A genetic algorithm for student academic resource allocation

Stel je voor dat je de kapitein bent van een ruimteschip, maar in plaats van sterren is je laadruim gevuld met duizenden verschillende instrumenten, gadgets en kaarten. Je missie? Om een enkele passagier zo snel en gelukkig mogelijk bij hun bestemming te helpen. Het probleem is dat je passagier zeer specifieke behoeften heeft: misschien raakt diegene gemakkelijk verdwaald, misschien is het een snelheidspiraat, of misschien heeft diegene een beperkte hoeveelheid brandstof. Je kunt niet zomaar alles naar hen toe gooien; je moet de perfecte combinatie van items kiezen die in de brandstoftank past en hen tegelijkertijd de beste kans op succes geeft. Dit is de dagelijkse uitdaging van het moderne onderwijs. Docenten hebben een enorme bibliotheek aan lessen, video's en oefeningen, maar elke leerling leert anders. Sommigen hebben extra hulp nodig bij het lezen van getallen, terwijl anderen klaar zijn om voorop te sprinten. Het uitzoeken van de exacte juiste mix van materialen voor één leerling is als het proberen op te lossen van een gigantische, onmogelijke puzzel waarbij de stukjes steeds van vorm veranderen. Hier komt informatica om de hoek kijken met een slimme truc genaamd een "Genetisch Algoritme". Denk aan het als een digitaal evolatielab. In plaats van dat een mens probeert een perfecte lijst te raden, maakt de computer duizenden willekeurige lijsten, test ze, en "kruist" vervolgens de beste lijsten met elkaar, door ze steeds opnieuw te mengen en te matchen, totdat er een oplossing evolueert die bijna perfect is. Het is de manier van de natuur om wiskundige problemen op te lossen: survival of the fittest, maar dan voor huiswerkopdrachten.

Dit artikel, geschreven door een team van onderzoekers uit Spanje, pakt precies deze puzzel aan: hoe je automatisch de beste wiskundige bronnen kiest voor een middelbare scholier. Ze kaderen het probleem als een "0–1 binaire combinatorische optimalisatie"-uitdaging. In gewone mensentaal betekent dit simpelweg beslissen of je voor elk afzonderlijk item in een catalogus kiest om het wel (1) of niet (0) op te nemen, terwijl je binnen een strikte tijdslimiet blijft. De onderzoekers weten dat naarmate de lijst met bronnen groter wordt, het proberen te controleren van elke mogelijke combinatie onmogelijk wordt voor een computer om snel te doen—als het proberen te tellen van elk zandkorreltje op een strand, één voor één. Vanwege hiervan stellen ze hun "Genetische Algoritme" voor om een geweldige oplossing te vinden zonder elke mogelijkheid te hoeven controleren.

Het team bouwde een systeem dat eerst naar een leerlingprofiel kijkt. Ze houden rekening met de huidige score van de leerling, hoe goed die presteert in verschillende wiskundige gebieden (zoals algebra of meetkunde), en zelfs specifieke leeruitdagingen. Bijvoorbeeld, ze gebruiken een "diagnostische factor" om het plan aan te passen: een leerling met hoge vermogens krijgt een factor van 1,0, terwijl een leerling met dyslexie een 0,7 krijgt en een leerling met dyscalculie (problemen met getallen) een 0,5. Deze factor werkt als een volumeknop, die de intensiteit van de taken naar beneden draait om aan de behoeften van de leerling te voldoen. Het systeem filtert ook bronnen die te makkelijk of te moeilijk zijn, zodat alleen de bronnen overblijven die passen bij het huidige niveau en de klas van de leerling.

Zodra het systeem een lijst met geschikte bronnen heeft, voert het zijn digitale evolutie uit. Het begint met het willekeurig kiezen van een hele reeks verschillende combinaties van bronnen. Vervolgens controleert het of een van deze combinaties de regels overtreedt—specifiek, of de totale tijd die nodig is om alle geselecteerde bronnen te voltooien, de maximaal toegestane studieduurtijd van de leerling overschrijdt, die in hun experiment op 8.100 minuten (of 135 uur) was ingesteld. Als een combinatie te lang is, treedt er een speciale "reparatiemechanisme" in werking. Het werkt als een strenge redacteur, die willekeurig items uit de lijst verwijdert totdat de totale tijd perfect binnen de limiet past. Dit zorgt ervoor dat elke oplossing die de computer overweegt, ook daadwerkelijk voltooid kan worden.

De onderzoekers testten dit systeem met behulp van een synthetische catalogus van 1.000 wiskundige bronnen. Ze richtten zich op een gesimuleerd leerlingprofiel: een tweedejaars middelbare scholier met dyslexie. Na het filteren van bronnen die niet bij het niveau van de leerling pasten, had de computer 217 potentiële items om uit te kiezen. Ze draaiden het genetische algoritme 10 keer, waarbij ze elke keer met een andere willekeurige 'seed' begonnen om te zien of de resultaten consistent waren. De resultaten waren indrukwekkend. Het algoritme vond consequent hoogwaardige oplossingen en convergeerde snel naar een "best fitness"-score van 4,3333. In de beste run selecteerde het systeem exact 77 bronnen uit de beschikbare 217, waardoor het rooster van de leerling tot aan de limiet van 8.100 minuten vulde zonder eroverheen te gaan. Het feit dat de resultaten zo vergelijkbaar waren over de 10 runs, suggereert dat de methode zeer stabiel en betrouwbaar is.

Het artikel concludeert dat deze aanpak goed werkt voor het creëren van gepersonaliseerde leerplannen in realtime. De auteurs zijn echter voorzichtig en merken op dat dit een simulatie is gebaseerd op een specifiek wiskundig model. Ze beweren niet dat ze onderwijs voor altijd hebben opgelost, maar eerder dat ze een krachtig hulpmiddel hebben om deze beslissingen te nemen. Vooruitblikkend suggereert het team dat de volgende stap is om om te gaan met leerlingen met meerdere uitdagingen tegelijkertijd—zoals een leerling die zowel begaafd is als dyslexie heeft. In dat toekomstige scenario zou de computer een "Pareto-optimale" oplossing moeten vinden, waarbij het het beste doet voor alle verschillende behoeften van de leerling tegelijkertijd, balancerend tussen concurrerende doelen. Voor nu staat dit genetische algoritme echter als een veelbelovende manier om een chaotische stapel educatief materiaal om te vormen tot een op maat gemaakt routeplan voor het succes van een leerling.