Провайдер-незалежна архітектура відповідності у вищій освіті

Проєкт наукової статті

Анотація

Кваліфікації у вищій освіті традиційно присуджуються в межах інституційно централізованих процесів, де навчання, оцінювання, забезпечення якості та видача кваліфікаційних документів значною мірою поєднані в межах однієї організації. Цифрові кваліфікаційні документи, рамки компетентностей, визнання попереднього навчання та штучний інтелект дедалі сильніше ставлять під сумнів припущення, що ці функції повинні залишатися нероздільними.

У цій статті представлено Qualification Web та його технічне ядро — Qualification Web Protocol (QWP) — як провайдер-незалежну архітектуру переходу від доказів до висновку про відповідність кваліфікації.

Запропонована модель не намагається замінити наявні стандарти цифрових credentials, кваліфікаційні рамки чи юридично уповноважені органи присудження кваліфікацій. Натомість вона вводить окремий рівень між освітніми доказами та остаточним кваліфікаційним рішенням.

Центральна послідовність має такий вигляд:

Специфікація кваліфікації → Твердження → Докази → Оцінювання → Аргумент валідності → Повноваження → Доказ кваліфікації → Рішення про відповідність.

Юридичне присудження, визнання та професійне уповноваження залишаються окремими процесами.

Архітектуру розроблено на основі методології Design Science Research та реалізовано у вигляді референсного QWP Conformance Engine (QCE), машинозчитуваних специфікацій кваліфікацій, Qualification Registry, Resolver, API та agent-oriented interface.

Експериментальна перевірка включала 1 192 синтетичні кваліфікаційні кейси у трьох предметних областях: Psychology, Computer Science та Business & Management. Початкове adversarial evaluation на 1 000 кейсах дало 94% збігів із заздалегідь визначеними очікуваними результатами та виявило 60 навмисно закладених blind spots, пов’язаних із дубльованими ідентифікаторами, неоднозначністю identity оцінювачів і незадекларованим використанням AI. Ці failures стали підставою для перегляду архітектури та введення жорсткішого контролю унікальності graph identifiers, identity assurance та process assurance. Після revision повторний regression test збігся із synthetic oracle для всіх 1 000 початкових кейсів. Додаткові 192 cross-domain cases були оцінені без зміни core conformance engine.

Результати підтримують тезу про технічну здійсненність представлення кваліфікаційного рішення як аудиторної, провайдер-незалежної структури доказів. Вони не доводять психометричної валідності, реальної справедливості, інституційного прийняття або еквівалентності державним ступеням.

У статті аргументується, що найбільш захищеним і практичним раннім застосуванням архітектури є не автономне присудження ступенів, а визнання попереднього навчання, перезарахування кредитів, вступ, а також оцінювання зовнішніх доказів компетентності.

Ключові слова: кваліфікація, вища освіта, визнання попереднього навчання, цифрові credentials, assessment, evidence, educational interoperability, Design Science Research, artificial intelligence, verifiable credentials.

1. Вступ

Цифрові технології суттєво знизили вартість доступу до освітньої інформації.

Сьогодні людина може здобувати знання через університети, онлайн-курси, професійну практику, відкриті освітні ресурси, приватних наставників, професійні спільноти та дедалі потужніші системи штучного інтелекту.

Однак доступ до навчання — лише одна з функцій вищої освіти.

Залишається складніше питання:

Як суспільство може визначити, що людина справді досягла рівня знань, компетентності, автономності та професійного судження, який відповідає певній кваліфікації?

Історично університет значною мірою розв’язував цю проблему інституційно.

Одна й та сама організація зазвичай:

• 
  приймає здобувача;

• 
  визначає навчальну програму;

• 
  забезпечує навчання;

• 
  проводить оцінювання;

• 
  фіксує результати;

• 
  здійснює забезпечення якості;

• 
  присуджує остаточну кваліфікацію.

Це створює потужний короткий шлях довіри:

Університет присудив ступінь — отже кваліфікацію приймають як таку, що існує.

Проте така інституційна зв’язка не обов’язково тотожна логічній структурі самої кваліфікації.

Визнання попереднього навчання вже ґрунтується на припущенні, що релевантне навчання може відбуватися поза формальною програмою, у якій кваліфікація пізніше буде визнана. Cedefop визначає validation як підтвердження уповноваженим органом того, що людина набула learning outcomes, які оцінено щодо певного стандарту, і прямо визнає значущість формального, неформального та informal learning.

На міжнародному рівні UNESCO Global Convention також визнає prior learning та non-traditional learning modes, зберігаючи водночас роль компетентних органів визнання та національних правил.

Отже центральна дослідницька проблема полягає не в тому, чи може навчання відбуватися поза університетом. Це вже очевидно.

Глибше питання звучить так:

Чи може доказова основа кваліфікації сама по собі бути представлена, оцінена та перевірена незалежно від установи, в якій відбувалося навчання?

Ця стаття пропонує одну з можливих відповідей.

2. Наявна інфраструктура та відсутній рівень

Запропонована архітектура не створюється у технологічному вакуумі.

Вже існує значна interoperability infrastructure.

2.1. Представлення компетентностей

Стандарт Competencies and Academic Standards Exchange (CASE) від 1EdTech забезпечує стандартизований механізм обміну learning standards, competencies, skills, relationships між competencies та rubrics.

Отже новій архітектурі кваліфікацій не потрібно винаходити ще одну загальну мову компетентностей.

2.2. Опис credentials та registries

Credential Transparency Description Language (CTDL) від Credential Engine надає linked-data vocabularies для опису credentials, assessments, competencies, pathways, learning opportunities та пов’язаних ресурсів.

Credential Registry підтримує машинозчитувану публікацію та використання цих ресурсів.

Тому відкрите питання полягає не просто в тому:

Як описати credential?

2.3. Європейська освітня interoperability

European Learning Model (ELM) призначений для interoperability між learning opportunities, qualifications, accreditation та credentials.

Він охоплює formal, non-formal та informal learning і пов’язаний із європейською кваліфікаційною інфраструктурою.

Отже Qualification Web не повинен створювати конкуруючу європейську модель освітніх даних.

2.4. Verifiable digital credentials

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

Цей стандарт дозволяє представляти claims issuers у machine-readable та cryptographically verifiable ecosystem, до якої входять issuers, holders і verifiers.

Він розв’язує важливу проблему:

Чи справжній credential і чи не було його підроблено або змінено?

Але автентичність не тотожна освітній валідності.

Справжній цифровий credential може засвідчувати слабке assessment.

Справжнє assessment може вимірювати неправильний construct.

Компетентний assessor може мати conflict of interest.

Набір справжніх microcredentials може не доводити інтегровану компетентність Master-level.

Отже:

Автентичність credential може бути необхідною умовою, але вона недостатня для обґрунтування відповідності кваліфікації.

3. Дослідницький розрив

Наявні інфраструктури здатні описувати:

• 
  qualifications;

• 
  competencies;

• 
  credentials;

• 
  issuers;

• 
  assessments;

• 
  pathways;

• 
  accreditation;

• 
  learning outcomes.

Проте залишається недостатньо явним ланцюг обґрунтування, який поєднує ці елементи з кваліфікаційним рішенням.

Центральне питання:

Чому саме ця сукупність доказів є достатньою підставою для висновку, що ця конкретна людина відповідає цій конкретній кваліфікаційній специфікації?

Qualification Web розглядає це як проблему переходу від evidence до decision.

Запропонований внесок полягає не у створенні нового credential container, нової database competencies або нової blockchain infrastructure.

Йдеться про:

qualification conformance layer — рівень перевірки відповідності кваліфікації.

4. Концептуальна модель

Запропонована архітектура розділяє qualification process на такий ланцюг:

Qualification Specification

↓

Claims

↓

Evidence

↓

Assessment

↓

Validity Argument

↓

Authority and Quality Assurance

↓

Qualification Proof

↓

Conformance Decision

Лише після цього відбуваються юридично відмінні процеси:

Authorized Award

↓

Recognition

↓

Professional Authorization, якщо воно необхідне.

Це формує фундаментальну відмінність:

Academic conformance ≠ legal award ≠ recognition ≠ professional authorization.

Таке розділення є принциповим.

Наприклад, в Англії provider повинен мати degree-awarding powers, щоб законно присуджувати degrees.

Отже software system не може перетворити внутрішньо обчислений PASS на юридично визнаний Master's degree лише через твердження про еквівалентність.

5. Qualification Specification

Qualification Specification визначає, що саме повинно бути продемонстровано.

Це не те саме, що syllabus.

Syllabus відповідає:

Що викладатиметься?

Qualification Specification:

Що повинно бути достатньо доведено, щоб qualification могла вважатися виконаною?

Спрощена структура:

QualificationSpecification

id

title

version

field

level

requirements

assessment_constraints

integrative_requirements

decision_rules

Versioning є обов’язковим.

Candidate, оцінений за Specification 1.2, не повинен пізніше бути представлений так, ніби його рішення приймалося за Specification 2.0.

6. Claims, Evidence та Assessment

Кожна qualification requirement трансформується в одне або декілька явних claims.

Наприклад:

Кандидат здатний самостійно спроєктувати та критично захистити складне психологічне дослідження.

Evidence може включати:

• 
  research design;

• 
  statistical analysis;

• 
  oral defence;

• 
  code;

• 
  project artifact;

• 
  simulation;

• 
  professional performance;

• 
  research contribution.

Однак:

Evidence не інтерпретує себе самостійно.

Дослідницький звіт на 10 000 слів автоматично не доводить research competence.

Саме тому архітектура інтегрує логіку Evidence-Centered Design.

Mislevy, Almond і Lukas описують assessment design через зв’язок між тим, що ми хочемо стверджувати про learner, який evidence підтримує цей inference, і які tasks повинні створити відповідну observable performance.

Qualification Web переносить цю логіку з рівня окремого assessment на рівень всієї qualification.

7. Рівень валідності

Одне з ключових design decisions — розділити:

evidence integrity

і:

validity inference, який робиться на основі evidence.

Розглянемо гіпотетичний приклад.

Candidate проходить автентифікований multiple-choice examination.

Система може встановити:

• 
  identity кандидата підтверджено;

• 
  examination record справжній;

• 
  score правильно обчислений.

Однак це ще не означає, що examination валідно вимірює advanced therapeutic interviewing competence.

Отже проблема полягає не лише в тому:

Чи справжній цей evidence?

а:

Чи дозволяє цей evidence зробити саме такий висновок для саме такого qualification decision?

Ця відмінність відповідає сучасним принципам assessment science, де validity, reliability, fairness та appropriateness of interpretation є центральними характеристиками якісного testing та credentialing.

Тому QWP вводить окремий Validity Argument між observed evidence та competence claim.

8. Людське експертне судження

Архітектура не намагається ліквідувати human judgment.

Це особливо важливо для:

• 
  ethical reasoning;

• 
  professional judgment;

• 
  integrated capstone evaluation;

• 
  artistic performance;

• 
  doctoral originality;

• 
  ambiguous evidence.

Натомість human judgment стає окремою auditable event.

HumanJudgmentEvent може фіксувати:

reviewers

criteria

evidence_reviewed

individual_judgments

disagreement

adjudication_method

final_rationale

Таким чином human judgment перестає бути невидимою внутрішньою частиною institution і стає явним компонентом Qualification Proof.

9. Qualification Proof та QWP Conformance Engine

Доказова структура представлена як Qualification Proof.

Концептуально її можна розглядати як graph, який пов’язує:

• 
  candidate;

• 
  qualification requirements;

• 
  claims;

• 
  evidence objects;

• 
  assessment events;

• 
  validity arguments;

• 
  assessor identities;

• 
  authority records;

• 
  human judgments;

• 
  final decision.

Референсна реалізація використовує QWP Conformance Engine (QCE).

Спрощена функція:

QCE(Proof, Specification, Rules, Time) -> Decision

Основні qualification-level decisions:

PASS

FAIL

INDETERMINATE

Стан INDETERMINATE є принципово важливим.

Trustworthy system повинна відрізняти:

кандидат не виконав requirement

від:

система наразі не має достатнього обґрунтованого evidence, щоб зробити висновок.

10. Provider Neutrality

Центральна нормативна властивість системи — provider neutrality.

Якщо два candidates мають еквівалентний qualification-relevant evidence за еквівалентних assessment та assurance conditions, результат не повинен відрізнятися лише через те, що один навчався в conventional university, а інший — через multiple providers, професійний досвід, self-directed study або AI-assisted learning.

У спрощеному вигляді:

Equivalent qualification evidence

->

Equivalent academic conformance decision

Це не означає context blindness.

Наприклад, якщо supervised professional practice є частиною construct, self-study не може бути просто оголошене еквівалентним.

Provider neutrality означає:

institutional provenance повинно мати значення лише тоді, коли воно educationally, evidentially або legally relevant.

11. Метод

11.1. Design Science Research

Дослідження здійснювалося в логіці Design Science Research.

Peffers та співавтори описують DSRM через шість activities:

1. 
   problem identification and motivation;

2. 
   objectives for a solution;

3. 
   design and development;

4. 
   demonstration;

5. 
   evaluation;

6. 
   communication.

Основними artifacts у цьому дослідженні стали:

• 
  Qualification Web Protocol;

• 
  Qualification Proof model;

• 
  QWP Conformance Engine;

• 
  machine-readable qualification specifications;

• 
  Psychology benchmark;

• 
  Computer Science benchmark;

• 
  Business & Management benchmark;

• 
  adversarial test corpus;

• 
  Qualification Registry;

• 
  Resolver;

• 
  REST API;

• 
  agent-oriented interface.

11.2. Synthetic evaluation

Початкова evaluation була спрямована на architecture properties, які можна перевірити без human participants:

• 
  rule consistency;

• 
  structural validity;

• 
  provider neutrality;

• 
  decision traceability;

• 
  failure handling;

• 
  adversarial robustness;

• 
  cross-domain reuse.

Отже це не є psychometric validation benchmark qualifications.

12. Експеримент 1: 1 000 синтетичних кваліфікаційних кейсів

Було створено structured synthetic corpus із:

1 000 cases

Структура:

• 
  400 expected PASS;

• 
  200 expected FAIL;

• 
  200 expected INDETERMINATE;

• 
  200 adversarial або challenge cases.

У межах PASS population було створено 100 matched groups.

У кожній групі було по чотири candidates з еквівалентним qualification-relevant evidence, але різними learning histories:

1. 
   traditional university;

2. 
   distributed providers;

3. 
   self-directed learning;

4. 
   AI-assisted learning.

Таким чином 400 cases напряму перевіряли provider neutrality.

13. Навмисно закладені blind spots

60 adversarial cases спеціально були спроєктовані для exploitation limitations QWP v0.3:

• 
  20 duplicate-identifier cases;

• 
  20 assessor-alias / hidden-collusion cases;

• 
  20 undeclared-AI cases.

Це було зроблено навмисно.

Система, протестована лише на cases, які вже відповідають її assumptions, дає слабкий evidence robustness.

14. Початкові результати

QWP v0.3 дала очікуваний результат у:

940 з 1 000 cases

тобто:

94%

У defined corpus було:

• 
  60 insufficiently cautious / false-acceptance-type outcomes;

• 
  0 false rejections.

Усі 60 errors припали на три навмисно спроєктовані blind-spot families.

Серед 940 cases, де необхідна інформація була observable у моделі, QCE відтворив predefined expected output для всіх 940.

Цей показник не слід трактувати як оцінку accuracy для реальної population.

Corpus і expected outcomes створювалися в межах тієї самої research programme.

Тому правильніше трактувати його як:

conformance-consistency test.

15. Результат Provider Neutrality

Усі:

100 із 100 matched groups

дали provider-neutral decisions.

Тобто traditional, distributed, self-directed та AI-assisted pathways не змінювали result, коли qualification-relevant evidence залишався еквівалентним.

Це підтримує вузьке твердження:

provider neutrality успішно реалізована як invariant reference architecture.

Але це не доводить, що real-world assessors або institutions поводитимуться так само нейтрально.

16. Blind Spot 1: Duplicate Identifiers

Перший failure показав просту structural flaw.

Якщо два objects мають однаковий identifier, Qualification Proof перестає забезпечувати unambiguous references.

У QWP v0.4 тому введено strict uniqueness invariant.

Duplicate IDs тепер спричиняють:

INVALID_PROOF

а не normal evaluation.

17. Blind Spot 2: Assessor Identity

Другий failure виявився концептуально важливішим.

Два різні assessor identifiers не гарантують, що це дві різні незалежні людини.

Отже:

Assessor_ID_A != Assessor_ID_B

не означає автоматично:

Independent_Humans = 2

Архітектуру було переглянуто так, щоб розділити:

identifier uniqueness

і:

identity assurance.

Для high-stakes independence claims тепер потрібна сильніша основа, ніж просто підрахунок різних IDs.

18. Blind Spot 3: Undeclared AI

Третій failure стосувався evidence, створеного з незадекларованою AI assistance.

Ключовим висновком стало не те, що системі потрібен AI detector.

Сильніший висновок:

Система не може надійно вивести прихований факт, якого немає в observable evidence, лише тому, що designer хотів би його знати.

Тому було введено Process Assurance.

Замість спроби довести, що AI був відсутній, система шукає сильніший evidence того, що candidate особисто володіє заявленою capability.

Можливі механізми:

• 
  oral defence;

• 
  unseen transfer task;

• 
  authenticated live task;

• 
  supervised performance;

• 
  modification challenge.

Це формує ширший принцип:

Перевіряти людську компетентність, а не лише контролювати авторство artifact.

19. QWP v0.4 Regression Evaluation

Після цих revision початковий 1 000-case corpus було запущено повторно.

Revised system збіглася із synthetic oracle для:

1 000 з 1 000 cases

Adversarial subset:

200 з 200

Provider-neutral matched groups:

100 зі 100

Однак ці результати потрібно трактувати як:

successful regression closure

а не як доказ того, що real-world qualification decisions мають 100% accuracy.

Architecture було змінено саме у відповідь на ці test cases.

20. Cross-Domain Evaluation

Другим великим ризиком було domain overfitting.

Початковий benchmark стосувався Psychology.

Щоб перевірити, чи QCE не залежить від psychology-specific logic, було створено ще дві benchmark specifications:

• 
  Computer Science;

• 
  Business & Management.

Принципово важливо:

core conformance engine не переписувався.

Змінювалися лише:

• 
  domain specifications;

• 
  claims;

• 
  evidence expectations;

• 
  assessment designs.

Додаткові:

192 synthetic cases

були оцінені у двох нових domains.

Reference implementation відтворив усі predefined expected outcomes.

Ще 40 provider-neutral matched groups також залишилися internally consistent.

Таким чином загальна controlled evaluation охопила:

1 192 synthetic cases у трьох academic domains.

21. Інтерпретація результатів

Експерименти підтримують кілька обмежених, але важливих висновків.

Підтримано

Дослідження показує, що:

1. 
   qualification requirements можна представляти у machine-readable executable forms;

2. 
   evidence та assessment data можна компонувати у qualification proofs;

3. 
   formalizable parts qualification decisions можна оцінювати reproducibly;

4. 
   provider neutrality може бути реалізована як testable system property;

5. 
   human judgment може залишатися explicit і не бути silently automated;

6. 
   одна core conformance architecture може працювати щонайменше у трьох academic domains у controlled environment;

7. 
   architectural failures можна знаходити через adversarial testing і переводити у revised design constraints.

Не встановлено

Дослідження не доводить:

• 
  real-world psychometric validity;

• 
  inter-rater reliability реальних assessors;

• 
  fairness між demographic або linguistic groups;

• 
  predictive validity для employment або professional performance;

• 
  cost-effectiveness;

• 
  institutional acceptance;

• 
  regulatory acceptance;

• 
  superiority над conventional higher education.

Це розмежування є центральним для наукової інтерпретації результатів.

22. Визнання та правові межі

Архітектура навмисно зупиняється до sovereign або regulatory decisions.

UNESCO Global Convention встановлює принципи fair та transparent recognition і прямо враховує prior learning та non-traditional learning modes, але recognition залишається в компетенції відповідних органів та національних систем.

Так само degree-awarding powers в England є regulatory authority, а не computational inference.

Тому система використовує принцип:

Global proof; local authority.

Qualification Web може структурувати evidence.

Може підтримувати decision.

Але не призначає себе юридично уповноваженим decision-maker.

23. Практичний шлях впровадження

Найсильнішим near-term application є не autonomous degree issuance.

Це:

Recognition of Prior Learning — RPL.

Cedefop описує validation prior learning через broad phases:

identification → documentation → assessment → certification

і зазначає, що validation може підтримувати access, credits, exemptions, а в деяких системах — частину або всю qualification.

Qualification Web потенційно може посилити documentation та assessment infrastructure такого процесу.

Найреалістичніший перший institutional study — shadow evaluation:

Real applicant evidence

|

+--> normal institutional RPL panel

|

+--> QWP structured evaluation

Потім порівнюються:

• 
  agreement;

• 
  time;

• 
  assessor burden;

• 
  evidence gaps;

• 
  decision traceability;

• 
  appeals;

• 
  fairness.

Такий pathway дозволяє виконувати empirical validation без негайної legal reform.

24. Наслідки для штучного інтелекту

AI робить проблему Qualification Web важливішою, а не менш важливою.

Коли AI знижує вартість створення:

• 
  essays;

• 
  code;

• 
  analyses;

• 
  presentations;

• 
  research drafts,

просте possession artifact дедалі слабше свідчить про human competence.

Тому future assessment дедалі більше повинне відрізняти:

artifact production

і:

capability demonstrated through transfer, explanation, verification and responsible tool use.

Запропонована architecture дозволяє specification розрізняти:

• 
  AI-restricted contexts;

• 
  AI-disclosed contexts;

• 
  AI-native contexts;

і водночас зберігати independent verification human claim.

У майбутньому це може дозволити окремо оцінювати:

• 
  unaided competence;

• 
  tool-mediated competence;

• 
  supervisory competence over AI-generated work.

25. Обмеження

Дослідження має суттєві limitations.

По-перше, evaluation є synthetic.

По-друге, qualification benchmarks створювалися в тій самій research programme, що й engine.

По-третє, не оцінювалися real candidates.

По-четверте, не проводився demographic fairness analysis.

По-п’яте, відсутні longitudinal або predictive outcomes.

По-шосте, змодельовано лише три academic domains.

По-сьоме, standard ще не було independently implemented external teams.

По-восьме, operating costs при institutional scale невідомі.

По-дев’яте, legal recognition суттєво відрізняється між jurisdictions.

Нарешті, використання AI у research artifact generation та drafting потребує прозорого disclosure та human responsibility за final scientific claims.

Ці limitations визначають наступний етап дослідження.

26. Подальша дослідницька програма

Наступний етап повинен бути переважно емпіричним.

Основні напрямки:

1. 
   Shadow RPL validation

2. 
   Independent expert benchmark review

3. 
   Inter-rater reliability studies

4. 
   Fairness studies

5. 
   Cost and transaction analysis

6. 
   Regulated-profession case studies

7. 
   Independent QWP implementations

8. 
   Predictive validity research

9. 
   Cross-jurisdiction recognition studies

10. 
    AI-native assessment research

Найважливіший найближчий milestone:

один реальний institutional pilot.

27. Обговорення

Qualification Web не слід трактувати як аргумент, що університети застаріли.

Університети виконують функції, які значно ширші за qualification verification:

• 
  research;

• 
  laboratories;

• 
  mentorship;

• 
  intellectual communities;

• 
  professional supervision;

• 
  social development.

Вужчий аргумент полягає в тому, що ці функції не обов’язково повинні залишатися логічно нероздільними від qualification verification.

Learner може набувати competence в кількох environments.

Якщо ця competence може бути assessed через explicit, valid, quality-assured process, тоді питання:

Де людина навчалася?

іноді може бути менш важливим за питання:

Що людина продемонструвала, за яких умов, і чому inference із цього evidence обґрунтований?

Це перехід від:

institution-as-proof

до:

institution-plus-inspectable-evidence.

28. Висновок

Центральним дефіцитом сучасної вищої освіти є вже не лише доступ до інформації.

Це:

обґрунтована довіра до learning outcomes.

Digital credentials вирішують важливі проблеми portability та authenticity.

Competency standards вирішують проблеми semantic representation.

Qualification frameworks допомагають comparison.

Recognition systems забезпечують legal та institutional mechanisms.

Але залишається ще одне питання:

Які evidence дозволяють обґрунтовано зробити висновок, що ця людина відповідає цій qualification?

Qualification Web і QWP пропонуються як одна з можливих відповідей.

Архітектура моделює qualification як аудиторну composition:

requirements + evidence + assessment + validity + authority + human judgment + conformance.

Design Science implementation та 1 192 synthetic cases показують, що таку architecture можна зробити executable, provider-neutral у controlled test environment, explainable та reusable across multiple domains.

Експерименти також показали важливість uncertainty.

Початкова система помилялася там, де identifier трактувався як identity, а відсутність observable evidence використання AI — як достатня assurance.

Ці failures посилили фінальну architecture.

Тому робота підтримує обмежений, але суттєвий висновок:

Кваліфікацію у вищій освіті можна моделювати як провайдер-незалежну, auditable evidence structure, academic conformance якої логічно відокремлюється як від institution, де відбувалося навчання, так і від authority, яка зрештою присуджує або визнає qualification.

Наступне наукове питання вже полягає не в тому, чи таку модель можна специфікувати.

Питання:

Чи залишатиметься вона валідною, справедливою, ефективною і корисною при роботі з реальними здобувачами, реальними оцінювачами, реальними університетами та реальним регулюванням?

Література

American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing.

Cedefop. (2023). European Guidelines for Validating Non-formal and Informal Learning. Publications Office of the European Union.

Credential Engine. Credential Transparency Description Language (CTDL).

European Commission. European Learning Model.

1EdTech Consortium. Competencies and Academic Standards Exchange (CASE) 1.1.

Mislevy, R. J., Almond, R. G., & Lukas, J. F. (2003). A Brief Introduction to Evidence-Centered Design. ETS Research Report RR-03-16.

Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77.

UNESCO. (2019). Global Convention on the Recognition of Qualifications concerning Higher Education.

World Wide Web Consortium. (2025). Verifiable Credentials Data Model v2.0.

Office for Students. (2026). Degree Awarding Powers.

Рекомендоване цитування

Роман Шабан. (2026). Від кваліфікаційних документів до доказу кваліфікації: провайдер-незалежна архітектура відповідності у вищій освіті. Qualification Web Research Paper.