Uma nova abordagem para a heurística Fix-and-optimize aplicada à escala de professores do ensino médio
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Um dos maiores desafios enfrentados pelas instituições de ensino no início do ano letivo é distribuir as aulas e os dias em que cada professor deve atuar. Apesar de todos os avanços computacionais, a maioria das escolas ainda realiza a construção da grade escolar manualmente, tornando o trabalho demorado e envolvendo praticamente todo o corpo docente e pedagógico na busca por otimizar e satisfazer as preferências dos professores. O problema é reunir professores, turmas e salas de aula em cada período, construindo a grade semanal da instituição. Para escolas grandes, mesmo utilizando softwares, não é possível encontrar boas soluções em um tempo computacional viável, sendo necessário utilizar heurísticas. A heurística de fix-and-optimize decompõe o problema original em subproblemas menores ao fixar uma parte das variáveis, gerando regiões de busca menores que podem ser facilmente exploradas por um software, encontrando soluções ótimas para o problema. Neste artigo, apresentamos um modelo matemático para resolver cinco instâncias clássicas da literatura visando reduzir o número de dias trabalhados pelos professores, eliminar períodos ociosos e aumentar o número de aulas geminadas tanto quanto possível. A heurística de fix-and-optimize foi utilizada junto com cinco diferentes métodos de busca em vizinhança, a fim de reduzir a complexidade do algoritmo e alcançar melhores resultados. Dessa forma, foram encontradas soluções superiores para duas das instâncias estudadas e igualando os resultados já conhecidos para as demais instâncias.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle