💻 computer science

TeamUp: Semantic Project Matching and Team Formation for Learning at Scale

Het artikel introduceert TeamUp, een lichtgewicht, op embedding gebaseerd systeem dat gebruikmaakt van semantische matching en hybride rangschikkingsalgoritmen om automatisch cognitief diverse studententeams te vormen en deze af te stemmen op projecten met een passende uitdaging, waardoor de matchkwaliteit, gelijkheid en leerresultaten in grootschalige projectgerichte cursussen aanzienlijk worden verbeterd.

Oorspronkelijke auteurs: Dhruv Gulwani, Basem Suleiman, Aditya Joshi, Sonit Singh

Gepubliceerd 2026-05-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dhruv Gulwani, Basem Suleiman, Aditya Joshi, Sonit Singh

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een massieve universiteitscursus voor waarbij 200 tot 300 studenten in teams moeten worden verdeeld om aan grote, definitieve projecten te werken. Op dit moment is het organiseren hiervan als proberen een enorme berg niet-matching sokken met de hand te sorteren terwijl je blind bent. Professoren gebruiken vaak spreadsheets of eenvoudige enquêtes, wat leidt tot drie grote problemen:

De verkeerde match: Sommige studenten krijgen projecten die veel te moeilijk zijn (alsof je een peuter een calculusboek geeft), terwijl anderen projecten krijgen die te makkelijk zijn (alsof je een meesterkok een sandwich laat maken).
De "kloon"-teams: Studenten kiezen vaak vrienden of mensen die precies op hen lijken, waardoor teams ontstaan waar iedereen exact dezelfde sterktes en exact dezelfde zwaktes heeft.
Het oneerlijke voordeel: De zelfverzekerde of "luidste" studenten grijpen de coolste projecten, waardoor anderen minder kansen krijgen.

Het paper introduceert TeamUp, een slim computersysteem dat is ontworpen om dit gedoe op te lossen. Denk aan TeamUp niet als een robot die de overhand neemt, maar als een super-georganiseerde, super-slimme matchmaker die professoren helpt betere beslissingen te nemen.

Hier is hoe het werkt, met eenvoudige analogieën:

1. De "CV-vertaler" (Semantische Embeddings)

In plaats van alleen te zoeken naar trefwoorden zoals "Python" of "Ontwerp", leest TeamUp het volledige profiel van een student (vaardigheden, eerdere projecten, cv) en de beschrijving van een project, en zet ze om in onzichtbare "smaakprofielen".

De Analogie: Stel je voor dat elke student en elk project een smoothie is. Een student die houdt van coderen en data is een "Bosbes-Banaan-Coderen"-smoothie. Een project dat zware data-analyse vereist is een "Bosbes-Banaan-Data"-smoothie.
Hoe het helpt: Oude systemen controleren alleen of beide "bosbessen" hebben. TeamUp proeft de hele smoothie om te zien of de smaken echt matchen. Het begrijpt dat "coderen voor een website" anders is dan "coderen voor een robot", zelfs als ze dezelfde taal gebruiken.

2. Het "Klassieke" Filter (Moeilijkheidsgraad-uitlijning)

Het systeem gebruikt een concept dat de "Zone van Nabije Ontwikkeling" wordt genoemd. Dit is het sweet spot waar een taak uitdagend genoeg is om je te laten groeien, maar niet zo moeilijk dat je opgeeft.

De Analogie: Denk eraan als een videospel. Als je een speler van Level 1 bent, gooit het systeem je niet in de Level 50-bossgevecht (te eng). Het laat je ook niet de 100e keer tegen een Level 1-slijm vechten (te saai). Het vindt de Level 3-uitdaging die je net genoeg laat zweten om sterker te worden.
Het Resultaat: Het systeem straft matches die te ver uit elkaar liggen, zodat studenten worden uitgedaagd maar niet breken.

3. De "Puzzel"-teambouwer (Complementariteit)

Bij het vormen van teams zoekt TeamUp niet alleen naar vergelijkbare mensen. Het zoekt naar complementaire vaardigheden, zoals stukken van een puzzel die samen een heel plaatje vormen.

De Analogie: Als je een huis bouwt, wil je geen team van vijf mensen die allemaal expert dakdekkers zijn. Je hebt één dakdekker, één loodgieter, één elektricien en één architect nodig.
Hoe het helpt: Het systeem berekent de "afstand" tussen studenten. Als twee studenten te veel op elkaar lijken (zoals twee dakdekkers), duwt het ze uit elkaar. Het bouwt teams waar iedereen iets anders aan de tafel brengt, waardoor een sterkere, diversere groep ontstaat.

4. De "Eerlijkheid"-rail

Het systeem probeert ook ervoor te zorgen dat de "goede" projecten (die waar iedereen zin in heeft) eerlijk worden verdeeld, in plaats van dat ze gewoon door de eerste paar mensen die inloggen worden gegrepen. Het balanceert de last zodat geen enkel project overweldigd wordt terwijl andere leeg staan.

Wat hebben ze getest?

De auteurs hebben dit nog niet op echte studenten getest. In plaats daarvan voerden ze een simulatie uit (een "virtueel experiment") met 250 nepstudentenprofielen en 60 nepprojecten.

De Resultaten:

Betere matches: Het systeem vond matches die veel nauwkeuriger waren (74% matchkwaliteit) vergeleken met raden (43%).
Betere moeilijkheidsgraad: 83% van de studenten werd geplaatst in projecten met de juiste moeilijkheidsgraad, vergeleken met slechts 34% bij willekeurige toewijzing.
Betere teams: 82% van de door AI gevormde teams had leden met drie of meer verschillende vaardigheidsgebieden, vergeleken met slechts 41% van de willekeurige teams.
Snelheid & Kosten: Het deed dit allemaal in minder dan een seconde per student en kostte minder dan 10 cent per student om uit te voeren.

De Conclusie

TeamUp is een hulpmiddel om leraren te helpen, niet om hen te vervangen. Het regelt het saaie, zware werk van het sorteren van honderden studenten in de juiste projecten en teams. Dit geeft professoren de vrijheid om zich te richten op het menselijke aspect – zoals het oplossen van persoonlijke conflicten of het helpen van een student die een slechte week heeft.

Het paper concludeert dat hoewel de computersimulatie veelbelovend lijkt, de echte test nog moet komen: zien hoe echte studenten denken over de matches en hoe goed de teams eigenlijk presteren in een echte klas.

Technische Samenvatting: TeamUp – Semantische Projectmatching en Teamvorming voor Leren op Schaal

Probleemstelling
Projectgericht leren (PGL) is een hoeksteen van hedendaagse techniekonderwijs, maar het schaalbaar maken ervan voor cohorten van 200–300+ studenten brengt aanzienlijke pedagogische uitdagingen met zich mee. Huidige toewijzingsmethoden, die vertrouwen op handmatige spreadsheets, ad hoc voorkeursonderzoeken en intuïtie van docenten, slagen er niet in drie aanhoudende problemen aan te pakken:

Slechte Vaardigheid-Projectmatch: Subtiele competentieverschillen worden over het hoofd gezien, wat leidt tot projecten die te makkelijk zijn (wat leidt tot desinteresse) of te moeilijk (wat leidt tot overweldiging), en niet aansluiten bij de Zone van Nabije Ontwikkeling (ZON) van de student.
Homogene Teamclustering: Handmatig samengestelde of zelfgekozen teams groeperen studenten vaak met identieke sterktes, waardoor de cognitieve diversiteit wordt gemist die nodig is voor verbeterde probleemoplossing en leerresultaten.
Onbillijke Verdeling van Kansen: Zonder principiële mechanismen kiezen hoogpresterende studenten zichtbare projecten zelf, terwijl ondervertegenwoordigde groepen te maken krijgen met verminderde toegang tot kansen.

Traditionele benaderingen behandelen toewijzing als een logistiek optimalisatieprobleem in plaats van een probleem van leerontwerp, waardoor ze de multidimensionale aard van studentcompetenties en projecteisen niet vastleggen.

Methodologie
TeamUp is een lichtgewicht, op embedding gebaseerd systeem dat is ontworpen om projecttoewijzing en teamvorming te automatiseren, terwijl het zich houdt aan principes van de leerverwerving. De systeemarchitectuur integreert vier kerncomponenten:

Data Voorbereiding & Generatie van Embeddings:
- Input: Studenten verstrekken profielen met zelfbeoordeelde vaardigheidsniveaus, cursussen, projectervaring en domeinvoorkeuren. CV's kunnen worden geüpload voor extractie op basis van NLP. Supervisors definiëren projecten met vereiste/optionele vaardigheden, moeilijkheidsgradaties en domeinlabels.
- Vectorisatie: Alle tekstuele en categorische data worden omgezet in dichte vectorrepresentaties met behulp van vooraf getrainde taalmodellen (bijv. text-embedding-ada-002, Google Gemini).
- Aggregatie: Studentembeddings ( $s$ ) worden berekend via gewogen gemiddelde van vaardigheids- en ervaringsembeddings, waarbij de gewichten overeenkomen met zelfgerapporteerde competentieniveaus. Projectembeddings combineren vereiste vaardigheden (1,5× gewicht), optionele vaardigheden (0,75× gewicht) en beschrijvingen.
- Opslag: Vectoren worden opgeslagen in PostgreSQL met de pgvector-extensie, wat efficiënte zoekopdrachten op gelijkenis mogelijk maakt via HNSW-indexering zonder aparte vectordatabase-infrastructuur.
Op Gelijkenis Gebaseerde Matching (Hybride Ranking):
- Basiscore: De initiële matching maakt gebruik van cosinusgelijkenis tussen student- en projectembeddings.
- Pedagogische Aanpassingen: Ruwe gelijkenisscores worden gewijzigd door drie beperkingen:
  - Aanpassing Moeilijkheidsgraad (ZON): Een kwadratische straf wordt toegepast als de projectmoeilijkheid significant afwijkt van het ervaringsniveau van de student, waardoor overweldigende of saaie opdrachten worden voorkomen.
  - Domeinvoorkeur: Scores worden verhoogd (15–20%) als het project aansluit bij de opgegeven domeininteresses van de student, ter ondersteuning van de theorie van zelfdeterminatie.
  - Vraagbalans: Scores nemen exponentieel af naarmate het inschrijvingsratio van een project de capaciteit nadert, waardoor een billijke verdeling van projecten met hoge vraag wordt gewaarborgd.
Modellering van Teamcomplementariteit:
- Om homogene clustering te voorkomen, hanteert TeamUp een gulzig algoritme dat vaardigheidscomplementariteit maximaliseert.
- Beginnend met de student met de hoogste matching, worden extra leden geselecteerd op basis van een complementariteitsscore: $comp(t, c) = \alpha \cdot sim(c, p) - \beta \cdot sim(t, c)$ , waarbij $t$ het gemiddelde embedding van het huidige team is, $c$ een kandidaat is en $p$ het project.
- Deze formulering balanceert projectfit tegen het straffen van kandidaten die te veel lijken op bestaande teamleden. Teamdiversiteit wordt gekwantificeerd door de variantie van het gemiddelde teamembedding-vector.
Systeemarchitectuur:
- Gebouwd met Next.js/React (frontend) en Supabase/PostgreSQL (backend).
- Ondersteunt realtime aanbevelingen met een latentie van minder dan een seconde voor cohorten van 500+ studenten.
- Operationele kosten worden onder de $0,10 per student gehouden.

Belangrijkste Bijdragen

Principiële Toewijzingssysteem: Een semantisch op embedding gebaseerd systeem dat is gebaseerd op leerverwerving (ZON, theorie van zelfdeterminatie, collaboratief leren) en voorbijgaat aan eenvoudige trefwoordmatching of voorkeursranking.
Modellering van Cognitieve Diversiteit: Een nieuwe aanpak voor teamvorming die vaardigheidscomplementariteit expliciet modelleert via embeddingvariantie, en het principe operationaliseert dat diverse teams beter presteren dan homogene teams.
Verantwoord AI-ontwerp: Het systeem is ontworpen als een "mens-in-de-lus"-tool die transparante, uitlegbare aanbevelingen biedt (met toelichting op vaardigheidsalignementen en redenen), terwijl de autoriteit van de docent voor definitieve beslissingen behouden blijft. Het werkt binnen realistische onderwijsbudgetten zonder dat er aangepaste trainingsdata of gespecialiseerde ML-infrastructuur nodig is.
Virtuele Validatie: Bewijs uit een virtueel experiment dat het vermogen van het systeem aantoont om superieure toewijzingen te produceren in vergelijking met willekeurige toewijzing.

Resultaten (Virtueel Experiment)
Het systeem werd geëvalueerd met 250 dummy-studentprofielen en 60 projectbeschrijvingen, waarbij TeamUp werd vergeleken met willekeurige toewijzing:

Matchkwaliteit: TeamUp bereikte een gemiddelde cosinusgelijkenis van 0,74 versus 0,43 voor willekeurige toewijzing.
Aanpassing Moeilijkheidsgraad: 83% van de TeamUp-studenten werd geplaatst binnen één moeilijkheidsniveau van hun ervaring, tegenover 34% onder willekeurige toewijzing.
Teamdiversiteit: 82% van de TeamUp-teams besloeg drie of meer technische gebieden, tegenover 41% van de willekeurige teams.
Prestaties: Het systeem genereerde alle aanbevelingen in 4,2 seconden (minder dan een seconde per query) met een API-kostprijs van $0,024 voor het volledige cohort.

Betekenis en Claims
Het artikel beweert dat TeamUp een schaalbare, kosteneffectieve oplossing biedt voor de pedagogische uitdagingen van PGL op grote schaal. Door gebruik te maken van semantische embeddings, adresseert het systeem de beperkingen van handmatige toewijzing in het vastleggen van genuanceerde vaardigheid-projectmatches en het stimuleren van cognitieve diversiteit.

De auteurs stellen expliciet dat de huidige resultaten voorlopig zijn, afgeleid van een virtueel experiment met synthetische data. Zij erkennen dat dummy-data de "rommeligheid" van echte studentprofielen, inconsistenties in zelfbeoordeling of interpersoonlijke teamdynamiek niet kan vastleggen. Bijgevolg claimt het artikel niet dat TeamUp in de praktijk verbeterde leerresultaten of gelijkheid garandeert. In plaats daarvan positioneert het het systeem als een veelbelovend ontwerppatroon voor verantwoord AI in het onderwijs, waarbij de kritische volgende stap een gecontroleerde implementatie met echte gebruikers is om billijkheid, tevredenheid van gebruikers en daadwerkelijke leerwinst te valideren. Het systeem wordt niet gepresenteerd als een vervanging voor menselijk oordeel, maar als een hulpmiddel om routine-matching te verwerken, waardoor docenten zich kunnen richten op uitzonderlijke gevallen en contextuele beslissingen.