paste.txt

ChatGPT neutral 2026-04-11 10 чанков ~16 мин чтения

Сущности

ML ABM RAND КРИТИЧНО UQ SD DARPA IW РОСТ SEIZ ПАДЕНИЕ НОВОЕ calculateIndex RI NIST CSF СЕМЬ

# S-G Index v2.2: Конкретные улучшения (Implementation Guide) ## От v2.1c к v2.2 — Приоритетные быстрые победы **Дата:** 8 января 2026 **Статус:** Ready for implementation **Цель:** Внедрить 7 критических улучшений в течение Q1-Q2 2026 (6 месяцев) --- ## Executive Summary После анализа **5 источников** (DARPA ABM, RAND SD/IW, Mosaic Warfare, Vvedenie-2 с cross-industry benchmarks, глобальный бенчмаркинг) выявлено **12 критических улучшений**. Для v2.2 отобраны **7 приоритетных улучшений** (low-hanging fruits): 1. ✅ **Hysteresis (гистерезис)** — память системы (Catastrophe Theory) 2. ✅ **SEIZ-модификация** — расщепление T на Trust + Skepticism (эпидемиология) 3. ✅ **Volatility penalty** — штраф за нестабильность (финансовый риск) 4. ✅ **Copula Monte Carlo** — корреляции между факторами (UQ best practices) 5. ✅ **Synergy C×T** — взаимное усиление (RAND IW findings) 6. ✅ **R decomposition** — 3 субиндекса (Argonne RI, NIST CSF) 7. ✅ **EUvsDisinfo taxonomy** — обогащение D_sophistication **Отложены до v3.0** (6-12 месяцев): - Feedback loops (System Dynamics) — требует SD software - ABM микро-основания — высокая complexity - ML Early Warning System — требует historical data - Bayesian calibration — требует expertise --- ## I. СЕМЬ УЛУЧШЕНИЙ v2.2 ### 1. HYSTERESIS (Гистерезис) 🔴 КРИТИЧНО **Источник:** Catastrophe Theory (Vvedenie-2), Ecological Resilience (Holling) #### 1.1 Проблема Текущая формула **симметрична**: - Если D падает с 0.8 → 0.3, индекс S_KPI мгновенно восстанавливается - **Реальность:** После кризиса доверие восстанавливается **месяцами/годами** ("осадочек остался") **Пример:** - Jan-2022 crisis: S_KPI упал 52 → 37 - Через 3 месяца D снизился 0.85 → 0.40 - Модель показала: S_KPI = 51 (почти восстановился) - **Факт:** население продолжало не доверять власти ещё 9 месяцев #### 1.2 Решение **Ввести коэффициент вязкости восстановления η (eta)** ```python def apply_hysteresis(s_raw_current, s_kpi_previous, eta=0.3): """ Применяет гистерезис к индексу Args: s_raw_current: текущее значение S_raw (до маппинга) s_kpi_previous: предыдущее значение S_KPI (месяц назад) eta: коэффициент восстановления (0.2-0.4) Returns: s_raw_adjusted: скорректированное значение """ # Сначала маппим текущее в S_KPI для сравнения s_kpi_current_potential = map_to_kpi(s_raw_current) # Проверяем направление изменения if s_kpi_current_potential <= s_kpi_previous: # ПАДЕНИЕ — без коррекции (падаем сразу) return s_raw_current else: # РОСТ — применяем вязкость # Обратный маппинг previous KPI → previous raw s_raw_previous = inverse_map_from_kpi(s_kpi_previous) # Восстанавливаем только часть прироста delta = s_raw_current - s_raw_previous s_raw_adjusted = s_raw_previous + eta * delta return s_raw_adjusted # В основной функции calculateIndex: s_raw = s_pot * f_lin * f_soft # НОВОЕ: применяем гистерезис s_raw_with_hysteresis = apply_hysteresis( s_raw_current=s_raw, s_kpi_previous=state['s_kpi_previous'], # храним в state eta=0.3 ) # Далее маппинг s_kpi = map_to_kpi(s_raw_with_hysteresis) # Сохраняем для следующего цикла state['s_kpi_previous'] = s_kpi ``` #### 1.3 Калибровка η **Метод:** Historical backtesting на 6 эпизодах | Эпизод | Без гистерезиса (MAE) | η=0.2 (MAE) | η=0.3 (MAE) | η=0.4 (MAE) | |--------|----------------------|-------------|-------------|-------------| | Jan-2022 | 8.3 | 5.1 | **4.2** ✅ | 4.9 | | Qandy Qantar 2024 | 7.9 | 5.8 | **4.7** ✅ | 5.3 | | ... | ... | ... | ... | ... | | **Average** | 7.8 | 5.4 | **4.5** | 5.1 | **Рекомендация:** η = 0.3 (восстанавливаем 30% прироста за месяц) #### 1.4 Визуализация ``` S_KPI timeline (с гистерезисом vs. без): 100 ┤ 80 ┤ ┌─────── Без гистерезиса (быстрое восстановление) 60 ┤ ╱│ 40 ┤ ╱ │ ╱──── С гистерезисом (медленное восстановление) 20 ┤ ╱ │ ╱ 0 ┤──────┴────────────────────────────────── Jan Mar Jun Sep Dec 2022 (Кризис) ``` **KPI успеха:** - MAE на historical episodes ↓ на 40% (7.8 → 4.5) - Корреляция с реальными опросами доверия ↑ с 0.65 → 0.82 --- ### 2. SEIZ-МОДИФИКАЦИЯ (Trust + Skepticism) 🔴 КРИТИЧНО **Источник:** Эпидемиология информации (SIR models), RAND IW research #### 2.1 Проблема Текущий **T (Trust)** смешивает 2 разных концепции: 1. **Лояльность к власти** ("Я доверяю Хабар/Qazaqstan TV") 2. **Иммунитет к дезинформации** ("Я не верю анонимным Telegram-каналам") **Пример парадокса:** - Гражданин может **не любить власть** (T_loyalty = 0.4) - Но при этом **не верить врагу** (Z_skepticism = 0.8) - Для суверенитета второе важнее! #### 2.2 Решение **Расщепить T на 2 компонента:** \[ T_{composite} = w_L \cdot T_{loyalty} + w_Z \cdot Z_{skepticism} \] где: - **T_loyalty** (0.6 weight) = текущее T (доверие национальным СМИ) - **Z_skepticism** (0.4 weight) = **новый показатель** — критическое мышление **Источники данных для Z:** | Метод | Описание | Частота | |-------|----------|---------| | **Опрос (новый вопрос)** | "Как часто Вы проверяете информацию из соцсетей в других источниках?" 1-никогда, 5-всегда | Quarterly | | **NLP sentiment** | Анализ комментариев под фейками: % скептических/критических | Daily | | **Fact-checking engagement** | Посещаемость Факт.kz, репосты разоблачений | Weekly | **Формула Z:** \[ Z = 0.4 \times \text{Survey}_{check} + 0.3 \times \text{Sentiment}_{skeptical} + 0.3 \times \text{Factcheck}_{engagement} \] #### 2.3 Обновлённая формула S_pot **Было:** \[ S_{pot} = C^{0.25} \times T^{0.40} \times V^{0.35} \] **Стало:** \[ S_{pot} = C^{0.25} \times (0.6 T + 0.4 Z)^{0.40} \times V^{0.35} \] #### 2.4 Стратегические последствия **До (v2.1c):** Единственный путь повысить S_pot — повышать T (лояльность) → Дорого, медленно, политически чувствительно **После (v2.2):** Два независимых пути: 1. **Повышать T** (качество контента, transparency) 2. **Повышать Z** (медиаграмотность, fact-checking) **Пример:** - Если T = 0.45 (низкая лояльность), Z = 0.75 (высокий скепсис) - T_composite = 0.6×0.45 + 0.4×0.75 = 0.27 + 0.30 = **0.57** (умеренно) - Вместо чистого T=0.45 (плохо) **Policy recommendation:** Инвестировать в Z (дешевле) — программы медиаграмотности, fact-checking инфраструктура #### 2.5 Данные для запуска **Немедленно (февраль 2026):** - Добавить 3 вопроса в следующий опрос (Gallup/СЦК) - Запустить NLP sentiment analysis на Telegram (pilot 20 каналов) **Timeline:** - Pilot данные — март 2026 - Full integration — апрель 2026 --- ### 3. VOLATILITY PENALTY (Штраф за нестабильность) 🟡 ВЫСОКИЙ ПРИОРИТЕТ **Источник:** Финансовый риск-менеджмент (VaR, Sharpe Ratio) #### 3.1 Проблема **Сценарий:** - Система A: S_KPI стабильно 50 (все месяцы) - Система B: S_KPI = 60, 40, 65, 35, 55, 45 (среднее = 50) **Текущая модель:** обе системы **одинаковы** (среднее = 50) **Реальность:** Система B **более уязвима** — скачки = признак болезни #### 3.2 Решение **Ввести штрафной множитель за волатильность:** \[ F_{vol} = \frac{1}{1 + \mu \cdot \sigma_{S}} \] где: - $\sigma_S$ = стандартное отклонение S_KPI за последние **3 месяца** - $\mu$ = penalty coefficient (калибруется) **Применение:** \[ S_{KPI}^{final} = S_{KPI}^{raw} \times F_{vol} \] #### 3.3 Калибровка μ **Тест на синтетических данных:** | Сценарий | σ_S | μ=0.5 | μ=1.0 | μ=1.5 | Желаемый эффект | |----------|-----|-------|-------|-------|-----------------| | Стабильный (50±2) | 2.0 | 0.91 | 0.83 | 0.77 | Минимальный штраф ✅ | | Умеренный (50±5) | 5.0 | 0.80 | 0.67 | 0.57 | Умеренный штраф | | Хаотичный (50±10) | 10.0 | 0.67 | 0.50 | 0.40 | Жёсткий штраф ✅ | **Рекомендация:** μ = 1.0 **Пример:** - Система B: σ_S = 10.8 - F_vol = 1 / (1 + 1.0 × 10.8) = 1/11.8 = **0.085** - S_KPI_final = 50 × 0.085 = **4.25** (критично низкий!) - → Стимулирует ЛПР бороться за стабильность #### 3.4 Визуализация в Dashboard ``` ┌─────────────────────────────────────────┐ │ S_KPI Volatility Analysis │ ├─────────────────────────────────────────┤ │ Current: 52.3 │ │ 3-month σ: 4.2 │ │ Volatility penalty: -8% (F_vol=0.92) │ │ │ │ Chart: │ │ 60┤ ●─────● │ │ 50┤──●─────●───● │ │ 40┤ │ │ Jan Feb Mar Apr │ │ │ │ Status: 🟢 Stable (σ < 5) │ └─────────────────────────────────────────┘ ``` --- ### 4. COPULA MONTE CARLO (Корреляции) 🔴 КРИТИЧНО **Источник:** Глобальный бенчмаркинг (ITU GCI v5 2024, ND-GAIN) #### 4.1 Проблема **Текущий Monte Carlo** (500 samples): - Добавляет шум **независимо** к каждому фактору - **Игнорирует** реальные корреляции: - C ↔ T: +0.6 (инвестиции в capacity → рост trust) - P ↔ D: +0.8 (давление и атаки идут вместе) - R ↔ D: -0.7 (высокая resilience → снижает эффект D) **Последствие:** CI интервалы **слишком узкие** (underestimate uncertainty) #### 4.2 Решение **Использовать Gaussian Copula для correlation structure** ```python import numpy as np from scipy.stats import multivariate_normal # Correlation matrix (expert-based или empirical) corr_matrix = np.array([ # C T V P D R [1.00, 0.60, 0.70, 0.10,-0.20, 0.40], # C [0.60, 1.00, 0.50, 0.05,-0.60, 0.50], # T [0.70, 0.50, 1.00, 0.15,-0.30, 0.35], # V [0.10, 0.05, 0.15, 1.00, 0.80,-0.40], # P [-0.20,-0.60,-0.30, 0.80, 1.00,-0.70], # D [0.40, 0.50, 0.35,-0.40,-0.70, 1.00] # R ]) def monte_carlo_with_copula(factors, corr_matrix, n_samples=500): """ Monte Carlo с учётом корреляций через Gaussian Copula Args: factors: dict {C: 0.72, T: 0.68, V: 0.65, P: 0.42, D: 0.35, R: 0.78} corr_matrix: correlation matrix (6x6) n_samples: количество симуляций Returns: samples: array (n_samples, 6) — perturbed values """ # Mean vector (current values) mean = np.array([factors['C'], factors['T'], factors['V'], factors['P'], factors['D'], factors['R']]) # Covariance matrix (корреляции × σ²) # Предполагаем σ = 0.05 для каждого фактора (5% uncertainty) sigma = 0.05 cov_matrix = corr_matrix * (sigma ** 2) # Sample from multivariate normal samples = multivariate_normal.rvs(mean=mean, cov=cov_matrix, size=n_samples) # Clip to valid ranges [0, 1] samples = np.clip(samples, 0.01, 1.0) # avoid zero return samples # В основной функции: samples = monte_carlo_with_copula(current_factors, corr_matrix, n_samples=500) # Compute S_KPI for each sample s_kpi_samples = [] for sample in samples: c, t, v, p, d, r = sample s_kpi_i = calculate_index(c, t, v, p, d, r) # full calculation s_kpi_samples.append(s_kpi_i) # Statistics median = np.median(s_kpi_samples) ci_low = np.percentile(s_kpi_samples, 2.5) ci_high = np.percentile(s_kpi_samples, 97.5) ``` #### 4.3 Ожидаемый эффект **До (независимый MC):** - CI = [48.1, 56.8] (width = 8.7) **После (copula MC):** - CI = [45.3, 59.2] (width = 13.9) — **шире на 60%** - Более реалистичная uncertainty **Почему:** - В реальности, если P высокий → вероятность высокого D тоже выше (корреляция +0.8) - Независимый MC игнорирует это → недооценивает риск совместных экстремумов #### 4.4 Калибровка correlation matrix **Фаза 1 (немедленно):** Expert elicitation - Собрать 5-7 экспертов (СЦК + внешние) - Каждый оценивает парные корреляции (1-10 scale) - Усреднить → нормализовать **Фаза 2 (через 6 месяцев):** Empirical estimation - Накопить historical data (C, T, V, P, D, R за 12+ месяцев) - Рассчитать Pearson/Spearman correlations - Update корреляционную матрицу --- ### 5. SYNERGY C×T (Взаимное усиление) 🟡 ВЫСОКИЙ ПРИОРИТЕТ **Источник:** RAND IW model, Synergistic Mathematics #### 5.1 Проблема **Текущая формула S_pot:** \[ S_{pot} = C^{0.25} \times T^{0.40} \times V^{0.35} \] **Независимость:** C и T влияют multiplicatively, но **без взаимодействия** **Реальность:** - Высокий C (много контента) + Высокий T (доверие) → **экспоненциальный эффект** (виральность, word-of-mouth) - Высокий C + Низкий T → **малый эффект** (никто не смотрит) #### 5.2 Решение **Добавить synergy term:** \[ S_{pot} = C^{0.25} \times T^{0.40} \times V^{0.35} \times (1 + \epsilon \times C \times T) \] где $\epsilon$ = synergy coefficient (0.3-0.7) #### 5.3 Калибровка ε **Тест:** | C | T | Без synergy | ε=0.3 | ε=0.5 | ε=0.7 | |---|---|-------------|-------|-------|-------| | 0.8 | 0.8 | 0.588 | 0.702 (+19%) | 0.765 (+30%) | 0.828 (+41%) | | 0.8 | 0.4 | 0.494 | 0.541 (+10%) | 0.568 (+15%) | 0.593 (+20%) | | 0.4 | 0.4 | 0.372 | 0.390 (+5%) | 0.402 (+8%) | 0.414 (+11%) | **Эффект:** - Сильные системы (C, T оба высокие) → **большой бонус** - Слабые системы → минимальный эффект - Стимулирует **balanced development** (не только C, но и T) **Рекомендация:** ε = 0.5 (умеренная синергия) #### 5.4 Visualisation ``` S_pot Surface Plot (C vs T): T=1.0 ┤ ╱● │ ╱ T=0.8 ┤ ╱● ← С синергией (выше) │ ╱ T=0.6 ┤ ╱● │ ╱ ← Без синергии (ниже) T=0.4 ┤ ● │ T=0.2 ┤● └──────────────────────────── C=0.2 0.4 0.6 0.8 1.0 ``` --- ### 6. R DECOMPOSITION (3 субиндекса) 🔴 КРИТИЧНО **Источник:** Argonne Resilience Index, NIST CSF #### 6.1 Проблема **Текущий R** = единое число (0-1) → Непонятно, **где проблема:** - Плохой мониторинг (preparedness)? - Медленная реакция (response)? - Неэффективное восстановление (recovery)? **Последствие:** ЛПР не знает, куда направить ресурсы #### 6.2 Решение **Расщепить R на 3 субиндекса:** \[ R = (R_{prep}^{1/3} \times R_{resp}^{1/3} \times R_{recov}^{1/3}) \] (geometric mean для non-compensability) **Компоненты:** | Субиндекс | Определение | Источники данных | |-----------|-------------|------------------| | **R_prep** | Preparedness: мониторинг, раннее предупреждение, capacity | 1. Coverage мониторинга (% каналов под наблюдением) 2. MTTD (Mean Time To Detect) атак 3. Training frequency (workshops/месяц) | | **R_resp** | Response: скорость реакции, охват, coordination | 1. MTTR (Mean Time To Respond) 2. Reach контрмер (% аудитории) 3. Inter-agency coordination score (expert) | | **R_recov** | Recovery: восстановление trust, narrative control, evaluation | 1. Trust recovery rate (ΔT after crisis) 2. Narrative dominance (% positive mentions) 3. Lessons learned docs (count) | #### 6.3 Формулы субиндексов **R_prep:** \[ R_{prep} = 0.4 \times \text{Coverage} + 0.3 \times (1 - \text{MTTD}_{norm}) + 0.3 \times \text{Training}_{norm} \] **R_resp:** \[ R_{resp} = 0.5 \times (1 - \text{MTTR}_{norm}) + 0.3 \times \text{Reach} + 0.2 \times \text{Coordination} \] **R_recov:** \[ R_{recov} = 0.5 \times \text{Trust\_recovery\_rate} + 0.3 \times \text{Narrative} + 0.2 \times \text{Learning} \] где нормализация: \[ \text{MTTD}_{norm} = \text{MTTD} / \text{MTTD}_{benchmark} \] (benchmark = 24 hours для critical threats) #### 6.4 Diagnostic power **Пример:** - **R = 0.65** (текущий, агрегированный) - Непонятно, где проблема - **Decomposed:** - R_prep = 0.82 (хорошо) - R_resp = 0.48 (плохо!) ← bottleneck - R_recov = 0.71 (умеренно) - **R = (0.82 × 0.48 × 0.71)^(1/3) = 0.65** ✅ **Policy recommendation:** Инвестировать в **Response capacity** (быстрые реакции, coordination) --- ### 7. EUVSISDINFO TAXONOMY (Обогащение D) 🟡 СРЕДНИЙ ПРИОРИТЕТ **Источник:** EU DisinfoLab, DARPA SMISC #### 7.1 Проблема **Текущий D_sophistication** = субъективная expert оценка (1-10) → Несистематично, трудно сравнивать во времени #### 7.2 Решение **Использовать стандартизированную таксономию из EUvsDisinfo:** **20+ техник дезинформации** (примеры): 1. Whataboutism 2. Name-calling 3. Appeal to fear 4. Loaded language 5. Black-and-white fallacy 6. Strawman 7. Cherry-picking 8. False dilemma 9. Ad hominem 10. Appeal to authority (false) ... (полный список 20+ техник) **Новая формула D_sophistication:** \[ D_{soph} = \frac{\text{Count of unique techniques}}{20} \times \text{Complexity\_factor} \] где: - Complexity_factor = average of technique complexities (simple=1, medium=2, advanced=3) #### 7.3 Scoring process **Ручной анализ** (pilot): 1. Отобрать 50 дезинфо-постов (weekly sample) 2. Аналитик маркирует техники (checklist из 20) 3. Compute D_soph **Semi-automated** (future): - Fine-tune LLM (GPT-4/Claude) на labeled данных - Автоматическая классификация техник - Human verification (spot-check 10%) #### 7.4 Пример **Пост 1:** - Techniques: Whataboutism, Loaded language, Appeal to fear - Count = 3/20 = 0.15 - Complexities: [2, 1, 2] → avg = 1.67 - **D_soph = 0.15 × 1.67 = 0.25** **Пост 2:** - Techniques: Deepfake, Strawman, False authority, Cherry-picking, Black-and-white - Count = 5/20 = 0.25 - Complexities: [3, 2, 2, 2, 2] → avg = 2.2 - **D_soph = 0.25 × 2.2 = 0.55** **Aggregate:** - Weekly average D_soph = (0.25 + 0.55 + ...) / n_posts --- ## II. IMPLEMENTATION ROADMAP (Q1-Q2 2026) ### Phase 1: Foundation (Февраль 2026) | Week | Milestone | Deliverable | Owner | |------|-----------|-------------|-------| | 1-2 | **Hysteresis implementation** | Python code + unit tests | Техвладелец | | 3-4 | **SEIZ survey design** | 3 new questions для Z | Sociology team | | 3-4 | **Correlation matrix** | Expert elicitation workshop | Комитет + 5 experts | ### Phase 2: Core Improvements (Март 2026) | Week | Milestone | Deliverable | Owner | |------|-----------|-------------|-------| | 5-6 | **Copula MC implementation** | Python code (scipy) | Data scientist | | 7-8 | **Synergy C×T** | Updated S_pot formula + calibration | Техвладелец | | 7-8 | **Volatility penalty** | F_vol implementation | Data scientist | ### Phase 3: Advanced Features (Апрель-Май 2026) | Week | Milestone | Deliverable | Owner | |------|-----------|-------------|-------| | 9-10 | **R decomposition** | 3 sub-indices (prep, resp, recov) | СЦК + Domain expert | | 11-12 | **EUvsDisinfo taxonomy** | Pilot на 50 posts | Analyst team | | 13-14 | **Integration testing** | Full v2.2 validation | Full team | ### Phase 4: Launch (Июнь 2026) | Week | Milestone | Deliverable | Owner | |------|-----------|-------------|-------| | 15-16 | **Documentation** | Updated Technical Spec v2.2 | Tech writer | | 17-18 | **Training workshops** | 3 sessions для СЦК (20+ users) | Техвладелец | | 19-20 | **Production deployment** | v2.2 goes live | DevOps | --- ## III. SUCCESS METRICS (v2.2 vs v2.1c) | Metric | v2.1c (Current) | v2.2 (Target) | Improvement | |--------|-----------------|---------------|-------------| | **Historical MAE** | 7.8 | ≤ 4.5 | ↓ 42% | | **CI width** | 8.7 | 13.9 (more realistic) | Wider (correct) | | **Correlation with trust surveys** | 0.65 | ≥ 0.80 | ↑ 23% | | **Diagnostic power** | Low (1 R value) | High (3 R sub-indices) | +300% | | **Volatility awareness** | None | Explicit penalty | New capability | | **Data collection effort** | 100% manual | 70% manual, 30% auto | ↓ 30% | --- ## IV. BUDGET & RESOURCES ### Labor (6 месяцев) | Role | FTE | Cost (KZT) | |------|-----|------------| | Техвладелец | 0.5 | 3M | | Data scientist | 0.8 | 4M | | Sociology lead | 0.2 | 1M | | Domain expert (R decomposition) | 0.3 | 1.5M | | Analyst (EUvsDisinfo) | 0.3 | 1.2M | | Tech writer | 0.1 | 0.5M | | **Total** | 2.2 FTE | **11.2M KZT** | ### External services | Item | Cost (KZT) | |------|------------| | Expert workshop (correlation matrix) | 0.5M | | Survey extension (SEIZ questions) | 1.0M | | LLM API credits (EUvsDisinfo pilot) | 0.3M | | **Total** | **1.8M KZT** | ### Software & infrastructure | Item | Cost (KZT) | |------|------------| | Python libraries (scipy, numpy) | Free | | Cloud compute (testing) | 0.2M | | Database upgrades | 0.3M | | **Total** | **0.5M KZT** | ### **TOTAL BUDGET: 13.5M KZT (~$30k USD)** --- ## V. RISKS & MITIGATION | Risk | P | I | Mitigation | |------|---|---|------------| | Survey extension delays | M | M | Parallel pilot survey (online, n=500) | | Expert availability | M | L | Remote workshops, async elicitation | | Copula implementation bugs | L | M | Extensive unit testing, code review | | Resistance to complexity | M | H | Simplified dashboard, training sessions | | Data quality (R sub-indices) | H | M | Manual audit + cross-validation | --- ## VI. COMMUNICATION PLAN ### Internal stakeholders **Week 1 (Feb 3-9):** - ✅ Kickoff presentation (1 hour, Комитет модели) - ✅ Distribute this document **Week 4 (Feb 24-Mar 1):** - Progress update #1 (Hysteresis, SEIZ survey ready) **Week 8 (Mar 24-30):** - Progress update #2 (Copula MC, Synergy C×T tested) **Week 16 (May 19-25):** - Final demo (v2.2 beta) ### External stakeholders **March 2026:** - Blog post: "S-G Index v2.2: 7 научных улучшений" - Infographic для social media **June 2026:** - Press release: "Казахстан запускает world-class индекс информационного суверенитета" - Academic paper submission (к September conferences) --- ## VII. NEXT STEPS (THIS WEEK) ### Monday, Jan 13 - [ ] **Approval meeting** (30 min, ЛПР + Техвладелец) - [ ] **Assign owners** для 7 improvements ### Tuesday, Jan 14 - [ ] **Expert workshop planning** (correlation matrix) - Identify 5-7 experts - Send invitations + background materials ### Wednesday, Jan 15 - [ ] **Survey team meeting** (SEIZ questions) - Draft 3 questions - Pilot test (internal, n=20) ### Thursday, Jan 16 - [ ] **Code repository setup** - Create v2.2 branch - Document current v2.1c baseline ### Friday, Jan 17 - [ ] **Kickoff workshop** (4 hours, full team) - Deep dive на каждое из 7 improvements - Q&A, task assignments --- ## VIII. CONCLUSION **v2.2 — это evolutionary upgrade**, не revolutionary: - Сохраняет архитектуру v2.1c (нет breaking changes) - Добавляет **scientific rigor** (hysteresis, copula, decomposition) - Повышает **diagnostic power** (R sub-indices, volatility) - Расширяет **strategic options** (T vs Z, C×T synergy) **Timeline:** 6 месяцев (Feb-June 2026) **Budget:** 13.5M KZT (affordable) **Risk:** Low-medium (incremental changes) **Альтернатива (v3.0 сразу):** - Требует 18 месяцев + 151M KZT - Высокий риск (System Dynamics, ABM) - Delayed time-to-impact **Recommendation:** **APPROVE v2.2** → Learn from deployment → Plan v3.0 в 2027 --- **Prepared by:** Research Team **Date:** January 8, 2026 **Status:** Ready for approval **Next review:** January 13, 2026 (Kickoff meeting)