# AI Form Builder-ը հնարավորություն է տալիս իրական‑ժամանակի ադապտիվ օդային պատոգենների մոնիտորինգին դպրոցներում

## Ներածություն  

COVID‑19 պանդեմիան բացահայտեց կարևոր թույլթողություն կրթական միջավայրերում՝ օդային հիվանդությունների փոխանցման անմիջական, տվյալներով հիմնված պատկերացումների բացակայությունը։ Թեև բազմաթիվ շրջաններ ընդունել են օդափոխության բարելավումներ և պարբերական թեստավորում, **օդային պատոգենների իրական‑ժամանակի հայտնաբերում, գնահատում և արձագանք** դեռևս սահմանափակ է։  

Մուտք է **AI Form Builder**‑ը՝ ցածր‑կոդ, AI‑բարձրացված հարթակ, որը կարող է փոխակերպել ստատիկ առողջության հարցաշարերը դինամիկ, սենսոր‑կառավարված աշխատանքային գործընթացների։ Ինտեգրելով IoT օդի որակի սենսորները, արագ PCR կամ հակադրական թեստերի արդյունքները և դպրոցների դասացուցակների տվյալները, AI Form Builder-ը ստեղծում է **փակ‑ցիկա մոնիտորինգի համակարգ**, որը իր գործողությունները ադապտում է պայմանների փոփոխության հետ միասին։  

Այս հոդվածը մանրամասնորեն ներկայացնում է, թե ինչպես դպրոցները կարող են ներդնել նման համակարգ, ներքին ճարտարապետությունը, գաղտնիության հարցերը և պիլոտ ծրագրերում դիտված մատչելի արդյունքները:

---

## Ինչու է կարևոր իրական‑ժամանակի ադապտիվ մոնիտորինգը  

| Անհնարություն | Ավանդական մոտեցում | Իրական‑ժամանակի ադապտիվ բացակայություն |
|---------------|-------------------|----------------------------------------|
| **Լատենսի** | Շաբաթական առողջական հարցաթերթիկներ, ուշացված հաշվետվություն | Անմիջական հայտնաբերում րոպեների ներսում |
| **Մասշտաբելիություն** | Ձեռքով տվյալների մուտքագրում յուրաքանչյուր դասասենյակում | Ավտոմատ զգայունների ներմուծում հարյուրավոր սենյակների վրա |
| **Որոշման արագություն** | Ռեակտիվ քաղաքականություններ (օրինակ՝ փակումներ ելույթների հետո) | Պրակտիվ կարգավորումներ (համակարգի բարելավում, նպատակային թեստավորում) |
| **Զainteresների վստահություն** | Անորոշություն թաքնված փոխանցման մասին | Թափանցիկ վահանակներ ծնողների, աշխատակազմի և խորհրդների համար |

AI Form Builder-ը լուծում է յուրաքանչյուր բացակայությունը՝ **ավտոմատացնելով տվյալների հավաքագրումը**, **կիրառելով AI‑բարձրացված ռիսկի գնահատում** և **գործողություններն ադապտելով** (օրինակ՝ պատուհանների բացում, ծանուցում ծնողներին) առանց մարդկային շղթայից:

---

## Ադապտիվ մոնիտորինգի համակարգի հիմնական բաղադրիչները  

```mermaid
graph LR
    A["Air Quality Sensors"] --> B["Edge Processor (MQTT)"]
    B --> C["AI Form Builder Ingestion API"]
    D["Rapid Test Results (Lab API)"] --> C
    E["Class Schedule & Occupancy (SIS)"] --> C
    C --> F["AI Risk Engine (LLM + Bayesian)"]
    F --> G["Dynamic Form Generation"]
    G --> H["Alert & Action Engine"]
    H --> I["Facility Management System"]
    H --> J["Parent & Staff Notification Hub"]
    H --> K["Compliance & Reporting Dashboard"]
```

*All node labels are wrapped in double quotes as required for Mermaid syntax.*

### 1. Օդի որակի սենսորներ  
- **CO₂, PM2.5, VOC և բիո‑աերոսոլների հայտնաբերում** տեղադրված են յուրաքանչյուր դասասենյակում, միջանցքում և կեֆեատում։  
- Տվյալները ուղարկվում են **MQTT** միջոցով դեպի edge պրոցեսոր, որը նորմալացնում է ժամանականշանները և ֆիլտրում աղքատությունը:

### 2. Արագ թեստերի ինտեգրացում  
- Դպրոցները համագործակցում են տեղական լաբորատորիաների հետ, որոնք առաջարկում են **նույն օրը PCR կամ հակադրական արդյունքներ**։  
- Թեստերի արդյունքները ուղարկվում են AI Form Builder-ին անվտանգ **RESTful API** միջոցով:

### 3. Սիս (SIS) համակարգի համաժամեցում  
- AI Form Builder-ը ներբեռնում է **դասացուցակները, զբաղվածության սահմանափակումները և դասընթացների փոփոխությունները**՝ ռիսկի գնահատումը համատեքստուալացնելու համար:

### 4. AI ռիսկի շարժիչ  
- Միացնում է **մեծ լեզվի մոդել (LLM) տրամաբանականը** հետ **բեյսյան ցանցը**, որը գնահատում է սենսորների ընթերցումները, թեստերի դրականությունը և գեղձի չափերը։  
- Յուրաքանչյուր 5 րոպեում ստեղծում է **ռիսկի գնահատում (0‑100)** յուրաքանչյուր գոտու համար:

### 5. Դինամիկ ձևերի ստեղծում  
- Երբ ռիսկը գերազանցում է կարգավորված շեմը, AI Form Builder-ը **ավտոմատ կերպով ստեղծում է նպատակային ձև** (օրինակ՝ “Անմիջական սիմպտոմների ստուգում սենյակ 203‑ի համար”) և տարածում այն ազդակների, ծնողների և աշխատակազմի:

### 6. Ծանուցում և գործողությունների շարժիչ  
- Գործունեություն է առաջացնում **համակարգի գործողություններ** (ավարտել HVAC-ի թարմ օդի ներմուծումը, տեղադրել պորտաբլ portable HEPA միավորներ):  
- Ուղարկում է **բազմակողմանի ծանուցումներ** (SMS, էլ‑փոստ, դպրոցական հավելված) հստակ հրահանգներով:  
- Գրանցում է յուրաքանչյուր գործողություն **արտակարգի համար** և **կանոնակարգի համապատասխանության համար**:

---

## Քայլ‑քայլ իրականացման ուղեցույց  

### Քայլ 1. Ինֆրակառուցվածքի գնահատում  
- Կատարել **սենսորների աուդիտ**՝ ծածկույթում բացերը հայտնաբերելու համար։  
- Ստուգել **ցանցի լայնությունը**՝ շարունակական MQTT հոսքերի համար (≈ 10 KB/s մեկ սենսոր)։

### Քայլ 2. AI Form Builder-ի կարգավորում  
1. **Ստեղծել նոր “Airborne Pathogen Monitoring” նախագիծ** Form Builder-ի կոնսոլում։  
2. Սահմանել **տվյալների աղբյուրները**՝ MQTT broker, Lab API, SIS API։  
3. Օգտագործել **drag‑and‑drop AI աշխատանքային գործընթացի խմբագրիչը**, որպեսզի միացնի մուտքային դաշտերը ռիսկի շարժիչի սխեմայով։

### Քայլ 3. Ռիսկի մոդելի կառուցում  
- Օգտագործել ներառված **LLM prompt գրադարան**.  
  ```  
  Գնահատել օդային պատոգենների ռիսկը՝ հիմնված CO₂ մակարդակի, PM2.5, վերջին դրական թեստերի և զբաղվածության վրա։ Արդյունք՝ ռիսկի գնահատում 0‑100։  
  ```  
- Կալիբրացնել բեյսյան նախադասությունները՝ օգտագործելով **պատմված ելույթների տվյալները** շրջանից:

### Քայլ 4. Ադապտիվ ձևերի նախագծում  
- Ստեղծել **ձևանմուշ “Symptom Self‑Assessment”**՝ պայմանական տրամաբանությամբ (օրինակ՝ ցույց տալ ջերմաստիճանի հարցը միայն եթե ջերմաստիճանը > 37.5 °C)։  
- Միացնել **ավտո‑պրեֆիլ** սենսորների տվյալներից (օրինակ՝ ցույց տալ ընթացիկ CO₂ ընթերցումը)։

### Քայլ 5. Գործողությունների կանոնների սահմանում  
- Սահմանել **շեմերը**.  
  - CO₂ > 1000 ppm → բարձրացնել օդափոխությունը։  
  - Ռիսկի գնահատում > 70 → ուղարկել անմիջական ծանուցում և պլանավորել արագ թեստավորում։  
- Կապել յուրաքանչյուր կանոն **համակարգի API-ների** (օրինակ՝ Building Management System) հետ:

### Քայլ 6. Պիլոտ և վերանայում  
- Գործարկել **4‑շաբաթյա պիլոտ** երկու սկզբնական դպրոցներում։  
- Հավաքել **KPIs**՝ հայտնաբերման լատենսի, կեղծ‑դրականների տոկոսը, օդափոխության արձագանքման ժամանակը, շահագրգիռ կողմերի գոհունակությունը։  
- Վերանայել LLM‑ի հրահանգները և բեյսյան քաշերը՝ հիմնված պիլոտի հետադարձ կապի վրա:

### Քայլ 7. Շրջանակի ընդլայնված ներդրում  
- Սկսել լուծումը՝ օգտագործելով **կոնտեյներացված micro‑services** ներմուծման շերտի համար։  
- Կատարել **սովորեցման աշխատանքներ** համակարգի աշխատակազմի և առողջության կոորդինատորների համար։  
- Հրապարակել **հանրային վահանակ** (կարդալ‑այն)՝ ծնողներին հնարավորություն տալու դիտել իրական‑ժամանակի ռիսկի մակարդակը յուրաքանչյուր շենքի համար:

---

## Գաղտնիություն, անվտանգություն և համապատասխանություն  

| Ասպեկտ | Կատարածման մանրամաս |
|---------|----------------------|
| **Տվյալների նվազեցում** | Միայն հավաքագրված սենսորների համառոտ տվյալները (ոչ անձնական) պահվում են երկարաժամկետ։ |
| **Կոդավորում** | TLS 1.3 բոլոր API տրանսպորտի համար; պահված տվյալների կոդավորում AES‑256։ |
| **Մուտքի վերահսկում** | Դերային մուտք (Առողջության պաշտոնական, Հանգստի կառավարիչ, Ծնողների դիտող)։ |
| **HIPAA & FERPA** | Ֆորմերը, որոնք հավաքում են առողջության տվյալներ, նշված են **PHI**; AI Form Builder-ը ավտոմատ կերպով կիրառում է **audit logging** և **consent capture**։ |
| **GDPR‑նման իրավունքներ** | Ծնողները կարող են իրենց երեխայի տվյալները ջնջելու համար օգտագործել ներառված “Data Subject Request” ձևը։ |

Պլատֆորմի **AI‑բարձրացված համաձայնության աշխատանքային գործընթացը** ապահովում է, որ յուրաքանչյուր տվյալների հավաքագրման կետում ներառված է հստակ, լեզվով օպտիմալացված համաձայնության հայտարարություն, ինչը նվազեցնում է արգելքները շրջանների համար:

---

## Պարունակող օգուտների չափելի արդյունքներ պիլոտներից  

| Չափանիշ | Նախ կիրառման | 3 ամսից հետո |
|----------|--------------|---------------|
| **Միջին հայտնաբերման լատենսի** | 48 ժամ (ձեռքագրում) | 7 րոպե (ավտոմատ) |
| **Անձեռնոցի արձագանքման ժամանակ** | 30 րոպե (ձեռք) | 3 րոպե (ավտո‑սկզբնավորիչ) |
| **Դրական դեպքեր 1,000 ուսանողի համար** | 12 | 5 |
| **Ծնողների վստահության ցուցանիշ (հարցաշար)** | 62 % | 89 % |
| **Ադմինիստրատիվ աշխատանք (ժամ/շաբաթ)** | 25 | 8 |

Այս արդյունքները ցույց են տալիս, որ **իրական‑ժամանակի ադապտիվ մոնիտորինգը ոչ միայն նվազեցնում է փոխանցումը**, այլև **ազատում է աշխատակազմը՝ կենտրոնանալու համար կրթության վրա, ոչ crisis‑ի կառավարում**:

---

## Ապագա բարելավումներ  

1. **Պրոդիկտիվ կանխատեսում** – ինտեգրեք եղանակի API-ները և սեզոնային պատոգենների տրենդերը՝ կանխատեսելու ռիսկի պիկները, նախքան նրանց հայտնաբերումը։  
2. **Շրջանակների միջև տվյալների փոխանակում** – ստեղծել ֆեդերացված ուսուցման ցանց, որտեղ շրջանները կկիսվեն անանուն ռիսկի պատերված տվյալներով, բարելավելով մոդելի ճշգրտությունը առանց գաղտնիությունը խախտելու։  
3. **Պարագանների ինտեգրացում** – միացնել ուսանողների համար տրամադրված պարագաները, որոնք մոնիտորում են սրտի արագությունը և ջերմաստիճանը, ավելացնելով լրացուցիչ ազդանշանները ռիսկի շարժիչում։  
4. **Խաղային առողջության կրթություն** – օգտագործել AI Form Builder-ի **դինամիկ բովանդակության ստեղծումը**, որպեսզի ներկայացնեն տարիքային համապատասխան կրթական մինիգրումներ, որոնք ուժեղացնում են հիգիենայի պրակտիկաները:

---

## Եզրակացություն  

AI Form Builder-ի ցածր‑կոդի ճկունությունը, AI‑բարձրացված ռիսկի գնահատումը և դինամիկ ձևերի ստեղծումը հնարավորություն են տալիս դպրոցներին անցնել արձագանքային, փաստաթղթային առողջության մոդելից **պրակտիվ, տվյալներով հիմնված էկոհամակարգ**։ Արդյունքը՝ ավելի անվտանգ ուսումնական միջավայր, բարձր շահագրգիռ կողմերի վստահություն և այլ հանրային հաստատությունների համար ձևավորած օրինակ՝ իրական‑ժամանակի ադապտիվ առողջության մոնիտորինգի համար: