалентні qualification-relevant evidence, чи повинна система давати їм однаковий academic conformance result незалежно від того, де вони навчалися?

RQ5. Human judgment

Які частини qualification decision можуть бути детерміновано формалізовані, а які повинні залишатися за expert human judgment?

RQ6. Recognition boundary

Як чітко відокремити:

qualification conformance

від:

legal awarding

і:

professional authorization?

RQ7. Interoperability

Чи може нова proof architecture працювати поверх існуючих стандартів замість створення нової закритої екосистеми?

10. Основна гіпотеза

Основна гіпотеза дисертації:

Провайдер-незалежний Qualification Proof може достатньо явно представляти доказову основу значної частини higher-education qualification, а machine-assisted Conformance Engine може відтворювано перевіряти формалізовану частину цього proof проти versioned Qualification Specification без необхідності автоматизувати ті рішення, які потребують людського експертного або юридичного судження.

Це твердження містить важливе обмеження.

Метою не є повна автоматизація освіти.

Метою є:

автоматизувати те, що справді формалізується, і зробити видимим те, що не формалізується.

11. Робочі гіпотези

H1 — Representability

Більшість explicit qualification requirements у вибраних domains можуть бути представлена у structured specification.

H2 — Traceability

Qualification decision може мати повний reconstructable evidence path.

H3 — Provider neutrality

За еквівалентних qualification-relevant evidence різні learning pathways не повинні самі по собі змінювати academic result.

H4 — Controlled automation

Machine evaluation може застосовуватися до structural та rule-based components без необхідності автоматизувати holistic expert judgment.

H5 — Cross-domain portability

Core architecture може застосовуватися до кількох суттєво різних academic domains без зміни фундаментального conformance engine.

H6 — Recognition separation

Один global evidence model може співіснувати з різними local recognition і awarding systems.

12. Що може спростувати основну тезу

Сильна теорія повинна передбачати власну можливу невдачу.

Qualification Web не повинен бути захищений від критики формулою:

«Якщо не працює — значить, його просто неправильно застосували».

Теза роботи істотно послаблюється, якщо буде показано, що:

1. 
   суттєві qualification outcomes неможливо адекватно представити у proof architecture;

2. 
   декомпозиція компетентності систематично руйнує holistic professional capability;

3. 
   однакове evidence неможливо оцінювати provider-neutrally без втрати validity;

4. 
   distributed evidence збільшує fraud risk більше, ніж architecture може компенсувати;

5. 
   human review необхідний майже для всіх важливих рішень, роблячи machine layer тривіальним;

6. 
   cost verification стає значно більшим за традиційний institutional assessment;

7. 
   cross-jurisdiction mappings систематично спотворюють meaning qualifications;

8. 
   незалежне від learning provider assessment виявляється суттєво менш reliable.

Таким чином Qualification Web розглядається як дослідницька пропозиція, яку можна спростувати, а не як ідеологічна доктрина.

13. Наукова новизна: що НЕ є новим

Для коректного визначення новизни необхідно спочатку чітко відмовитися від слабких claims.

Ця дисертація не заявляє винайдення:

• 
  competency-based education;

• 
  digital credentials;

• 
  open education;

• 
  recognition of prior learning;

• 
  microcredentials;

• 
  competency frameworks;

• 
  verifiable credentials;

• 
  independent assessment;

• 
  open recognition;

• 
  machine-readable qualifications;

• 
  provider networks.

Ідеї global meta-university існували щонайменше з середини 2000-х.

OERu практично розділяло free learning і paid assessment.

Bologna Open Recognition Declaration закликала до open recognition architecture ще у 2016 році.

W3C вже стандартизував machine-verifiable credentials.

European Learning Model уже забезпечує широкий machine-readable educational data model.

Отже дисертація навмисно не будує novelty claim на компонентах, які вже існують.

14. Де знаходиться запропонована новизна

Наукова новизна роботи концентрується на системній композиції та evidence-to-decision layer.

Пропонується архітектура, у якій qualification представлена не просто credential object, а justified qualification decision.

Її ядро:

**Specification

• 
  Evidence

• 
  Assessment

• 
  Validity

• 
  Authority

• 
  Human Judgment

• 
  Proof

• 
  Conformance**

Це формує окремий рівень між:

освітніми даними

і:

юридичним присудженням qualification.

14.1. Qualification Proof

Пропонується розглядати evidence basis qualification як auditable proof structure.

Вона повинна дозволяти відповісти не тільки:

Який degree має ця людина?

а:

Які claims підтримують цей degree?

Якими evidence вони підтримані?

Як evidence було отримано?

Яке assessment було застосовано?

Чому inference з assessment до competence вважається допустимим?

Хто оцінював?

Чому assessor мав authority?

Які decisions були людськими?

Якою версією правил користувалися?

14.2. Qualification Conformance Engine

Другий внесок — QWP Conformance Engine (QCE).

Його завдання не:

видати degree.

Його завдання:

перевірити, чи QualificationProof відповідає QualificationSpecification.

Це принципово інша функція.

QCE ближчий не до університету, а до:

validator / rules engine / compiler metaphor.

14.3. Explicit inference layer

Третій внесок — окреме моделювання inference між evidence і competence.

Це важливо, оскільки:

evidence саме по собі не доводить claim.

Evidence-centered design давно наголошує на необхідності пов'язувати claims, evidence і tasks; Qualification Web переносить цю логіку з проєктування assessment на qualification-level proof architecture.

14.4. Provider neutrality as a testable property

Замість політичної тези:

«університети не потрібні»

вводиться формально перевірюваний принцип:

learning provenance не повинно змінювати academic conformance decision, якщо qualification-relevant evidence є еквівалентним, за винятком requirement, де provenance саме є частиною construct або regulation.

Це важливе уточнення.

Наприклад, supervised clinical practice не можна замінити переглядом відео лише тому, що candidate стверджує еквівалентне знання.

Тобто provider neutrality не означає context blindness.

14.5. Global proof, local authority

П'ятий внесок полягає у формальному розділенні:

Academic Conformance

Legal Award

Recognition

Professional Authorization

UNESCO Global Convention підтримує fair і transparent recognition та враховує non-traditional learning, але recognition здійснюють компетентні authorities і відповідно до правових систем держав.

В Англії, наприклад, degree-awarding powers потребують відповідної authorization; registered provider може подаватися на powers для awards до Level 7 або research awards залежно від категорії.

Тому QWP не намагається «програмно скасувати державу».

Він створює:

global proof layer + local authority interface.

15. Практична новизна

Практична цінність роботи полягає в тому, що запропонована модель може використовуватися до того, як світ погодиться на radical reform of degrees.

Найреалістичніші early-use cases:

• 
  recognition of prior learning;

• 
  credit transfer;

• 
  admissions;

• 
  qualification gap analysis;

• 
  independent assessment;

• 
  external evidence portfolios;

• 
  qualification comparison;

• 
  recognition support;

• 
  AI-agent reasoning about qualifications.

Таким чином QWP не потребує глобальної законодавчої революції як умови першого використання.

16. Методологічна позиція

Ця робота належить передусім до Design Science Research.

Її головний результат — не лише опис явища, а створений і перевірюваний artifact.

Peffers та співавтори описують Design Science Research Methodology через шість основних стадій:

1. 
   problem identification and motivation;

2. 
   objectives of a solution;

3. 
   design and development;

4. 
   demonstration;

5. 
   evaluation;

6. 
   communication.

Qualification Web розвивався за тією самою логікою.

17. Артефакти дослідження

У межах роботи створено не один, а взаємопов'язаний набір artifacts:

Qualification Web Protocol (QWP)
— специфікація proof/conformance layer.

Qualification Proof Model
— структура evidence-to-qualification justification.

QWP Conformance Engine (QCE)
— reference implementation conformance evaluation.

Qualification Registry
— machine-readable qualification records.

Resolver
— механізм отримання canonical qualification representation.

Compare Layer
— консервативне порівняння qualification records.

Recognition Profiles
— моделювання меж між global semantics і local legal processes.

REST API

Agent / MCP interface

Domain benchmarks

Synthetic experimental corpora

Це важливо для статусу дисертації.

Робота не лише стверджує:

«ось як могла б виглядати нова система».

Вона створює:

reference implementation системи, яку можна тестувати.

18. Чому дослідження не потребує масового опитування

Типова помилка полягала б у тому, щоб доводити архітектуру питанням:

«Чи подобається студентам ідея Qualification Web?»

Навіть 10 000 позитивних відповідей не довели б, що QWP:

• 
  логічно consistent;

• 
  interoperable;

• 
  provider-neutral;

• 
  valid;

• 
  secure;

• 
  legally usable.

Тому початкова фаза дослідження використовує artifact evaluation, synthetic cases, adversarial scenarios та cross-domain reconstruction.

Це дозволяє перевірити:

• 
  logical consistency;

• 
  determinism;

• 
  traceability;

• 
  failure handling;

• 
  provider neutrality;

• 
  cross-domain portability;

• 
  structural robustness.

Але не дозволяє довести:

• 
  real-world psychometric validity;

• 
  labour-market predictive validity;

• 
  fairness across demographic groups;

• 
  student experience;

• 
  actual operating cost at scale.

Ці обмеження не приховуються.

Вони є частиною дизайну наступної research programme.

19. Основний принцип дисертації

Уся робота може бути зведена до одного переходу:

Традиційна логіка

Institution → Programme → Completion → Degree

Запропонована логіка

Qualification Requirement
→ Evidence
→ Assessment
→ Validity
→ Authority
→ Proof
→ Conformance
→ Authorized Award
→ Recognition

У першій системі основним контейнером є institution.

У другій — justified claim.

20. Центральна теза

Центральна теза цієї роботи формулюється так:

Університет не обов'язково є фундаментальною одиницею вищої освіти. Фундаментальною одиницею може бути обґрунтоване, перевірюване твердження про те, що людина задовольнила конкретну вимогу кваліфікації.

Університет при цьому не зникає.

Він може залишатися:

• 
  learning provider;

• 
  research institution;

• 
  assessment provider;

• 
  community;

• 
  laboratory infrastructure;

• 
  awarding authority;

• 
  quality-assurance actor.

Але ці функції більше не розглядаються як логічно нероздільні.

21. Найпростіша формула Qualification Web

Для подальшої роботи використовується максимально проста текстова формула:

Qualification justification =
Specification + Evidence + Assessment + Validity + Authority + Judgment + Conformance

А юридичний ступінь має додатковий компонент:

Recognized degree =
Qualification justification + Authorized award + Applicable law

Ці формули не є математичними рівняннями.

Вони є архітектурними інваріантами.

22. Принципи системи

22.1. Evidence before prestige

Репутація institution може бути важливою інформацією.

Але вона не повинна підміняти evidence.

22.2. Authority before automation

Машина може перевірити правило.

Але вона не може сама надати собі юридичні або професійні повноваження.

22.3. Validity before convenience

Дешевий і автоматизований assessment не є кращим, якщо він вимірює неправильну capability.

22.4. Explainability before score

Результат:

72/100

значно слабший за:

FAIL: mandatory quantitative inference requirement is unsupported because no admissible independently assessed evidence exists.

22.5. Human judgment should be explicit, not eliminated

Складні qualification decisions містять людський judgment.

Проблема не в його існуванні.

Проблема — коли він прихований.

22.6. Provider neutrality is not provider ignorance

Походження learning не повинно створювати необґрунтовану дискримінацію.

Але context має враховуватися там, де він є частиною competence або regulatory requirement.

22.7. One global truth is impossible; shared semantics are possible

Різні держави мають різні laws.

Різні professions мають різні authorization requirements.

Qualification Web не намагається звести їх до одного закону.

Він намагається створити спільну мову для опису доказів і рішень.

23. Qualification Web як верхній шар

Остаточне бачення проєкту виходить за межі одного protocol.

Qualification Web складається з кількох рівнів:

Registry
Що це за qualification?

Resolver
Яке її canonical meaning?

Compare
Чим дві qualifications відрізняються?

Proof
Які evidence підтримують candidate claim?

QCE
Чи задовольняє proof specification?

Recognition Mapping
Які додаткові legal/administrative decisions потрібні?

API
Як software взаємодіє із системою?

Agent interface
Як AI-agent може використовувати qualification infrastructure?

Отже Qualification Web позиціонується як:

machine-readable trust and intelligence layer for qualifications.

24. Чого система принципово НЕ стверджує

Qualification Web не стверджує, що:

університети вже стали непотрібними;

AI може замінити professor judgment;

1192 synthetic tests довели реальну освітню валідність;

QWP має degree-awarding authority;

QWP qualification дорівнює professional licence;

одна глобальна система повинна скасувати національні laws.

Ці обмеження не послаблюють роботу.

Вони визначають, що саме було і не було доведено.

25. Практична амбіція

Кінцевим критерієм успіху Qualification Web є не кількість сторінок specification і не кількість цитувань самої дисертації.

Практичний успіх настає тоді, коли зовнішня institution може сказати:

«Ми отримали qualification proof з різних джерел, можемо зрозуміти його структуру, перевірити evidence і використати його як частину нашого власного decision process».

Після цього можливий наступний рівень:

university використовує QWP для recognition of prior learning.

Потім:

independent assessor створює QWP-compatible evidence.

Потім:

awarding institution приймає цей evidence.

І лише значно пізніше може виникнути питання:

чи потрібне повне institutional custody learner взагалі?

26. Головний науковий принцип

Qualification Web не починається з відповіді «університет застарів».

Він починається з питання:

Які функції університету є справді необхідними — і які з них необхідно виконувати саме однією установою?

Це дозволяє уникнути двох крайнощів.

Перша:

традиційна institution завжди необхідна просто тому, що вона історично існує.

Друга:

технологія автоматично робить institution непотрібною.

Обидва твердження потребують доказів.

27. Висновок першої частини

Сучасна вища освіта стикається не лише з проблемою доступу до знань.

В умовах глобального цифрового навчання дедалі важливішою стає проблема довіри до результатів навчання.

Водночас уже існують сильні компоненти майбутньої інфраструктури:

• 
  machine-readable competencies;

• 
  digital credentials;

• 
  open learning;

• 
  recognition of prior learning;

• 
  qualification frameworks;

• 
  credential registries;

• 
  international recognition conventions.

Тому завдання цієї роботи полягає не в тому, щоб створити ще одну паралельну educational ecosystem.

Її завдання — з'єднати ці компоненти на тому рівні, який залишається недостатньо явним: рівні обґрунтованого qualification decision.

У наступній частині дисертації буде побудовано саму архітектуру:

Qualification Specification → Claims → Evidence → Assessment → Validity Argument → Authority → Human Judgment → Qualification Proof → Conformance Decision

і детально показано, як Qualification Web та QWP функціонують технічно і концептуально.

ЧАСТИНА II

АРХІТЕКТУРА QUALIFICATION WEB

28. Від credential до обґрунтованого рішення

Більшість сучасних цифрових освітніх систем концентруються на одному з трьох об'єктів:

credential — що було присуджено;

competency — що людина повинна знати або вміти;

learning record — що людина проходила або завершила.

Qualification Web вводить інший центральний об'єкт:

Justified Qualification Decision

тобто:

обґрунтоване рішення про те, що певна особа задовольняє або не задовольняє конкретну версію qualification specification.

Це принципово відрізняється від цифрового диплома.

Цифровий диплом відповідає:

«Хтось щось заявив про цю людину».

Qualification Proof повинен відповідати:

«Чому це твердження має вважатися достатньо обґрунтованим?»

29. Qualification Web як шар, а не нова екосистема

Однією з ключових архітектурних помилок було б створення ще одного закритого стандарту:

власних competencies;

власних credentials;

власної identity system;

власної blockchain;

власної classification system.

Це зробило б Qualification Web конкурентом уже зрілих інфраструктур.

Натомість система проєктується як тонкий proof-and-conformance layer поверх існуючих стандартів.

CASE уже стандартизує обмін competencies, learning outcomes, frameworks, associations і rubrics.

CTDL уже надає linked-data vocabulary для опису credentials, competencies, pathways та інших credentialing resources.

European Learning Model уже формалізує interoperable дані про qualifications, accreditation, credentials та learning opportunities і побудований поверх відкритих стандартів.

W3C Verifiable Credentials 2.0 уже забезпечує машинозчитуваний і криптографічно перевірюваний container для claims і став W3C Recommendation 15 травня 2025 року.

Тому QWP не повинен відповідати на питання:

«Як створити ще один цифровий credential?»

Його питання:

«Як із уже наявних даних, credentials, evidence, assessment results та authority records побудувати перевірюване qualification-level justification?»

30. Загальна архітектура

Архітектуру Qualification Web можна представити як дев'ять послідовних логічних рівнів.

Layer 1 — Qualification Definition

Що саме треба довести?

↓

Layer 2 — Claim Model

Які твердження про кандидата мають бути істинними?

↓

Layer 3 — Assessment Design

Які завдання можуть надати релевантне evidence?

↓

Layer 4 — Evidence

Що кандидат фактично продемонстрував?

↓

Layer 5 — Inference and Validity

Чому observed performance підтримує конкретний claim?

↓

Layer 6 — Authority and Quality Assurance

Чому assessment process, assessor і scheme заслуговують довіри?

↓

Layer 7 — Qualification Proof

Чи всі обов'язкові claims достатньо підтримані?

↓

Layer 8 — Conformance Decision

PASS / FAIL / INDETERMINATE.

↓

Layer 9 — Award and Recognition

Хто юридично може присудити qualification і де вона визнається?

Ця послідовність є центральною логікою всієї дисертації.

31. Qualification Specification

Перший об'єкт — Qualification Specification.

Він не є syllabus.

Syllabus відповідає:

що викладатиметься?

Qualification Specification відповідає:

що має бути доведено, щоб qualification вважалася виконаною?

Мінімальна структура:

QualificationSpecification

id

title

version

field

level

framework_alignment

requirements

decision_rules

assessment_constraints

integrative_requirements

effective_date

Наприклад:

id: QW-MPSY-7

title: Academic Master-Level Psychology

version: 1.0

level: EQF 7

Номер версії принциповий.

Не можна через два роки змінити стандарт і зробити вигляд, що кандидат 2026 року оцінювався за правилами 2028 року.

Тому qualification decision завжди прив'язується до конкретної версії.

32. Requirement

Qualification Specification складається з Requirements.

Приклад:

PSY-METH-02

Candidate can select, conduct, interpret and critically evaluate quantitative analysis appropriate to a psychological research problem.

Це краще, ніж:

Candidate completed Statistics II.

Перше описує outcome.

Друге — навчальну подію.

Qualification Web свідомо надає пріоритет першому.

33. Hard, compensable та integrative requirements

Не всі competencies мають однакову логічну роль.

Тому QWP розділяє їх щонайменше на три типи.

Hard requirement

Не може бути компенсована іншими strengths.

Наприклад:

Research Ethics = mandatory

Людина не повинна отримати qualification за схемою:

Ethics = FAIL, Statistics = excellent, середній бал достатній.

Compensable requirement

Допускає агрегування декількох indicators.

Integrative requirement

Не перевіряється атомарно.

Наприклад:

independent research capstone.

Він повинен показувати одночасну інтеграцію:

knowledge + method + ethics + judgment + communication.

Це захищає QWP від редукції degree до «мішка microcredentials».

34. Claim Model

Requirement не повинна безпосередньо вести до evidence.

Між ними вводиться Claim.

Наприклад:

Requirement:

Advanced research competence.

Claim:

Candidate can independently design a defensible psychological investigation under conditions of methodological uncertainty.

Це те твердження, яке assessment має підтримати.

35. Evidence-Centered Design

Тут QWP використовує логіку Evidence-Centered Design.

ECD розділяє щонайменше:

student/claim model — що ми хочемо стверджувати про test taker;

evidence model — які observable behaviours підтримують висновок;

task model — які задачі повинні elicitate відповідну performance.

Qualification Web переносить цю логіку на рівень цілої qualification.

Схема:

Qualification Requirement

↓

Claim

↓

Evidence Requirement

↓

Assessment Task

↓

Observed Performance

↓

Scoring / Judgment

↓

Inference

↓

Claim Support

Це одна з найважливіших відмінностей QWP від простого credential aggregator.

36. Evidence Object

EvidenceObject — конкретний об'єкт або observable result, який використовується в qualification argument.

Це може бути:

• 
  research project;

• 
  dataset;

• 
  software system;

• 
  examination;

• 
  professional case;

• 
  oral defence;

• 
  simulation;

• 
  publication;

• 
  portfolio;

• 
  supervised practice;

• 
  structured interview;

• 
  critical analysis.

Evidence не обов'язково є документом.

Наприклад:

performance під час live defence

так само може бути evidence.

37. Evidence provenance

Важливо знати не лише що існує, але і:

• 
  хто створив evidence;

• 
  коли;

• 
  за яких умов;

• 
  чи воно змінювалося;

• 
  хто його спостерігав;

• 
  від якого попереднього object воно походить.

Для цього QWP не потребує власного provenance standard.

W3C PROV уже визначає interoperable provenance model із concepts Entity, Activity та Agent, підтримує attribution, derivation, processing history, versioning і reproducibility.

У спрощеному вигляді:

Evidence

wasGeneratedBy

AssessmentActivity

AssessmentActivity

wasAssociatedWith

Candidate

AssessmentActivity

wasAssociatedWith

Assessor

38. Автентичність не дорівнює компетентності

Це фундаментальне правило.

Припустимо, цифровий підпис доводить:

цей essay справді створений кандидатом.

Це ще не доводить:

кандидат має Master-level competence.

Так само:

credential cryptographically valid

не означає:

educational inference valid.

Тому Qualification Web розділяє:

Integrity

і:

Validity.

39. Assessment Design

Для кожного важливого Claim система повинна містити AssessmentDesign.

Наприклад:

Construct:

Advanced research design

Tasks:

1. Design a study

2. Identify validity threats

3. Defend methodological choices

4. Modify design after critique

Scoring:

Analytic rubric + expert judgment

Minimum assessors:

2

Human review:

Required

Система не повинна вважати всі assessment forms еквівалентними.

40. Validity Argument

У ранніх версіях QWP validity могла бути просто metadata field.

Це недостатньо.

У зрілій архітектурі використовується:

Validity Argument

Він відповідає:

Чому саме цей результат assessment дозволяє зробити саме цей висновок про candidate?

Структура:

Claim

↓

Assessment task

↓

Observed performance

↓

Scoring interpretation

↓

Inference

↓

Intended use

Validity тут є аргументом, а не магічною властивістю тесту.

41. Приклад validity failure

Уявімо claim:

Candidate can conduct complex psychological interviewing.

Evidence:

100-question multiple-choice examination.

Іспит може бути:

• 
  справжній;

• 
  надійно прокторований;

• 
  правильно оцінений;

• 
  підписаний цифровим credential.

Але він все одно може бути недостатнім evidence для actual interviewing competence.

Тому:

Evidence integrity = VERIFIED

але:

Competence inference = NOT SUFFICIENTLY SUPPORTED.

Це ключова риса Qualification Web.

42. Assessment Event

Коли Assessment Design реально застосовується, створюється AssessmentEvent.

Приклад:

AssessmentEvent

candidate: Person-42

claim: PSY-METH-02

assessmentDesign: QuantitativeAnalysis-v3

assessor: A-177

date: 2026-06-17

result: supported

Assessment Event повинен бути traceable.

43. Authority

Наступне питання:

Чому саме цей assessor має право робити такий judgment?

Qualification Web вводить:

AuthorityRecord

Наприклад:

Assessor:

A-177

Authorized scope:

quantitative psychological methods

Valid:

2025-2028

Issuer:

Assessment Body X

Authority є:

scope-specific

і:

time-specific.

Викладач статистики не отримує автоматично authority оцінювати supervised psychotherapy practice.

44. Quality assurance

Навіть competent assessor може працювати всередині поганої assessment scheme.

Тому довіра не може завершуватися на особі assessor.

QWP моделює:

• 
  scheme owner;

• 
  assessment provider;

• 
  quality-assurance body;

• 
  assessor;

• 
  awarding authority;

• 
  recognition authority.

ISO/IEC 17024:2026 демонструє близьку логіку для certification of persons: certification має забезпечувати assurance, що людина відповідає визначеним competence requirements, а certification bodies повинні працювати consistent і reliable способом.

Qualification Web не ототожнює academic degree із ISO certification.

Але використовує важливий принцип:

оцінювати треба не лише кандидата, а й систему, яка його оцінює.

45. Conflict of interest

Assessor authority недостатньо.

Потрібно також знати:

чи є evaluator impartial?

ConflictRecord може включати:

• 
  financial relationship;

• 
  supervisory dependence;

• 
  close personal relationship;

• 
  organizational dependency;

• 
  self-assessment;

• 
  undisclosed common identity;

• 
  collusion risk.

Для high-stakes decisions unresolved material conflict не повинен давати automatic PASS.

46. Human Judgment Event

Qualification Web принципово не намагається прибрати людину з усіх рішень.

Навпаки, експертне судження формалізується як окремий object:

HumanJudgmentEvent

reviewers

evidence reviewed

criteria

individual judgments

dissent

consensus method

decision

rationale

Це означає:

human judgment залишається людським, але перестає бути невидимим.

47. Розбіжність експертів

Якщо:

Reviewer A = SUPPORTED

а:

Reviewer B = NOT SUPPORTED

QWP не повинен механічно обчислювати:

середнє = 0.5.

Specification визначає процедуру:

third reviewer

або:

panel adjudication

або:

consensus process

або:

majority rule, якщо вона методологічно допустима.

Розбіжність — це інформація, а не помилка, яку треба приховати.

48. Fairness

Ще одна принципова частина assessment validity — fairness.

Assessment може бути технічно однаковим для всіх, але несправедливим щодо construct.

Наприклад складний English language requirement може спотворювати assessment статистичної компетентності людини, якщо English proficiency не є частиною target construct.

Тому QWP передбачає FairnessRecord, який може містити:

• 
  accessibility;

• 
  accommodations;

• 
  language assumptions;

• 
  construct-irrelevant barriers;

• 
  differential treatment;

• 
  appeal path.

Мета не полягає в автоматичному визначенні «абсолютної справедливості».

Мета:

зробити fairness assumptions явними й аудиторними.

49. Qualification Proof

Усі попередні компоненти збираються у:

Qualification Proof

Це логічна evidence structure.

Вона не обов'язково потребує graph database.

Її абстрактна форма:

Person

|

+-- Claim A

| |

| +-- Evidence

| +-- Assessment

| +-- Validity Argument

| +-- Authority

|

+-- Claim B

|

+-- Integrative Claim

|

+-- Human Judgment

і все це пов'язується з:

Qualification Specification vX.Y

50. Qualification Proof Graph

Формальніше:

QPG = (V, E)

де:

V — множина вузлів;

E — множина семантичних зв'язків.

Типи вузлів включають:

QualificationSpecification

Requirement

Claim

EvidenceObject

AssessmentDesign

AssessmentEvent

ValidityArgument

AuthorityRecord

HumanJudgmentEvent

QualityAssuranceRecord

ConformanceDecision

51. Чому саме graph

Qualification evidence природно є network structure.

Одне evidence може підтримувати декілька claims.

Один claim може вимагати декілька evidence sources.

Один assessor може мати authority лише для частини claims.

Одна authority може бути revoked.

Qualification requirements можуть мати prerequisites.

Graph model природніше представляє такі залежності, ніж один PDF transcript.

Але QWP не вимагає конкретної graph database.

52. Structural validation

Перед qualification reasoning система повинна перевірити:

чи сам proof структурно коректний?

Наприклад:

• 
  чи існують усі referenced objects;

• 
  чи ID унікальні;

• 
  чи dates коректні;

• 
  чи version існує;

• 
  чи AssessmentEvent має AssessmentDesign;

• 
  чи Assessor має AuthorityRecord.

Для базового syntax validation QWP використовує JSON Schema.

Для semantic graph constraints може використовуватися SHACL.

SHACL є W3C Recommendation для validation RDF graphs проти набору constraints.

Станом на вересень 2026 року SHACL 1.2 Core все ще перебуває у draft status, тому reference architecture консервативно може спиратися на стабільну Recommendation 2017 року.

53. Qualification Conformance Engine

Після structural validation працює:

QWP Conformance Engine — QCE

Популярна метафора:

Qualification Compiler.

Але ця метафора має межу.

QCE не «компілює людину».

Він перевіряє:

чи qualification proof відповідає визначеній specification.

54. Формальна функція

У максимально простій ASCII-формі:

QCE(P, S, R, T) -> D

де:

P = Qualification Proof

S = Qualification Specification

R = Decision Rules

T = Evaluation Time

D = Conformance Decision

55. Qualification-level decision states

Фінальне academic decision може мати три основні стани:

PASS

FAIL

INDETERMINATE

PASS означає:

усі необхідні qualification conditions достатньо підтримані.

FAIL:

принаймні одна critical condition отримала негативний результат.

INDETERMINATE:

даних або required judgment недостатньо для обґрунтованого decision.

Це краща модель, ніж змушувати систему в кожному випадку обрати yes/no.

56. Requirement-level support states

На рівні окремих claims використовуються детальніші стани:

SUPPORTED

NOT_SUPPORTED

INSUFFICIENT_EVIDENCE

CONTESTED

HUMAN_REVIEW

Це дозволяє відрізнити:

«людина не має competence»

від:

«ми просто ще не маємо достатнього evidence».

57. Decision Trace

Кожне QCE decision повинно мати DecisionTrace.

Приклад:

Requirement: PSY-METH-02

Claim:

Advanced quantitative reasoning

Evidence:

Analysis Project 77

Assessment:

Assessment Event 41

Authority:

Verified

Validity:

Supported

Human Review:

Complete

Result:

SUPPORTED

Таким чином PASS стає не чорним ящиком, а reconstructable decision.

58. Gap Report

Якщо qualification не виконана, система повинна сказати що саме бракує.

Приклад:

Target:

Academic Master-Level Psychology

Status:

INDETERMINATE

Missing:

PSY-METH-02

Reason:

No independently assessed quantitative analysis evidence.

Required next step:

Complete admissible assessment satisfying PSY-METH-02.

Це відкриває практичну можливість:

людині не обов'язково повторювати всю degree programme через одну missing requirement.

59. Provider Neutrality Principle

Один із найсильніших принципів QWP:

Якщо qualification-relevant evidence двох кандидатів є еквівалентним, різниця у learning provider сама по собі не повинна змінювати academic conformance decision.

Умовно:

Evidence(A) ~= Evidence(B)

then

Decision(A) = Decision(B)

якщо provider не є частиною explicit requirement.

60. Provider neutrality не означає context neutrality

Це важливе обмеження.

Наприклад:

supervised clinical practice

вимагає:

supervision + real practice + authorized setting

якщо саме ці властивості є частиною competence requirement.

Людина не може сказати:

«Я прочитав 500 книг, отже це еквівалентно 1500 годинам supervised practice».

Тому QWP не відкидає context.

Він вимагає:

щоб необхідність context була явною частиною specification, а не прихованою institutional privilege.

61. AI-assisted learning

Поява generative AI робить provider-neutral architecture ще актуальнішою.

Людина може:

• 
  навчатися з AI;

• 
  писати код із AI;

• 
  аналізувати дані з AI;

• 
  створювати drafts із AI.

Проста політика:

«AI заборонений»

не є довгостроково достатньою.

Тому QWP пропонує режими:

AI_PROHIBITED

AI_RESTRICTED

AI_ALLOWED_DISCLOSED

AI_NATIVE

62. Головний принцип AI assessment

AI use ≠ lack of competence.

Але:

AI-produced artifact ≠ evidence of human competence.

Наприклад кандидат може подати блискучий research proposal, створений майже повністю AI.

Сам документ слабко доводить competence.

Тому додаються:

• 
  oral defence;

• 
  unseen transfer task;

• 
  modification task;

• 
  methodological challenge;

• 
  live explanation.

Система перевіряє:

чи може людина перенести capability на нову ситуацію.

63. Чому AI detectors недостатні

QWP не повинен ґрунтувати high-stakes рішення на припущенні:

система точно визначить, чи текст написаний AI.

Надійніше проєктувати assessment так, щоб authorship одного artifact взагалі не був єдиним evidence.

Тому ключова стратегія:

capability verification instead of artifact policing.

64. Process Assurance

Після adversarial evaluation у reference architecture було додано:

Process Assurance

Його мета — визначити, наскільки надійно відомі умови створення evidence.

Можливі signals:

• 
  supervised environment;

• 
  authenticated session;

• 
  live task;

• 
  signed observation;

• 
  oral defence;

• 
  independent process attestation.

Система не повинна робити вигляд, що невідому provenance можна «вгадати».

65. Identity Assurance

Ще одна важлива проблема:

два різні assessor IDs не обов'язково означають двох незалежних людей.

Тому QWP розділяє:

identifier uniqueness

та:

identity assurance.

Для high-stakes assessment незалежність evaluator повинна спиратися не лише на strings A123 і A124.

66. Fraud threat model

Qualification Web повинен вважати adversarial behaviour нормальною властивістю high-stakes systems.

Базові threats:

forged evidence

identity substitution

revoked credential

unauthorized assessor

hidden conflict

assessor collusion

duplicate identity

evidence replay

stale competence

manipulated portfolio

hidden AI substitution

false authority

version manipulation

Це не означає, що QWP може автоматично виявити всі fraud types.

Навпаки, good architecture повинна розрізняти:

detectable

і:

not observable from available data.

67. Revocation

Evidence, authority та credentials можуть змінити status після qualification decision.

Наприклад:

assessor authorization revoked.

або:

evidence later confirmed fraudulent.

Тому qualification proof не повинен вважатися незмінним «назавжди істинним» object.

Reference architecture підтримує status checking і re-evaluation.

68. Replayability

Будь-який machine-derived decision повинен бути replayable.

Для цього зберігаються:

QWP version

Specification version

Proof version

Decision rule version

Engine version

Evaluation date

Тоді можна повторити:

чому саме 25 вересня 2026 року система дала PASS?

Це важливо як для audit, так і для science.

69. Determinism

Для machine-rule portion:

same input

+

same rules

+

same versions

+

same evaluation time

=

same machine result

Human judgment зберігається як explicit input.

Це дозволяє розділити:

машинну відтворюваність

і:

людську варіативність.

70. Academic Conformance

QCE завершується:

Academic Conformance Decision

Наприклад:

Qualification:

Master-Level Psychology v1.0

Academic Conformance:

PASS

На цьому QCE зупиняється.

Він не видає degree.

71. Awarding

Наступний шар:

Awarding Authority

Питання:

чи має конкретна organization юридичне право присудити qualification?

Відповідь походить не від QWP, а від applicable governance/legal system.

Тому:

Academic PASS

не означає:

Degree issued

72. Recognition

Ще один окремий процес:

чи буде вже присуджена qualification визнана в іншій institution або jurisdiction?

Це знову інший decision.

Тому найважливіша формула:

Academic conformance ≠ Award ≠ Recognition ≠ Professional licence

73. Recognition Adapter

QWP використовує концепцію:

Recognition Profile / Adapter

Його функція — не автоматично проголосити equivalence, а структурувати питання.

Наприклад:

Target jurisdiction: England

Academic conformance:

PASS

Authorized award:

Not established

Degree-awarding authority:

Required

Professional authorization:

Not evaluated

Це значно безпечніше, ніж:

«Equivalent to UK Master's — YES.»

74. Recognition of Prior Learning як перший практичний міст

Найреалістичніший шлях застосування QWP сьогодні — не самостійна видача degree.

Це:

Recognition of Prior Learning — RPL

Сценарій:

Candidate

|

external evidence

|

QWP structured proof

|

University

|

RPL decision

|

credit / exemption / admission

Університет зберігає authority.

QWP покращує evidence infrastructure.

Це дозволяє впроваджувати систему без очікування глобальної реформи законодавства.

75. Registry

Qualification Web як верхній шар потребує не лише QWP.

Другий компонент:

Qualification Registry

Registry відповідає:

що це за qualification або framework object?

Але він не повинен конкурувати з великими існуючими registries.

CTDL/Credential Registry уже має багатий linked-data простір для credentials, competencies та pathways.

Тому Qualification Web Registry може:

• 
  зберігати canonical QW records;

• 
  посилатися на authoritative external records;

• 
  додавати proof/conformance metadata.

76. Resolver

Resolver відповідає на запит:

What does identifier X mean?

Наприклад:

qw:qualification:mpsy-level7

може resolve до canonical machine-readable representation.

Це важливо для AI systems та interoperability.

77. Compare

Compare layer не повинен говорити:

Qualification A = Qualification B

лише через однаковий level.

Натомість він порівнює dimensions:

• 
  level;

• 
  field;

• 
  outcomes;

• 
  research requirements;

• 
  practice;

• 
  assessment;

• 
  framework alignment;

• 
  authorization context.

Результат:

similarity

difference

unknown

additional requirement

а не необґрунтована equivalence.

78. API

Qualification Web має бути доступний не лише через human website.

Основні operations:

lookup

resolve

compare

validate

evaluate

explain

gaps

recognition-profile

Це дозволяє іншим systems використовувати QW як infrastructure.

79. Agent Layer

У майбутньому значну частину interaction з qualification data можуть виконувати AI agents.

Наприклад користувач питає:

I have a Ukrainian history degree, professional experience and several online certificates. What is missing for qualification X?

Agent може:

1. 
   resolve qualification;

2. 
   obtain requirements;

3. 
   map user evidence;

4. 
   request QCE;

5. 
   return gaps;

6. 
   separately identify legal recognition questions.

Таким чином Qualification Web стає не лише website, а:

agent-readable qualification infrastructure.

80. Machine readability

Для машинного читання architecture використовує:

JSON

для practical exchange;

JSON-LD

для semantics;

JSON Schema

для syntax validation;

SHACL

для semantic constraints;

PROV

для provenance;

W3C VC

для credential envelope.

Це забезпечує важливий принцип:

QWP додає semantics, а не винаходить базові Web primitives наново.

81. Qualification Web і Semantic Web

Цільовий стан:

людина може читати:

Master-Level Psychology requires...

AI може читати:

qualification.level = 7

і linked-data system може розуміти:

requirement X

alignedTo

external competency Y

Таким чином одна knowledge base має human і machine representations.

82. Архітектурний принцип «single source of truth»

Website, API і agent interface не повинні мати три різні набори facts.

Правильна схема:

Canonical Registry / Specification

|

+-- Human Web

|

+-- API

|

+-- AI Agent

Це зменшує semantic drift.

83. Versioning

Кожна machine-readable specification має version.

Наприклад:

QWP 1.0 Candidate

Psychology Benchmark 1.0

Якщо requirement змінюється, створюється нова version.

Стара qualification decision залишається прив'язаною до старої version.

Це принципово для auditability.

84. Governance

Жодна технічна система не вирішує проблему довіри лише кодом.

Потрібні governance rules.

Qualification Web у зрілій формі потребує принаймні таких ролей:

Protocol Steward

підтримує QWP.

Scheme Owners

визначають qualification specifications.

Assessment Providers

організовують assessment.

Quality Assurance Bodies

контролюють processes.

Awarding Authorities

мають legal power.

Recognition Authorities

приймають recognition decisions.

Appeals Mechanisms

переглядають disputes.

85. Чому одна компанія не повинна контролювати все

Якщо одна організація:

• 
  створює qualification rules;

• 
  навчає;

• 
  оцінює;

• 
  контролює assessors;

• 
  видає credential;

• 
  сама себе акредитує;

• 
  сама визнає власний credential,

то QWP лише відтворить проблему institutional concentration в новій формі.

Тому system design повинен дозволяти role separation.

Але не обов'язково вимагати фізично різні організації в кожному випадку.

86. Open standard philosophy

Qualification Web найбільш корисний тоді, коли core specification доступна для незалежної реалізації.

Це означає:

успіх стандарту — не коли всі використовують один website.

Успіх:

коли різні systems можуть розуміти той самий qualification proof.

Таким чином QWP за своєю природою ближчий до Web infrastructure, ніж до традиційного EdTech SaaS.

87. Reference implementation

Для перевірки теорії було створено reference implementation.

Воно не претендує на production-scale deployment.

Його функція:

продемонструвати, що architecture достатньо формальна, щоб її можна було виконувати.

Reference engine підтримує основні operations:

validate

evaluate

explain

gaps

88. Validate

validate відповідає:

чи structurally valid Qualification Proof?

Перевіряються:

• 
  schema;

• 
  identifiers;

• 
  references;

• 
  mandatory fields;

• 
  semantic dependencies.

89. Evaluate

evaluate відповідає:

який academic conformance result випливає з proof?

Результат:

PASS

FAIL

INDETERMINATE

90. Explain

explain показує reasoning path.

Наприклад:

PSY-METH-02

NOT_SUPPORTED

Reason:

Required independent quantitative assessment absent.

Explainability є core functionality, а не UI decoration.

91. Gaps

gaps повертає unsatisfied requirements.

Це робить QWP потенційно корисним для:

• 
  RPL;

• 
  admissions;

• 
  learning planning;

• 
  qualification bridging.

92. Метод дослідження

Після побудови architecture потрібно було перевірити:

чи система поводиться відповідно до власних правил?

Було використано Design Science evaluation.

Основні напрямки:

functional testing

synthetic qualification cases

adversarial cases

provider-neutrality tests

cross-domain tests

regression testing

93. Чому synthetic evaluation

Реальні student data на ранній фазі створювали б:

• 
  privacy constraints;

• 
  ethics approval;

• 
  sample-selection problems;

• 
  institutional dependency.

Водночас багато фундаментальних software/design properties можна перевірити без real students.

Наприклад:

чи unauthorized assessor спричиняє FAIL?

чи missing mandatory requirement виявляється?

чи два equivalent proofs дають однаковий result?

чи dangling reference робить proof invalid?

Для таких питань synthetic testing є доречним.

94. Але synthetic evaluation має межу

Synthetic candidate не відчуває anxiety.

Не має cultural background.

Не може зіткнутися з unfair task design.

Не має real employer outcome.

Не може показати predictive validity.

Тому synthetic evaluation тестує:

architecture

а не:

людську освіту як таку.

Це принципова distinction.

95. Domain benchmarks

Щоб architecture не залишалася абстрактною, було створено три різні qualification domains:

Psychology

високий рівень methodological, ethical та human-judgment requirements.

Computer Science

поєднання formal, technical, design та project evidence.

Business and Management

інтегративні рішення, strategy, analysis та professional judgment.

Якби для кожного domain потрібно було переписувати core engine, hypothesis of domain independence була б ослаблена.

96. Psychology Benchmark

Psychology було обрано як перший domain.

Не як licence to practise psychology.

А як:

Academic Master-Level Psychology Benchmark

Він включає requirements із:

• 
  advanced knowledge;

• 
  research methods;

• 
  quantitative reasoning;

• 
  qualitative reasoning;

• 
  psychometrics;

• 
  ethics;

• 
  critical thinking;

• 
  communication;

• 
  autonomy;

• 
  integrative capstone.

97. Integrative Capstone

Особливе значення має Capstone.

Його мета — перевірити проблему «atomization».

Candidate повинен продемонструвати:

Knowledge

+

Method

+

Ethics

+

Judgment

+

Communication

+

Autonomy

в одному integrated performance.

98. Professional boundary

Навіть якщо Psychology Benchmark = PASS:

ProfessionalAuthorization = NOT_ESTABLISHED

Це правильно.

Academic Master-level achievement не є автоматично licence to practise regulated profession.

99. Adversarial evaluation

Тестовий corpus навмисно включав не лише правильні cases, а attacks:

• 
  duplicate graph identifiers;

• 
  assessor alias;

• 
  hidden collusion;

• 
  missing authority;

• 
  revoked evidence;

• 
  wrong versions;

• 
  identity mismatch;

• 
  hidden AI-related process uncertainty.

Мета була:

не підтвердити architecture, а знайти, де вона ламається.

100. Design revision loop

Після виявлення failure architecture змінювалася.

Це центральна логіка Design Science:

Design

↓

Test

↓

Failure

↓

Revision

↓

Retest

а не:

Design

↓

Declare success

101. Важливий epistemic principle

У системі довіри найнебезпечніша помилка:

видавати unknown за verified.

Тому QWP віддає перевагу:

INDETERMINATE

замість фальшивої certainty.

Це особливо важливо для:

• 
  hidden identity;

• 
  AI use;

• 
  recognition;

• 
  foreign law;

• 
  ambiguous evidence.

102. Технічна простота як перевага

Для такого проєкту легко створити складну blockchain/AI architecture.

Це не обов'язково було б покращенням.

QWP навмисно починає з простих Web technologies:

JSON

HTTP

linked data

deterministic rules

versioned specifications

existing credential standards.

Мета:

мінімальна нова infrastructure, необхідна для нового function.

103. Чому це важливо для adoption

Університету простіше інтегрувати:

JSON evidence package

ніж:

перейти на абсолютно новий blockchain із власною identity economy.

Практична архітектура повинна мінімізувати switching cost.

104. Архітектурна формула системи

Найкоротше всю architecture можна записати так:

Qualification =

Requirements

+

Evidence

+

Assessment

+

Valid Inference

+

Authority

+

Human Judgment where necessary

+

Conformance

А degree:

Recognized Degree =

Qualification Conformance

+

Authorized Award

+

Applicable Recognition Rules

105. Найглибший наслідок

Якщо architecture працює, змінюється сам conceptual object освіти.

Замість:

degree belongs to institution

можна перейти до:

qualification is a justified status of a person, recognized through institutions.

Це тонка, але фундаментальна різниця.

106. Університет після Qualification Web

Університет не зникає.

Він може стати сильнішим у тому, де institution справді має перевагу:

• 
  research laboratories;

• 
  mentorship;

• 
  communities;

• 
  advanced practice;

• 
  collaboration;

• 
  supervision;

• 
  intellectual culture.

Але слабшає його monopoly на:

визнання learning, яке відбулося поза його стінами.

107. Потенційна нова структура вищої освіти

У довгостроковому сценарії:

Learn anywhere

↓

Demonstrate capability

↓

Independent / institution-based assessment

↓

Qualification Proof

↓

Conformance

↓

Authorized award

↓

Recognition

Людина може використати університет на будь-якому з етапів.

Але не обов'язково на всіх.

108. Висновок другої частини

Qualification Web не є спробою оцифрувати традиційний диплом.

Його архітектурна мета значно глибша:

зробити видимою структуру довіри, яка сьогодні значною мірою прихована всередині institution.

Для цього qualification розкладається на:

requirement, claim, evidence, assessment, validity, authority, judgment та conformance.

Проте ця декомпозиція не означає, що всі рішення автоматизуються.

Навпаки:

машина повинна автоматизувати формальне, людина — судити там, де потрібне судження, а система — чітко показувати різницю між ними.

Qualification Web тому не є ні «AI university», ні credential wallet, ні database degrees.

Він є:

evidence-to-qualification trust infrastructure.

Саме цю архітектуру було реалізовано у reference system і піддано synthetic та adversarial evaluation.

Наступна частина дисертації переходить від питання:

«Як система повинна працювати?»

до значно небезпечнішого для будь-якої теорії питання:

«Що сталося, коли ми спробували її зламати?»

ЧАСТИНА III

ЕКСПЕРИМЕНТАЛЬНА ПЕРЕВІРКА QUALIFICATION WEB

109. Від архітектури до спроби її спростувати

Створення логічно переконливої архітектури ще не означає створення працездатної системи.

Можна написати сотні сторінок specification, яка:

• 
  суперечить сама собі;

• 
  пропускає invalid evidence;

• 
  по-різному оцінює однакових кандидатів;

• 
  приховує невизначеність;

• 
  не витримує adversarial inputs;

• 
  працює лише для однієї дисципліни.

Тому після проєктування QWP було поставлено інше питання:

Що станеться, якщо ми перестанемо пояснювати, чому система повинна працювати, і спробуємо систематично знайти ситуації, у яких вона працювати не буде?

Саме це стало метою експериментальної фази.

110. Що саме перевіряється

Експерименти не ставили завдання довести:

QWP створює кращих психологів, програмістів або менеджерів.

Для такого висновку потрібні реальні учасники, longitudinal data, external criteria та незалежні validity studies.

На цьому етапі перевірялись інші властивості:

1. Logical consistency
Чи однакові правила застосовуються однаково?

2. Provider neutrality
Чи learning pathway впливає на результат там, де він не повинен впливати?

3. Traceability
Чи можна відтворити причину рішення?

4. Failure handling
Чи система здатна сказати INDETERMINATE, а не вигадувати впевненість?

5. Adversarial robustness
Що відбувається з corrupted, fraudulent або ambiguous inputs?

6. Cross-domain portability
Чи core engine працює за межами Psychology?

7. Regression stability
Чи виправлення однієї помилки не руйнує попередню функціональність?

111. Чому використовувалися синтетичні кандидати

Початкова evaluation була навмисно синтетичною.

Це дозволило точно контролювати:

• 
  які competencies кандидат має;

• 
  яких evidence бракує;

• 
  де authority revoked;

• 
  де існує conflict;

• 
  які inputs навмисно malformed;

• 
  який output повинен вважатися очікуваним.

Такий дизайн особливо корисний для перевірки інфраструктури прийняття рішень.

Наприклад, щоб перевірити правило:

revoked assessor authority не повинна підтримувати high-stakes claim,

нам не потрібна тисяча реальних студентів.

Можна створити контрольований case, у якому це єдина змінена умова.

112. Але simulation не є реальністю

Ця перевага одночасно є головним обмеженням.

Synthetic candidate:

• 
  не відчуває anxiety;

• 
  не має культурного контексту;

• 
  не може бути дискримінований погано спроєктованим assessment;

• 
  не змінює поведінку через stakes;

• 
  не має реального професійного performance;

• 
  не створює непередбачуваних стратегій gaming системи.

Simulation research дозволяє контролювати змінні, але її штучність обмежує external validity; переносимість результатів у реальний світ потребує окремої перевірки.

Тому весь цей розділ слід читати як:

evaluation of the architecture

а не:

validation of human competence measurement.

113. Значення validity і fairness

Для реального credentialing недостатньо знати, що software працює без помилок.

Міжнародно впливові Standards for Educational and Psychological Testing розглядають validity, reliability та fairness як центральні основи якісного assessment; fairness охоплює не лише однакове ставлення, а й відсутність construct-irrelevant barriers та обґрунтованість інтерпретації результатів для різних examinees.

Отже:

software validity ≠ assessment validity.

Система може безпомилково виконати неправильне правило.

Це одна з найважливіших меж нашого експерименту.

114. Перший експериментальний корпус

Для QWP v0.3 було створено:

1 000 synthetic qualification cases

Корпус був навмисно неоднорідним.

Приблизна структура:

Тип

Кількість

Expected PASS

400

Expected FAIL

200

Expected INDETERMINATE

200

Adversarial / challenge