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

Technische Samenvatting: Kwalitatieve Capaciteitsplanning voor Onderwijs onder Heterogene Ondersteuningsbehoeften

Probleemformulering
Het artikel behandelt de planning van de capaciteit van gekwalificeerd onderwijspersoneel binnen een enkele instelling. In tegenstelling tot standaard operationele modellen die personele capaciteit behandelen als een vaste headcount, modelleert dit werk capaciteit als gekwalificeerde personele tijd—tijd die zowel beschikbaar is als beschikt over de specifieke voorbereiding die vereist is voor een ondersteuningstaak (bijv. remediëring, taalondersteuning). Het probleem wordt gekenmerkt door drie dynamische beperkingen:

1. Heterogeniteit: De ondersteuningsvraag is gecategoriseerd, en personeel moet over specifieke kwalificaties ($k$) beschikken voor specifieke categorieën ($g$).
2. Dynamische Kwalificatie: Voorbereiding is een continue staat ($S_{w,k,t}$) die onderhevig is aan verval ($\delta$) indien niet beoefend, en vereist training ($\alpha$) om een harde kwalificatiedrempel ($\theta$) te bereiken.
3. Capaciteitsconsumptieve Training: Training consumeert dezelfde schaarse personeelsuren die nodig zijn voor de huidige studentenservice. Bovendien zijn onderwijsdiensten niet-opslagbaar; niet-vervulde vraag creëert een achterstand die niet kan worden "opgeslagen" voor latere vervulling, en capaciteit die te laat gekwalificeerd is, kan de verleden vraag niet retrospectief bedienen.
   Het beslissingsprobleem behelst de allocatie van personeelsuren tussen directe service ($x_{service}$) en training ($x_{train}$) onder onzekerheid met betrekking tot pieken in de vraag, afwezigheid van personeel en de komst van nieuwe ondersteuningscategorieën. Deze verstoringen kunnen aangekondigd (zichtbaar in de prognoseperiode) of onverwacht (verborgen tot het begin) zijn.

Methodologie en Benchmark Design
De auteurs introduceren een synthetische, seed-gecontroleerde benchmark en een beslissingsondersteunend framework in plaats van een operationele planner. Het systeem is een gestileerd servicemodel met:

• Staat: Achterstand van niet-vervulde uren, personele beschikbaarheid en continue voorbereidingsniveaus.
• Acties: Allocatie van service- en trainingsuren onderworpen aan harde geschiktheidsbeperkingen (alleen gekwalificeerd personeel kan dienen) en zitplaatslimieten voor training.
• Dynamiek: De achterstand evolueert op basis van vraag minus service; voorbereidingsniveaus vervallen en nemen toe door training.
• Doelstelling: Minimaliseren van de som van kosten voor niet-vervulde vraag en trainingskosten over een eindige horizon.

De benchmark bevat zes scenariofamilies: stationaire controle, nieuwe ondersteuningscategorieën (aangekondigd/onverwacht), personeelsafwezigheid (aangekend/onverwacht) en vraagpieken. Er wordt gebruikgemaakt van exacte haalbaarheidsdiscipline, wat garandeert dat alle beleidsregels geldige acties genereren, en er wordt gebruikgemaakt van replay checksums voor bit-voor-bit reproduceerbaarheid.

Beleidsklassen
De studie vergelijkt verschillende beleidsklassen, waarbij de informatieverzamelingen expliciet worden verklaard:

1. ServiceOnly: Alloceert service proportioneel aan de vraag; traint nooit.
2. ReactiveGap: Traint alleen nadat de niet-gedekte vraag een drempel heeft overschreden.
3. StaticInsurance: Voert een vast, sober cross-kwalificatieplan uit vanaf $t=0$ op basis van de initiële configuratie, waarbij een vast budgetfractie wordt uitgegeven.
4. WaterFillingTraining: Verspreidt een vast trainingsbudget over geobserveerde tekorten.
5. ForecastAwareMPC (Primair): Een rolling-horizon Mixed-Integer Linear Programming (MILP) controller die de service en training optimaliseert over een eindige horizon ($H=6$), waarbij telkens opnieuw wordt gepland. Deze behandelt onverwachte schokken als gemaskeerd totdat ze optreden.
6. OracleUpperReference: Een peer met perfect vooruitzicht (dezelfde MPC-structuur maar met ongemaskeerde onverwachte schokken), gebruikt om de waarde van vooruitziendheid te isoleren, niet als een globaal bovengrens.

Belangrijkste Resultaten en Regime Map
De centrale bevinding is niet één universeel "beste" beleid, maar een regimemap die wordt beheerst door de relatie tussen de trainingslag (tijd om een nieuwe kwalificatie te verwirven) en de reactierechte van de controller (planningshorizon + herstelbare achterstand).

1. Reactie-Haalbaar Regime: Wanneer een nieuwe kwalificatie binnen de reactierechte van de controller kan worden verworven (bijv. standaard trainingssnelheden, warm starts of korte verstoringen), domineert de closed-loop MPC-controller.

   • In een bevroren adversariële suite van 2.620 episodes (die korte vensters, trage training, lage slack, lage slack, en op schokken gerichte statische plannen dekt) won de controller alle 158 gepaarde cellen tegen statische baselines.
   • Attributieanalyse toont aan dat de waarde voortkomt uit just-in-time kwalificatieverwerving, niet enkel uit betere serviceallocatie.
   • De controller presteert bijna identiek aan de perfect-vooruitzicht Oracle bij aangekondigde schokken, wat de legitimiteit ervan bevestigt.

2. Pre-Positioning Regime: Wanneer de trainingslag de horizon van de controller overschrijdt (bijv. een "cold start" met diepe hertraining die ~60 personeelsuren vereist, wat de $H=6$ horizon overschrijdt), wint lean static insurance met een factor tot 2 op lange vensters.

   • Deze winst is structureel: de perfect-vooruitzicht Oracle (ook beperkt tot $H=6$) is gelijk aan de primaire controller en verliest identiek aan het statische plan, wat bewijst dat het falen te wijten is aan de horizonbeperking, niet aan de logica van de controller.
   • Reactieve trainers die pas na het begin starten, zijn de slechtste presteerders, omdat zij energie verspillen aan training die niet op tijd kan kwalificeren.

3. Structurele Onvoldoende: Wanneer de totale vraag structureel de gekwalificeerde capaciteit overstijgt ($\rho < 1$), stort alle beleid in en wordt de keuze van het beleid irrelevant.

4. Vergankelijkheid van Achterstand: Het introduceren van een deadline (vergankelijke achterstand) verschuift de grens tussen regimes, maar wist deze niet uit. Het voordeel van de controller in het reactie-haalbare regime berust niet op het vergeven van late service.

Betekenis en Claims
Het artikel claimt de eerste reproduceerbare synthetische benchmark te bieden voor kwalitatieve onderwijscapaciteitsplanning die dynamische vaardigheidsstaten, trainingsopportuniteitskosten en heterogene vraag integreert.

• Bijdrage: Het stelt een regimemap vast die onderscheid maakt tussen wanneer dynamische, just-in-time controle superieur is versus wanneer statische, vooraf gepositioneerde verzekering structureel noodzakelijk is.
• Contrast met Productie: In tegen tegenstelling tot begeleidende studies in de productie waar statische verzekering vaak wint nabij capaciteitsgrenzen, laat dit onderwijsmodel zien dat dynamische controle domineert in de meeste realistische scenario's, tenzij de trainingslag structureel langer is dan de planningshorizon.
• Beperkingen: De auteurs verklaren expliciet dat alle resultaten gestileerde computationele bewijzen zijn op synthetische data. Het framework doet geen claims over werkelijke studentresultaten, wettelijke naleving of individuele plaatsingen. Het dient als een testbed voor het bestuderen van beslissingsproblemen, niet als een implementatie-instrument.
• Tooling: Het artikel introduceert EduCapacity Studio, een transparante interface voor scenario-analyse en bit-voor-bit replay, ontworpen als een instrument voor reproduceerbaarheid in plaats van een aanbevelingsmotor.

Samenvattend betoogt het artikel dat de "beste" strategie volledig afhangt van de ratio tussen de trainingslag en de reactierechte van de controller. Als de lag kort is, wint dynamische controle; als de lag lang is (waardoor reactie structureel te laat is), is lean statische pre-positioning de optimale structurele respons.