Uma nova abordagem para a heurística Fix-and-optimize aplicada à escala de professores do ensino médio
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it