Methodology Методология

Section 1 — Research Framework Раздел 1 — Исследовательская база

What each gap report answers Что каждый разрыв-отчёт объясняет

Two-act structure

Структура из двух актов

Every gap report follows a consistent two-act narrative:

Каждый отчёт о разрыве следует одной структуре:

• Act 1 (Evidence): ~70% of the document — How big is the gap? Where does it appear? What populations are affected? How stable is it across time and geographies? Every claim in this section is paired with a specific number, source, date, and geography.
• Акт 1 (Доказательства): ~70% документа — Насколько большой разрыв? Где он проявляется? Какие население затронуто? Как он стабилен? Каждое утверждение имеет число, источник, дату, географию.
• Act 2 (Causes): ~30% of the document — Why does this gap exist? What structural, institutional, psychological, and cultural factors drive it? Which causes are well-established by evidence, and which are plausible but still emerging? Act 2 asks not just "what" but "why," with explicit acknowledgment of what remains uncertain.
• Акт 2 (Причины): ~30% документа — Почему разрыв существует? Какие структурные, институциональные, психологические и культурные факторы? Какие причины доказаны? Акт 2 спрашивает не только "что", но "почему", с явным признанием неопределённого.

The research template: Every gap has sections 1.1–1.7 and 2.1–2.4

Шаблон исследования: Каждый разрыв имеет секции 1.1–1.7 и 2.1–2.4

Evidence quality labels

Метки качества доказательств

Throughout the gap reports, claims are tagged with one of three evidence-quality levels:

Во всех отчётах претензии помечены одной из трёх меток:

• Well-evidenced — Supported by multiple large studies, replicated across populations or geographies, clear effect sizes, published in peer-reviewed journals or authoritative government reports.
• Хорошо доказано — Поддержано несколькими крупными исследованиями, повторено, ясные эффекты, опубликовано в рецензируемых журналах.
• Plausible but underresearched — Theoretically sound, supported by one or two studies or by qualitative evidence, likely true but not yet tested at scale or across diverse populations.
• Вероятно, но недоисследовано — Теоретически основано, поддержано одним-двумя исследованиями или качественно, вероятно истинно, но не протестировано в масштабе.
• Contested — Multiple reputable sources disagree on the magnitude, direction, or existence of an effect. We report the disagreement, not a single claim.
• Оспариваемо — Несколько источников не согласны. Мы докладываем о разногласии, а не утверждении.

The Kyrgyzstan principle

Принцип Кыргызстана

When and how are local examples (Kyrgyzstan context) included? We include localized discussion only when it sharpens or complicates the global mechanism — not as decoration or obligatory regional coverage. Specifically, we include local context when:

Когда локальные примеры (контекст Кыргызстана) включены? Только когда они обостряют или усложняют глобальный механизм — не как украшение. Специфически, мы включаем, когда:

• The local situation reveals something about the global mechanism that global data might not show (e.g., how legacy Soviet technical education maps onto AI adoption pathways in Central Asia).
• Локальная ситуация раскрывает что-то о глобальном механизме, что глобальные данные могут не показать (например, советское техническое наследие).
• The local context is at an extreme of the global distribution (e.g., resource disparities between urban and rural schools in Kyrgyzstan are sharper than in most OECD countries).
• Локальный контекст на экстремусе (например, разрывы ресурсов в Кыргызстане острее, чем в OECD).
• Public policy or institutional decision-making in the region directly engages the gap (e.g., if Ministry of Education has specific policies on AI literacy in K-12).
• Государственная политика региона прямо связана с разрывом (например, политика Министерства образования).
• We have concrete data from Kyrgyzstan or Central Asia that either confirms or complicates the global pattern.
• Мы имеем конкретные данные из Кыргызстана, которые подтверждают или усложняют глобальный паттерн.

Section 2 — Tools and Process Раздел 2 — Инструменты и процесс

Research partnership: Claude Sonnet 4.6 and Ivan Ninenko Исследовательское партнёрство: Claude Sonnet 4.6 и Ivan Ninenko

Each gap report is the result of a structured research process in which:

Каждый отчёт о разрыве — результат структурированного процесса, в котором:

• Ivan Ninenko frames the research questions, makes editorial decisions about scope and relevance, selects which findings are important, and ensures the narrative holds together coherently. Ivan's role is to ask: Is this the right question? Is this source credible? Does this evidence actually address the gap?
• Ivan Ninenko формулирует вопросы, принимает решения об объёме и значимости, выбирает важные находки, обеспечивает связность. Его роль: правильный ли вопрос? Надёжен ли источник? Подтверждают ли данные наличие разрыва?
• Claude Sonnet 4.6 conducts deep research dives — searching academic databases, government publications, working papers, and news sources; synthesizing findings across studies; identifying patterns and contradictions; and drafting evidence sections with full citations. Claude's role is systematic research execution and synthesis under Ivan's editorial direction.
• Claude Sonnet 4.6 проводит глубокое исследование — поиск баз данных, публикаций, синтез находок, определение паттернов. Роль: систематическое выполнение и синтез.
• Each gap takes several deep-research sessions (typically 3–5), iterating between evidence collection, synthesis, and editorial revision.
• Каждый разрыв требует нескольких сессий (обычно 3–5), итерируя между сбором, синтезом и редакцией.

Quality assurance in data handling Гарантия качества в обработке данных

All numerical claims are verified against original sources wherever feasible. If a claim originates from a secondary source or a media report, we attempt to trace it back to the primary study or dataset. Any claim with a large effect size, surprising finding, or policy implication is cross-checked against at least one other independent source.

Все численные претензии проверяются в первоисточниках где возможно. Если претензия из вторичного источника, мы пытаемся вернуться к оригинальному исследованию. Претензии с большими эффектами, удивительные находки перепроверяются с минимум одним независимым источником.

Section 3 — Quality Checks Раздел 3 — Проверки качества

Before a gap report is considered complete, it must pass the following checklist:

Перед завершением отчёт должен пройти эту проверку:

• ☑ Executive summary cites the single most robust number. Does the headline statistic represent the most credible, large-sample, well-replicated finding in the literature? Is it clear why this number was chosen over competitors?
• ☑ Резюме цитирует самую надёжную цифру. Представляет ли цифра наиболее надёжную находку? Ясно ли, почему выбрана эта цифра?
• ☑ Every claim in Part 1 is sourced with N, geography, and year. A claim like "college-educated workers use AI more" is incomplete. Complete: "In the US, 46% of college-educated workers vs. 22% of non-college-educated workers use AI at work (Federal Reserve, 2025, N≈8,500)." No claim in the evidence sections lacks specificity.
• ☑ Каждая претензия в Части 1 имеет N, географию, год. "Высокообразованные используют ИИ больше" неполно. Полно: "В США, 46% vs. 22% (Federal Reserve, 2025, N≈8,500)." Нет претензии без специфики.
• ☑ Part 2 covers structural, institutional, psychological, and cultural causes — not just one or two. Does the explanation show how multiple levels of causation interact? If one section is conspicuously thin (e.g., no cultural causes identified), is that absence explained?
• ☑ Часть 2 охватывает структурные, институциональные, психологические и культурные причины. Показывает ли объяснение взаимодействие уровней? Если раздел тонкий, объяснено ли это отсутствие?
• ☑ Part 2 distinguishes well-evidenced from plausible-but-underresearched causes. Are causal mechanisms labeled with evidence quality? Do we avoid presenting emerging theory as established fact?
• ☑ Часть 2 различает хорошо доказанные и вероятные причины. Помечены ли механизмы качеством доказательств? Избегаем ли мы выдавать теорию за факт?
• ☑ At least one common assumption is explicitly falsified by data. Does the report challenge at least one widely held belief (e.g., "It's not that people don't know about AI" or "Women who do use AI don't use it less frequently")? Falsification by evidence is a key test of rigor.
• ☑ Как минимум одно расхожее предположение опровергнуто данными. Вызывает ли отчёт одно широко распространённое убеждение? Опровержение — ключевой тест точности.
• ☑ Synthesis section says something the data sections don't say individually. Does Part 3 identify patterns or interactions that aren't obvious from 1.1–1.7 and 2.1–2.4 alone? Or does it merely summarize?
• ☑ Раздел синтеза говорит что-то, что не сказано поодиночке. Определяет ли Часть 3 паттерны, которые не очевидны? Или только суммирует?
• ☑ The open question is honest about limits of evidence. Does the report acknowledge what we don't know? Is the open question specific (not vague), and does it follow logically from the evidence presented?
• ☑ Открытый вопрос честен о пределах доказательств. Признаёт ли отчёт, что мы не знаем? Специфичен ли вопрос? Логически ли он следует из доказательств?

Section 4 — Limitations Раздел 4 — Ограничения

This research project has three important limitations that readers should keep in mind:

Этот проект имеет три важных ограничения:

Limitation 1: The pace of change (especially the language gap) Ограничение 1: Темп изменений (особенно языковой разрыв)

AI adoption research is conducted and published with a lag. The newest data in these gap reports is typically 3–9 months old; some sources cite 2024 data published in early 2025. Meanwhile, AI systems themselves are improving at a rapid pace: model capabilities, user interfaces, and feature sets change on a monthly or quarterly basis. New languages are being supported; accessibility features are being added; enterprise deployments are proliferating. The gap itself may be narrowing or widening in real time in ways not yet captured by available research. The language gap is especially relevant here: most AI adoption research is conducted in English-speaking or wealthy-country contexts; how rapidly non-English speakers and emerging markets are adopting AI is underreported.

Исследования освоения ИИ проводятся с запозданием. Самые новые данные обычно 3–9 месяцев; некоторые источники — данные 2024 года. Между тем, сами системы улучшаются быстро: возможности, интерфейсы меняются ежемесячно. Новые языки поддерживаются; доступность добавляется; развёртывания растут. Разрыв может сужаться или расширяться в реальном времени. Языковой разрыв критичен: большинство исследований в англоязычных контекстах; как быстро не-англоязычные люди осваивают ИИ — недорасчитано.

Limitation 2: The spectrum problem (binary user/non-user misses the middle) Ограничение 2: Проблема спектра (двоичный пользователь/не-пользователь пропускает середину)

Most adoption research categorizes people as either "users" or "non-users" based on a yes/no question: "Have you used generative AI?" But adoption is not binary. Someone might have experimented once with ChatGPT, decided it wasn't useful for their work, and stopped — yet appears in statistics as a "user." Another person might use AI tools daily in sophisticated ways but never touch ChatGPT and so might not identify as an "AI user." The gap reports in this project rely on whatever categorization the original studies used, but readers should be aware that behind every adoption percentage is a spectrum of engagement, intensity, and context. The gaps we report are real, but they smooth over important variation in how people actually interact with AI.

Большинство исследований категоризирует людей как «пользователи» или нет. Но освоение не двоичное. Некто может попробовать ChatGPT один раз, решить, что не нужен, остановиться — но считаться «пользователем» в статистике. Другой может ежедневно использовать ИИ в сложных способах, но никогда ChatGPT и не считать себя. Разрывы реальны, но скрывают вариацию в том, как люди взаимодействуют с ИИ.

Limitation 3: Scope — This is not a study of usage quality, geography, or other gaps Ограничение 3: Объём — это не исследование качества использования, географии, других разрывов

The AI Adoption Gap project focuses on adoption — whether and how often people use AI tools. It does not study how people use AI: Do they use it for routine tasks or complex reasoning? Do they verify AI-generated output? Do they understand its limitations? A rural user in Kyrgyzstan and a software engineer in San Francisco both count as "users" in adoption statistics, but their usage contexts, risks, and benefits are radically different. This project also does not cover other important gaps in AI's impact: the geographic divide between Global North and Global South (beyond what adoption data reveals); the rural/urban gap; the quality of available AI infrastructure and training in different regions; or the gap in how well different populations understand AI's limitations. These are all real, important gaps; they are simply outside the scope of this research.

Проект сосредоточен на освоении — используют ли люди ИИ. Не изучает, как они используют: для рутины или сложного мышления? Проверяют ли выход? Понимают ли ограничения? Сельский пользователь в Кыргызстане и инженер в Сан-Франциско оба «пользователи», но их контексты, риски, выгоды радикально отличаются. Проект также не охватывает другие важные разрывы: географический между Global North и South; сельско-городской; качество инфраструктуры и обучения; понимание ограничений ИИ. Это реальные, важные разрывы; они вне объёма этого исследования.