Qualified Educational Capacity Planning under Heterogeneous Student Support Needs: A Synthetic Benchmark and Decision-Support Framework

Sintesi Tecnica: Pianificazione della Capacità Educativa Qualificata sotto Fabbisogni di Supporto Eterogenei

Formulazione del Problema
Il documento affronta la pianificazione della capacità del personale educativo qualificato all'interno di un singolo istituto. A differenza dei modelli operativi standard che trattano la capacità del personale come un numero fisso di teste, questo lavoro modella la capacità come tempo del personale qualificato—tempo che è sia disponibile sia dotato della specifica preparazione richiesta per un compito di supporto (ad es., recupero, supporto linguistico). Il problema è caratterizzato da tre vincoli dinamici:

1. Eterogeneità: La domanda di supporto è categorizzata e il personale deve possedere qualifiche specifiche ($k$) per categorie specifiche ($g$).
2. Qualifica Dinamica: La preparazione è uno stato continuo ($S_{w,k,t}$) soggetto a decadimento ($\delta$) se non praticata e richiede formazione ($\alpha$) per raggiungere una soglia di qualifica rigida ($\theta$).
3. Formazione che Consuma Capacità: La formazione consuma le stesse scarse ore di personale richieste per il servizio agli studenti attuale. Inoltre, i servizi educativi sono non stoccabili; la domanda non soddisfatta crea un arretrato che non può essere "stoccato" per essere soddisfatto in seguito, e la capacità qualificata troppo tardi non può servire retroattivamente la domanda passata.
   Il problema decisionale riguarda l'allocazione delle ore del personale tra servizio diretto ($x_{service}$) e formazione ($x_{train}$) sotto incertezza relativa a picchi di domanda, assenze del personale e arrivo di nuove categorie di supporto. Queste interruzioni possono essere annunciate (visibili nella finestra di previsione) o a sorpresa (nascoste fino all'insorgenza).

Metodologia e Design del Benchmark
Gli autori introducono un benchmark sintetico controllato da semi e un framework di supporto decisionale piuttosto che uno scheduler distribuito. Il sistema è un modello di servizio stilizzato con:

• Stato: Arretrato di ore non soddisfatte, disponibilità del personale e livelli di preparazione continui.
• Azioni: Allocazione di ore di servizio e formazione soggette a vincoli rigidi di ammissibilità (solo il personale qualificato può prestare servizio) e limiti di posti a sedere per la formazione.
• Dinamiche: L'arretrato evolve in base alla domanda meno il servizio; i livelli di preparazione decadono e aumentano con la formazione.
• Obiettivo: Minimizzare la somma dei costi della domanda non soddisfatta e dei costi di formazione su un orizzonte temporale finito.

Il benchmark include sei famiglie di scenari: controllo stazionario, nuove categorie di supporto (annunciate/a sorpresa), assenze del personale (annunciate/a sorpresa) e picchi di domanda. Impiega una disciplina di fattibilità esatta, garantendo che tutte le policy generino azioni valide, e utilizza checksum di riproduzione per una riproducibilità bit a bit.

Classi di Policy
Lo studio confronta diverse classi di policy, dichiarando esplicitamente i loro set informativi:

1. ServiceOnly: Alloca il servizio proporzionalmente alla domanda; non forma mai.
2. ReactiveGap: Forma solo dopo che la domanda non coperta supera una soglia.
3. StaticInsurance: Esegue un piano di cross-qualifica fisso e snello dal tempo $t=0$ basato sulla configurazione iniziale, spendendo una frazione fissa del budget.
4. WaterFillingTraining: Distribuisce un budget di formazione fisso attraverso i gap osservati.
5. ForecastAwareMPC (Primaria): Un controller MILP (Programmazione Lineare Intera Mista) a orizzonte rotante che ottimizza servizio e formazione su un orizzonte finito ($H=6$), ri-pianificando ad ogni step. Tratta gli shock a sorpresa come mascherati finché non si verificano.
6. OracleUpperReference: Un peer a perfetta conoscenza (stessa struttura MPC ma con shock a sorpresa non mascherati) utilizzato per isolare il valore della previsione, non come limite superiore globale.

Risultati Chiave e Mappa dei Regimi
La conclusione centrale non è una "migliore" policy universale, ma una mappa dei regimi governata dalla relazione tra il lag di formazione (tempo per acquisire una nuova qualifica) e la portata di reazione del controller (orizzonte di pianificazione + finestra di recupero dell'arretrato).

1. Regime di Reazione Fattibile: Quando una nuova qualifica può essere acquisita entro la portata di reazione del controller (ad es., tassi di formazione standard, avvii a caldo o finestre di interruzione brevi), il controller MPC a ciclo chiuso domina.

   • In una suite avversaria congelata di 2.620 episodi (che copre finestre brevi, formazione lenta, basso slack, basso margine e piani statici focalizzati sugli shock), il controller ha vinto in tutti i 158 casi accoppiati contro le baseline statiche.
   • L'analisi di attribuzione mostra che il valore deriva dall'acquisizione di qualifiche "just-in-time", non solo da una migliore allocazione del servizio.
   • Il controller performa in modo quasi identico all'Oracle a perfetta conoscenza sugli shock annunciati, confermando la sua legittimità.

2. Regime di Pre-Posizionamento: Quando il lag di formazione supera l'orizzonte del controller (ad es, un "cold start" con riqualificazione profonda che richiede circa 60 ore di personale, superando l'orizzonte $H=6$), la insurance statica snella vince di un fattore fino a 2× su finestre lunghe.

   • Questa vittoria è strutturale: l'Oracle a perfetta conoscenza (anch'esso limitato a $H=6$) pareggia il controller primario e perde identicamente al piano statico, provando che il fallimento è dovuto al vincolo dell'orizzonte, non alla logica del controller.
   • I formatori reattivi che iniziano dopo l'insorgenza sono i peggiori performer, sprecando sforzi in una formazione che non può qualificarsi in tempo.

3. Insufficienza Strutturale: Quando la domanda totale supera strutturalmente la capacità qualificata ($\rho < 1$), tutte le policy collassano e la scelta della policy diventa irrilevante.

4. Peribilità dell'Arretrato: L'introduzione di una scadenza (arretrato deperibile) sposta il confine tra i regimi ma non li elimina. Il vantaggio del controller nel regime di reazione fattibile non dipende dal concedere un servizio tardivo.

Significatività e Rivendicazioni
Il documento sostiene di fornire il primo benchmark sintetico riproducibile per la pianificazione della capacità educativa qualificata che integra stati di competenza dinamici, costi opportunità della formazione e domanda eterogenea.

• Contributo: Stabilisce una mappa dei regimi che distingue quando un controllo dinamico e "just-in-time" è superiore rispetto a una necessità strutturale di assicurazione statica pre-posizionata.
• Contrasto con la Manifattura: A differenza degli studi affini sulla manifattura dove l'assicurazione statica spesso vince vicino ai confini di capacità, questo modello educativo mostra che il controllo dinamico domina nella maggior parte degli scenari realistici, a meno che il lag di formazione non sia strutturalmente più lungo dell'orizzonte di pianificazione.
• Limitazioni: Gli autori dichiarano esplicitamente che tutti i risultati sono evidenze computazionali stilizzate su dati sintetici. Il framework non esprime alcuna rivendicazione su risultati reali degli studenti, conformità legale o posizionamenti individuali. Serve come banco di prova per studiare problemi decisionali, non come strumento di implementazione.
• Strumentazione: Il documento introduce EduCapacity Studio, un'interfaccia trasparente per l'analisi degli scenari e la riproduzione bit a bit, progettata come strumento di riproducibilità piuttosto che come motore di raccomandazione.

In sintesi, il documento sostiene che la "migliore" strategia dipende interamente dal rapporto tra il lag di formazione e la portata di reazione del controller. Se il lag è breve, il controllo dinamico vince; se il lag è lungo (rendendo la reazione strutturalmente troppo tardiva), la risposta strutturale ottimale è il pre-posizionamento statico snello.