Часть концепции проекта «Договор поколений»

О платформе МАГ

МАГ — Молодёжная аналитическая группа. Платформа для научно обоснованной диагностики компетенций молодых специалистов, формирования их цифровых профилей и распределения по семи направлениям развития.

Создаётся как часть концептуального проекта «Договор поколений» — инициативы построения системы непрерывного развития человеческого потенциала Республики Беларусь. Хранение данных — на государственных серверах внутри страны.

Полная методология Подать заявку

Контекст

Что такое «Договор поколений»

«Договор поколений» — концепция (проект на горизонт 2026–2035 годов), направленная на построение единого сквозного маршрута развития человека: от ранней профориентации (7 лет) до активного включения старшего поколения (65+) в наставническую и проектную деятельность. Основной принцип — «Получил — Реализовал — Передал»: общество и предприятия авансируют развитие молодого человека, а он, достигнув профессиональной зрелости, возвращает накопленный опыт и становится наставником для следующего поколения.

Платформа МАГ — часть этого концептуального контура. Она закрывает блок измерения и формирования цифровых профилей компетенций молодых специалистов. На полный охват всей программы платформа не претендует — это специализированный технологический компонент.

Какие модули

Тест МАГ v2.0 состоит из 5 модулей, около 94 заданий, длительность 48–55 минут (одна сессия или две по ~25 минут с перерывом 1–3 дня). Каждый модуль использует отдельный психометрический инструмент. Подробное описание методик, формул и научной базы — на странице Методология.

Модуль 1

Экспресс-сканер реакций

Шкала Ликерта · таймер 7–15 сек

35 утверждений за 7–8 минут. Замеряет базовые поведенческие тенденции; жёсткий таймер не оставляет времени на «правильный» ответ.

Модуль 2

Профессиональные ситуации

Situational Judgment Test (SJT)

15 реалистичных рабочих кейсов с ранжированием 4 альтернатив. Замеряет компетенции через поведенческий выбор, а не самооценку.

Модуль 3

Образно-ценностный модуль

Парные образы + MaxDiff-тройки

12 пар, 5 сцен, 8 троек за 8–10 минут. Полупроективные техники обходят рационализацию и ловят реальные ценностные приоритеты.

Модуль 4

Лидерский стресс-тест

Симуляция кризиса · Full Range Leadership

Симуляция кризисного сценария с 7 точками решений. Ловит лидерский стиль под давлением и реакцию на «ловушку авторитета».

Модуль 5

Глубинный открытый блок

Свободный текст · NLP-анализ

3 открытых вопроса по 3 минуты. Рефлексия, независимость суждения, способность к прогнозированию — анализ языковой моделью + куратор.

Уникальность платформы

МАГ — не «ещё один опросник». Это система, которая совмещает научную психометрию мирового уровня, защиту от фальсификации на уровне поведения, прогнозную симуляцию общественной реакции и интеграцию с концепцией непрерывного развития человеческого потенциала. Шесть вещей, которые делают платформу принципиально другим инструментом:

Тройная триангуляция вместо одного опросника

Каждая компетенция замеряется тремя независимыми методами одновременно: SJT-кейсами, шкальным профилем и NLP-анализом открытого текста. Ни один источник в одиночку не определяет результат. Если они расходятся — поднимается флаг, и куратор видит, почему. Это уровень валидности, недоступный классическим тестам.

4-компонентный Индекс искренности в реальном времени

Платформа не доверяет ответам слепо. Перед выдачей профиля система прогоняет четыре параллельные проверки: L-шкала, реверсивные пары, сходимость источников и нормальность времени реакции. Профиль с индексом ниже 0.40 не используется — назначается ретест. Это страховка от «нарисованных» профилей.

Антифрод на уровне поведения, а не паролей

Жёсткие таймеры 7–15 секунд на критических пунктах. Бинарные точки в стресс-тесте «третьего варианта нет». Мониторинг переключения вкладок и потери фокуса. Блокировка возврата. Защита от копирования. Архитектура спроектирована так, чтобы фальсификация требовала больше усилий, чем честный ответ.

Прогнозная симуляция — собственная инновационная разработка

МАГ выходит за рамки диагностики. При накоплении критической массы валидных профилей формируется синтетическая популяция: каждый профиль — это интеллектуальный агент, способный реагировать на гипотетические инициативы, нарративы и образовательные программы. Концептуально близкие исследования ведут единичные академические лаборатории при ведущих технологических университетах мира, однако ни одна из существующих систем не построена на национальной выборке валидированных психометрических профилей. Это уровень прогноза, недоступный классическим социологическим инструментам.

Часть концепции «Договор поколений»

МАГ создаётся как часть концептуального контура проекта «Договор поколений» — инициативы построения системы непрерывного развития человеческого потенциала Республики Беларусь от 7 до 65+ лет. Платформа закрывает в этом контуре блок измерения компетенций молодых специалистов и формирования их цифровых профилей — без претензии на охват всей программы.

Открытая методология и научный аудит

Все формулы публичны: Индекс искренности, триангуляция, маппинг на направления, пороги классификации. Источники — валидированные работы от Likert (1932) до современных школ психометрики, включая региональные традиции СНГ и Азии (СМИЛ Собчик, БГУ-школа Янчука, CPAI Cheung) и прикладную аналитику (Heuer, Tetlock, Бодров). Это не «кот в мешке», а проверяемая система.

Как работает Триангуляция

Триангуляция — методологический принцип, по которому одна и та же компетенция замеряется тремя независимыми методами. Ни один источник в одиночку не определяет результат: для значимого балла нужна сходимость минимум двух методов. Расхождение между источниками автоматически снижает Индекс искренности профиля.

Comp_i = 0.60 · SJT_i + 0.25 · Style_i + 0.15 · NLP_i

SJT

60%

Situational Judgment Test

Поведенческие выборы в 15 реалистичных рабочих кейсах Модуля 2. Основной сигнал — что человек реально делает в нагруженной задаче, а не что говорит о себе.

Style

25%

Шкальный профиль

Шкальный профиль из Модуля 1 (35 утверждений по шкале Ликерта), очищенный от L-шкалы и реверсивных пар. Поведенческие тенденции, а не декларации.

NLP

15%

Анализ открытого текста

Оценка трёх открытых ответов Модуля 5 языковой моделью: структура мышления, наличие реального опыта vs обобщений, аутентичность языка.

Если какой-то источник отсутствует, формула автоматически ренормируется по фактическим весам, чтобы не блокировать расчёт. Полные формулы, пороги и категории профилей — на странице Методология, раздел 4.

Дорожная карта

Пять фаз развития платформы от пилота до зрелого инструмента с собственной локальной моделью ИИ. Каждая фаза — самостоятельный шаг, открывающий новый класс возможностей.

Фаза 0

2026 H1

Пилот

Запуск пилотного потока. Развёртывание первой версии платформы. Сбор данных для проверки валидности модели на реальной выборке.

Тест МАГ v2.0

Цифровые профили

Семь направлений

Фаза 1

2026 H2

MVP прогнозной симуляции

При накоплении критической массы валидных профилей запускается симулятор: индивидуальные интеллектуальные агенты, апробация инициатив через синтетическую популяцию. Первые калибровочные циклы — сравнение симулированного и реального отклика.

Прогноз реакций

Синтетическая популяция

Самообучение

Фаза 2

2027

МАГ-CRM: проектные команды и наставничество

Платформа превращается в управляющий контур: автоматический подбор межпоколенческих проектных команд по совместимости компетенций, учёт наставнической активности, аналитика для координаторов. Цифровой профиль начинает работать не только как «паспорт компетенций», но и как инструмент координации работы команд.

Подбор команд

Учёт наставничества

Аналитика для координаторов

Фаза 3

2027–2028

Собственная локальная модель ИИ

Обучение и постепенное дообучение собственной локальной языковой модели на накопленных данных. Цель — заменить сторонние сервисы для NLP-анализа открытых ответов и для работы агентов симуляции. Это снимает зависимость от внешних API, обеспечивает суверенность данных и даёт точную доменную подстройку.

Локальная модель

Доменное дообучение

Суверенность данных

Фаза 4

2028+

Расширенная сетевая симуляция

Подключение полной сетевой динамики: моделирование распространения нарративов в социальном графе, формирование контр-нарративов, стресс-сценарии и оценка устойчивости среды к внешним информационным шокам.

Сетевая динамика

Распространение нарративов

Стресс-сценарии

Авторы

Платформа МАГ — результат совместной работы двух соавторов.

ВА

Виталий Анисимов

Автор концепции МАГ

Автор концепции Молодёжной аналитической группы (МАГ) и соавтор концепции Национального центра развития (НЦР). Сформулировал стратегическое видение аналитической группы, двухуровневую модель «компетенции → направления» и системный подход к распределению участников по семи направлениям развития молодёжи. Отвечает за концептуальную рамку платформы.

АС

Артем Смирнов

Автор методологии МАГ

Автор методологии МАГ. Автор проекта «Договор поколений», соавтор НЦР, разработал концепцию прогнозной симуляции общества. Отвечает за стратегическое и техническое исполнение платформы и за обучение собственной локальной модели ИИ, которая заменит сторонние сервисы NLP-анализа.

Защита данных

Платформа закрыта для индексации и сторонних входов. Вход только по email и паролю. Контактные данные шифруются, обработка персональных данных соответствует закону Республики Беларусь о защите персональных данных от 2021 года. При регистрации участник даёт явное согласие на обработку данных в рамках пилота. Хранение персональных данных — на государственных серверах внутри страны.