A genetic algorithm for student academic resource allocation

Stellen Sie sich vor, Sie sind der Kapitän eines Raumschiffs, dessen Laderaum jedoch nicht mit Sternen, sondern mit Tausenden von verschiedenen Werkzeugen, Gadgets und Karten gefüllt ist. Ihre Mission? Einem einzelnen Passagier zu helfen, sein Ziel so schnell und glücklich wie möglich zu erreichen. Das Problem ist: Ihr Passagier hat ganz spezifische Bedürfnisse – vielleicht verirrt er sich leicht, vielleicht ist er ein Geschwindigkeitsjunkie oder vielleicht verfügt er über nur eine begrenzte Menge an Treibstoff. Sie können ihm nicht einfach alles hinwerfen; Sie müssen die perfekte Kombination von Gegenständen auswählen, die in den Treibstofftank passt und ihm gleichzeitig die beste Chance auf Erfolg bietet. Dies ist die tägliche Herausforderung der modernen Bildung. Lehrer verfügen über eine riesige Bibliothek an Lektionen, Videos und Übungen, aber jeder Schüler lernt anders. Einige benötigen zusätzliche Hilfe beim Lesen von Zahlen, während andere bereit sind, weit voraus zu sprinten. Die genau richtige Mischung an Materialien für einen einzelnen Schüler zu finden, ist wie der Versuch, ein riesiges, unmögliches Puzzle zu lösen, bei dem sich die Teile ständig verändern. Hier kommt die Informatik mit einem cleveren Trick namens „Genetischem Algorithmus“ ins Spiel. Betrachten Sie dies als ein digitales Evolutionslabor. Anstatt dass ein Mensch versucht, die perfekte Liste zu erraten, erstellt der Computer tausende von zufälligen Listen, testet sie und „paart“ dann die besten untereinander, indem er sie immer wieder mischt und kombiniert, bis er eine Lösung entwickelt hat, die fast perfekt ist. Es ist die Art und Weise der Natur, mathematische Probleme zu lösen: Survival of the Fittest, aber für Hausaufgaben.

Dieses Papier, geschrieben von einem Forscherteam aus Spanien, befasst sich genau mit diesem Rätsel: wie man automatisch die besten Mathematik-Ressourcen für einen Oberstufenschüler auswählt. Sie rahmen das Problem als eine „0–1 binäre kombinatorische Optimierungsaufgabe“ ein. Auf einfachem Deutsch bedeutet das lediglich zu entscheiden, ob jedes einzelne Element in einem Katalog enthalten ist (1) oder weggelassen wird (0), während man gleichzeitig unter einem strengen Zeitlimit bleibt. Die Forscher wissen, dass es für einen Computer unmöglich wird, jede einzelne mögliche Kombination schnell zu überprüfen, sobald die Liste der Ressourcen wächst – so als würde man versuchen, jedes Sandkorn an einem Strand einzeln zu zählen. Aus diesem Grund schlagen sie vor, ihren „Genetischen Algorithmus“ einzusetzen, um eine großartige Lösung zu finden, ohne jede einzelne Möglichkeit prüfen zu müssen.

Das Team baute ein System, das zuerst das Profil eines Schülers betrachtet. Sie berücksichtigen die aktuelle Note des Schülers, wie gut er in verschiedenen Mathematikbereichen (wie Algebra oder Geometrie) abschneidet und sogar spezifische Lernschwierigkeiten. Zum Beispiel verwenden sie einen „diagnostischen Faktor“, um den Plan anzupassen: Ein Schüler mit hohen Fähigkeiten erhält einen Faktor von 1,0, während ein Schüler mit Dyslexie einen Faktor von 0,7 und ein Schüler mit Dyskalkulie (Problemen mit Zahlen) einen Faktor von 0,5 erhält. Dieser Faktor fungt wie ein Lautstärkeregler, der die Intensität der Aufgaben herunterdreht, um sie an die Bedürfnisse des Schülers anzupassen. Das System filtert zudem Ressourcen heraus, die zu einfach oder zu schwer sind, und behält nur diejenigen, die dem aktuellen Niveau und der Klassenstufe des Schülers entsprechen.

Sob-ald das System eine Liste geeigneter Ressourcen hat, führt es seine digitale Evolution durch. Es beginnt damit, eine Reihe verschiedener Kombinationen von Ressourcen zufällig auszuwählen. Dann prüft es, ob eine dieser Kombinationen gegen die Regeln verstößt – insbesondere, ob die gesamte Zeit, die für den Abschluss aller ausgewählten Ressourcen benötigt wird, die maximal zulässige Lernzeit des Schülers überschreitet, die in ihrem Experiment auf 8.100 Minuten (oder 135 Stunden) festgelegt wurde. Wenn eine Kombination zu lang ist, greift ein spezieller „Reparaturmechanismus“. Er fungt wie ein strenger Editor, der zufällig Artikel aus der Liste entfernt, bis die Gesamtzeit perfekt in das Limit passt. Dies stellt sicher, dass jede vom Computer betrachtete Lösung tatsächlich machbar ist.

Die Forscher testeten dieses System mit einem synthetischen Katalog von 1.000 Mathematik-Ressourcen. Sie konzentrierten sich auf ein simuliertes Schülerprofil: einen Schüler der zweiten Klasse einer Oberstufe mit Dyslexie. Nach dem Filtern der Ressourcen, die nicht zum Niveau des Schülers passten, hatte der Computer 217 potenzielle Artikel zur Auswahl. Sie ließen den genetischen Algorithmus 10 Mal laufen, wobei sie jedes Mal einen anderen Zufallssamen (Random Seed) verwendeten, um zu sehen, ob die Ergebnisse konsistent sind. Die Ergebnisse waren beeindruckend. Der Algorithmus fand konsistent hochwertige Lösungen und konvergierte schnell zu einem „Best Fitness“-Wert von 4,3333. Im besten Durchlauf wählte das System genau 77 Ressourcen aus den verfügbaren 217 aus und füllte den Zeitplan des Schülers bis an die Grenze von 8.100 Minuten aus, ohne diese zu überschreiten. Die Tatsache, dass die Ergebnisse über alle 10 Durchläufe hinweg so ähnlich waren, deutet darauf hin, dass die Methode sehr stabil und zuverlässig ist.

Das Paper kommt zu dem Schluss, dass dieser Ansatz gut funktioniert, um personalisierte Lernpläne in Echtzeit zu erstellen. Die Autoren sind jedoch vorsichtig darauf hinzuweisen, dass dies eine Simulation auf Basis eines spezifischen mathematischen Modells ist. Sie behaupten nicht, die Bildung für immer gelöst zu haben, sondern vielmehr, dass sie ein leistungsfähiges Werkzeug für diese Entscheidungen geschaffen haben. Mit Blick auf die Zukunft schlägt das Team vor, dass der nächste Schritt darin besteht, Schüler mit multiplen Herausforderungen gleichzeitig zu berücksichtigen – wie etwa einen Schüler, der sowohl hochbegabt als auch dyslexisch ist. In einem solchen zukünftigen Szenario müsste der Computer konkurrierende Ziele ausbalancieren und eine „Pareto-optimale“ Lösung finden, bei der er für alle unterschiedlichen Bedürfnisse des Schülers gleichzeitig das Bestmögliche herausholt. Für den Moment jedoch steht dieser genetische Algorithmus als ein vielversprechender Weg da, um einen chaotischen Haufen von Lehrmaterialien in einen maßgeschneiderten Fahrplan für den Erfolg eines Schülers zu verwandeln.