💻 computer science

Software Framework for Anthropocentric Dispatch Management and Decision Support in Industry 5.0-Oriented Educational Processes

Cet article présente un cadre logiciel pour la gestion anthropocentrée de la répartition dans les contextes éducatifs de l'Industrie 5.0 qui intègre l'optimisation tenant compte du chronotype, la pondération adaptative des critères et le support à la décision intelligent afin d'améliorer significativement la qualité des emplois du temps, le bien-être des étudiants et les résultats académiques, tout en garantissant l'équité entre tous les groupes de participants.

Auteurs originaux : Oleh Sytnik

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Oleh Sytnik

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une université comme un orchestre massif et complexe. Pendant des années, la personne chargée de rédiger l'emploi du temps (le « répartiteur ») a été comme un chef d'orchestre qui ne se soucie que d'une seule chose : s'assurer que chaque musicien ait une chaise, une partition et un moment pour jouer, sans que personne ne se cogne. Elle traite les étudiants et les enseignants comme de simples ressources, de la même manière qu'un gestionnaire d'usine traiterait des machines.

Le résultat ? L'emploi du temps fonctionne parfaitement sur le papier, mais en réalité, c'est un désastre. Il pourrait forcer un étudiant « oiseau de nuit » à suivre son cours de mathématiques le plus difficile à 8h00 du matin, quand son cerveau est encore endormi, ou enchaîner trois matières difficiles, laissant tout le monde épuisé et stressé.

Ce document présente un nouveau cadre logiciel appelé ADMS (Anthropocentric Dispatch Management System) qui change l'approche du chef d'orchestre. Au lieu de simplement gérer des ressources, il commence à gérer des personnes. Il traite le processus éducatif comme un système « sociotechnique », ce qui signifie qu'il se soucie de la biologie et de la psychologie de chacun.

Voici comment fonctionne le nouveau système, décomposé en concepts simples :

1. L'algorithme « Humain » (Le Nouveau Chef d'Orchestre)

L'ancienne méthode de création d'emplois du temps utilisait une logique informatique standard. Le nouveau système utilise un algorithme « évolutionnaire » spécial (un type d'IA qui apprend par essais et erreurs) conçu spécement pour les humains.

Conscience du chronotype : Tout comme les gens ont différents cycles de sommeil, le système sait si un étudiant ou un enseignant est un « lève-tôt » ou un « oiseau de nuit ». Il essaie de planifier les tâches les plus difficiles lorsque leur cerveau est naturellement le plus actif.
Compatibilité cognitive : Imaginez essayer de manger un steak bien lourd juste après un repas épicé ; cela ne passe pas bien. De même, le système sait qu'enchaîner un cours d'art créatif juste après un casse-tête logique intense peut troubler le cerveau. Il organise les cours pour qu'ils s'enchaînent de manière fluide, comme un repas bien planifié.
Confort psychologique : Il évite le stress des cours « à la suite ». Il garantit des pauses et que la charge de travail soit répartie uniformément tout au long de la semaine, plutôt que d'écraser tout le monde le lundi.

2. L'« Assistant Intelligent » (Le Traducteur)

Par le passé, les ordinateurs crachaient un emploi du temps et disaient : « Le voici, prenez-le ou laissez-le ». Si l'emploi du temps était étrange, le répartiteur humain n'avait aucune idée de la raison.
Le nouveau système inclut un Assistant Intelligent. Considérez cela comme un traducteur qui explique le raisonnement de l'ordinateur en langage clair.

Pourquoi ce cours ? Il peut dire au répartiteur : « Nous avons placé ce cours à 10h car 80 % des étudiants de ce groupe sont des lève-tard ».
Scénarios de type « Et si ? » : Si un enseignant dit : « Je ne peux pas enseigner le mardi », le répartiteur peut demander à l'ordinateur : « Que se passe-t-il si je déplace ce cours ? ». L'ordinateur simule instantanément le changement et répond : « Si vous faites cela, le niveau de stress diminuera, mais vous devrez déplacer deux autres cours ».
L'humain dans la boucle : L'ordinateur ne prend jamais la décision finale seul. Il présente les meilleures options avec des explications, et un répartiteur humain doit les approuver. Cela garantit que l'ordinateur ne commet pas d'erreur « techniquement parfaite » mais humainement terrible.

3. La « Boucle de Rétroaction » (Le Chouchou du Professeur)

La plupart des systèmes informatiques sont configurés une fois et ne changent jamais. Ce système est comme un élève qui apprend de ses erreurs.

À la fin du semestre, les étudiants et les enseignants remplissent un sondage sur ce qu'ils ont ressenti.
Le système utilise ce retour pour « recalibrer » ses priorités. Si tout le monde a déclaré être trop stressé, le système apprend à privilégier le « faible stress » plutôt que l'« utilisation parfaite des salles » pour le semestre suivant. Il devient plus intelligent et mieux adapté à cette université spécifique au fil du temps.

Les Résultats : Un Orchestre Plus Heureux

Les chercheurs ont testé ce système dans une université en Ukraine. Ils ont comparé le nouvel emploi du temps « axé sur l'humain » aux anciens emplois du temps manuels « axés sur la machine ». Les résultats sont significatifs :

Moins de Stress : Les étudiants et les enseignants ont déclaré se sentir nettement moins stressés (une baisse de près de 35 % sur les échelles de stress).
Meilleures Notes : Les performances académiques se sont améliorées d'environ 13 %.
Plus de Présence : Moins de personnes ont séché les cours (la présence a augmenté de 14 %).
Moins de Conflits : Le nombre d'erreurs de planification (comme deux cours dans la même salle) a chuté de plus de 80 %.
Équité : Le système n'a pas seulement aidé les « lève-tôt » ; il a amélioré l'emploi du temps pour tout le monde, y compris pour les « oiseaux de nuit », sans nuire aux autres.

L'Essentiel

Ce document soutient que nous devons passer de l'Industrie 4.0 (qui concerne l'efficacité et l'automatisation) à l'Industrie 5.0 (qui consiste à remettre l'humain au centre).

Le logiciel ne construit pas seulement un emploi du temps ; il construit une meilleure journée pour les étudiants et les enseignants. Il prouza que lorsque vous traitez les gens comme des humains dotés de rythmes biologiques et de besoins psychologiques, et non comme de simples points de données, l'ensemble du processus éducatif fonctionne plus sereinement, plus joyeusement et plus efficacement.

Résumé Technique : Cadre Logiciel pour la Gestion de la Répartition Anthropocentrée dans les Processus Éducatifs Orientés Industrie 5.0

1. Énoncé du Problème

La planification des cours dans les établissements d'enseignement supérieur (EES) traditionnels est principalement traitée comme un problème technique d'allocation de ressources, se concentrant sur l'affectation sans conflit des instructurs, des groupes et des salles à des créneaux horaires. Cette approche, ancrée dans la logique de l'Industrie 4.0, ignore souvent les caractéristiques chronobiologiques et psychologiques des participants (étudiants et instructeurs). Par conséquent, des emplois du temps formellement valides peuvent être pédagogiquement contre-productifs, entraînant un désalignement cognitif, une augmentation du stress et une réduction de la performance académique. De plus, les systèmes existants manquent de mécanismes pour :

La Pondération Adaptative : Ajuster dynamiquement les critères d'optimisation en fonction des retours des participants.
Le Support à la Décision : Fournir des recommandations explicables, des analyses de scénarios « et si » (what-if) et des avertissements orientés vers le risque aux répartiteurs humains.
L'Intégration : Connecter de manière fluide des sources de données institutionnelles disparates (LMS, RH, enquêtes) dans un modèle d'optimisation unifié.

Cela crée un fossé entre les capacités de planification automatisée et les exigences de l'Industrie 5.0, qui privilégie l'anthropocentrisme, la résilience et l'explicabilité.

2. Méthodologie : Le Système de Gestion de la Répartition Anthropocentrée (ADMS)

Le document propose l'ADMS (Anthropocentric Dispatch Management System), un cadre logiciel monolithique modulaire qui intègre la collecte de données, l'optimisation et le support à la décision.

2.1 Cadre Architectural

L'ADMS suit les principes de la Clean Architecture, séparant les couches domaine, application, infrastructure et API. Les sous-systèmes clés incluent :

Collecte et Stockage de Données (DCS) : Ingeste les plans de cursus, les profils de chronotypes (via des questionnaires MEQ), les matrices de compatibilité cognitive et les contraintes des participants.
Noyau d'Optimisation (OC) : Exécute la Méthode de Répartition Anthropocentrée (AMD), un algorithme évolutionnaire.
Adaptation par Régression de Satisfaction (SRA) : Un service qui apprend les coefficients de pondération des critères à partir des retours post-semestre.
Assistant Intelligent (IA) : Génère des explications locales/globales, effectue des analyses « et si » et calcule des scores de risque.
Sous-système de Présentation (PS) : Fournit une interface de type « humain dans la boucle » pour l'approbation du répartiteur et la journalisation d'audit.

2.2 L'Algorithme d'Optimisation AMD

Le cœur de l'optimisation maximise une fonction d'objectif à quatre composantes $F(x, w)$ :
$F(x, w) = w_1 F_{tech}(x) + w_2 F_{circ}(x) + w_3 F_{psych}(x) + w_4 F_{cogn}(x)$

$F_{tech}$ (Correctitude Technique) : Garantit que les contraintes strictes (pas de double réservation, capacité de salle) sont respectées.
$F_{circ}$ (Alignement Circadien) : Aligne les créneaux de cours avec les pics d'activité des chronotypes des étudiants et des instructeurs, modélisés via des fonctions d'activité gaussiennes.
$F_{psych}$ (Confort Psychologique) : Minimise la variance de la charge cognitive et les transitions inconfortables entre les disciplines.
$F_{cogn}$ (Compatibilité Cognitive) : Optimise la séquence des disciplines basée sur une matrice de compatibilité dirigée $S$ .

Opérateurs Algorithmiques Clés :

Initialisation Sensible au Chronotype : Ensemence la population avec des emplois du temps biaisés vers des créneaux chronobiologiquement plausibles.
CPC (Croisement Préservant le Chronotype) : Un opérateur de croisement par jour qui préserve les blocs quotidiens contigus pour maintenir la qualité circadienne, plutôt que d'utiliser des croisements positionnels standards.
AWM (Mutation Pondérée Anthropocentrée) : Concentre les mutations sur les créneaux ayant les scores de qualité anthropocentrée les plus bas.
Procédure de Réparation : Résout systématiquement les violations de contraintes strictes tout en tentant de restaurer l'alignement chronobiologique.

2.3 Mécanismes d'Adaptation et de Support à la Décision

Service SRA : Utilise la régression des moindres carrés ordinaires (OLS) ou la régression de Ridge pour mapper les composantes de la fonction d'objectif aux scores de satisfaction des participants. Il met à jour le vecteur de poids $w$ de manière itérative, en le projetant sur un simplexe contraint pour s'assurer qu'aucun critère n'est totalement supprimé.
Assistant Intelligent : Fournit un vecteur de décision à sept dimensions pour chaque emploi du temps candidat, incluant des scores de risque (conflit, stress, cognitif, changement) et des explications en langage naturel. Il supporte les scénarios « et si » (ex: indisponibilité d'un instructeur, changements de salle) pour prédire les impacts avant approbation.

3. Contributions Clés

Cadre Anthropocentré Unifié : Le premier système logiciel déployable (ADMS) qui unifie l'optimisation multi-critères avec l'apprentissage de pondération adaptatif et le support décisionnel intelligent, allant au-delà des modèles statiques basés uniquement sur les ressources.
Nouveaux Opérateurs Évolutionnaires : Introduction des opérateurs CPC et AWM spécifiquement conçus pour préserver et améliorer les mesures anthropocentrées (chronotype et charge cognitive) au sein de l'espace de recherche de l'algorithme génétique.
Pondération Adaptative via SRA : Un mécanisme pour apprendre dynamiquement les poids des critères spécifiques à l'institution à partir des retours empiriques, répondant à la rigidité des poids préconfigurés dans les systèmes existants.
Flux de Travail Explicable avec l'Humain dans la Boucle : Un flux de travail structuré où le répartiteur examine les meilleurs candidats avec des évaluations de risques détaillées et des explications, garantissant la supervision humaine et la contestabilité des décisions algorithmiques.
Alignement avec l'Industrie 5.0 : Le cadre opérationnalise explicitement les principes de l'Industrie 5.0 (anthropocentrisme, résilience, durabilité) dans le contexte de la gestion des processus éducatifs.

4. Résultats Expérimentaux

Le cadre a été validé via un design quasi-expérimental dans un EES technique ukrainien et par des études d'ablation sur des ensembles de données générés.

4.1 Performance Algorithmique (Étude d'Ablation)

Amélioration de la Qualité : La configuration complète de l'AMD a atteint une qualité intégrale moyenne de 0,84, soit une amélioration de 18,3 % par rapport au GA de base (0,71).
Vitesse de Convergence : L'AMD a atteint le seuil de qualité ( $F > 0,75$ ) en 38,4 minutes, une réduction de 34 % du temps par rapport au GA de base (58,2 minutes).
Stabilité : L'écart-type des résultats finaux ( $\sigma_{final}$ ) est passé de 0,043 (Base) à 0,029 (AMD), indiquant des résultats plus cohérents.
Synergie : L'effet combiné de CPC et AWM a dépassé la somme de leurs contributions individuelles, démontrant une interaction synergique.

4.2 Résultats Anthropocentrés (Comparaison EES)

Comparaison d'un groupe de contrôle (planification manuelle traditionnelle) avec un groupe expérimental (AMD avec poids adaptés par SRA) :

Satisfaction : La satisfaction des étudiants a augmenté de 43,7 % (3,2 à 4,6/5) ; la satisfaction des instructurs a augmenté de 41,4 %.
Réduction du Stress : Le stress perçu (PSS-10) a diminué de 34,8 % (22,1 à 14,4), passant d'une plage de stress modéré-élevé à une plage de faible stress.
Performance Académique : Amélioration de 13,5 % (3,7 à 4,2/5).
Assiduité : Augmentation de 14,1 %.
Réduction des Conflits : Les conflits d'emploi du temps ont chuté de 83,3 % (de 12 à 2 par semaine).
Équité : Le système a amélioré l'alignement circadien pour les chronotypes du soir (le groupe le plus défavorisé) de 45 % (0,51 à 0,74) sans réduire les bénéfices pour les groupes du matin, confirmant une distribution uniforme des gains.

4.3 Utilisabilité du Système

Acceptation par le Répartiteur : 76 % des recommandations de l'IA ont été acceptées ; 24 % ont nécessité une reprise manuelle, validant la valeur du jugement humain.
Explicabilité : Taux de réussite de 100 % dans l'analyse de scénarios « et si » ; les explications ont été notées 4,2/5 pour leur utilité.

5. Signification et Revendications

L'article affirme que l'ADMS comble une lacune méthodologique critique dans la planification éducative en passant d'un paradigme purement technique de l'Industrie 4.0 à une approche sociotechnique orientée vers l'humain.

Changement de Paradigme : Il démontre que traiter la planification comme un problème complexe centré sur l'humain, plutôt que comme un simple problème de satisfaction de contraintes, produit des améliorations statistiquement significatives du bien-être et des résultats académiques.
Adaptabilité : Le service SRA prouve que les systèmes peuvent apprendre et s'adapter aux cultures institutionnelles spécifiques et aux préférences des participants au fil du temps, plutôt que de dépendre de paramètres statiques définis par les développeurs.
Confiance et Transparence : En intégrant l'explicabilité et les étapes d'approbation humaine, le système favorise la confiance dans la prise de décision automatisée, une condition préalable à l'adoption de l'IA dans les contextes éducatifs sensibles.
Évolutivité : L'architecture modulaire et l'utilisation d'API REST standards suggèrent que le cadre est déployable dans divers EES et potentiellement adaptable à d'autres domaines sociotechniques (ex: planification des quarts de travail hospitaliers).

Les auteurs notent des limites, notamment la validation dans une seule institution et la dépendance aux retours auto-déclarés pour l'adaptation des poids, mais affirment que le cadre fournit une base robuste pour une future validation multi-institutionnelle et le développement d'outils de planification éducative plus avancés et personnalisés.