💻 computer science

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

Dit artikel presenteert een softwareframework voor antropocentrisch dispatchmanagement in Industry 5.0-onderwijsomgevingen dat chronotype-bewuste optimalisatie, adaptieve criteriumweging en intelligente besluitvormingsondersteuning integreert om de kwaliteit van roosters, het welzijn van studenten en academische resultaten aanzienlijk te verbeteren, terwijl de eerlijkheid voor alle deelnemersgroepen wordt gewaarborgd.

Oorspronkelijke auteurs: Oleh Sytnik

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Oleh Sytnik

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 universiteit voor als een enorm, complex orkest. Jarenlang heeft de persoon die verantwoordelijk is voor het maken van het rooster (de "dispatcher") de rol van een dirigent vervuld die slechts één ding geeft om: ervoor zorgen dat elke muzikant een stoel, een partituur en een tijd om te spelen heeft, zonder dat mensen tegen elkaar aan botsen. Hij behandelt studenten en docenten als eenvoudige hulpbronnen, vergelijkbaar met hoe een fabrieksmanager machines behandelt.

Het resultaat? Het rooster werkt perfect op papier, maar in de realiteit is het een ramp. Het kan er bijvoorbeeld voor zorgen dat een "nachtuil"-student zijn moeilijkste wiskundeles om 8:00 uur 's ochtends moet volgen wanneer zijn brein nog in slaap is, of dat hij drie moeilijke vakken direct achter elkaar krijgt, waardoor iedereen uitgeput en gestrest raakt.

Dit artikel introduceert een nieuw softwareframework genaald ADMS (Anthropocentric Dispatch Management System) dat de aanpak van de dirigent verandert. In plaats van alleen hulpbronnen te beheren, begint het mensen te beheren. Het behandelt het educatieve proces als een "sociotechnisch" systeem, wat betekent dat het geeft om de menselijke biologie en psychologie van iedereen die erbij betrokken is.

Hier is hoe het nieuwe systeem werkt, onderverdeeld in eenvoudige concepten:

1. Het "Menselijke" Algoritme (De Nieuwe Dirigent)

De oude manier van roosters maken gebruikte standaard computercodes. Het nieuwe systeem gebruikt een speciaal "evolutionair" algoritme (een type AI dat leert door middel van vallen en opstaan) dat specifelijk is ontworpen voor mensen.

Chronotype Bewustzijn: Net zoals mensen verschillende slaapschema's hebben, weet het systeem of een student of docent een "ochtendmensen" of een "nachtuil" is. Het probeert hun moeilijkste taken te plannen op momenten dat hun brein van nature het meest actief is.
Cognitieve Compatibiliteit: Stel je voor dat je een zware biefstuk eet direct na een pittige maaltijd; dat valt niet lekker. Zo ook weet het systeem dat het plaatsen van een creatieve kunstles direct na een zware logische puzzel het brein in verwarring kan brengen. Het arrangeert lessen zodat ze soepel verlopen, als een goed gepland diner.
Psychologisch Comfort: Het vermijdt "back-to-back" stress. Het zorgt voor pauzes en dat de werklast gelijkmatig over de week wordt verspreid, in plaats van iedereen op maandag te verpletteren.

2. De "Slimme Assistent" (De Vertaler)

In het verleden spuugden computers een rooster uit en zeiden: "Hier is het, neem het aan of laat het zitten." Als het rooster vreemd was, had de menselijke dispatcher geen idee waarom.
Het nieuwe systeem bevat een Intelligente Assistent. Denk aan dit als een vertaler die het denken van de computer uitlegt in begrijpelijk Engels.

Waarom deze les? Het kan de dispatcher vertellen: "We hebben deze les om 10:00 uur gepland omdat 80% van de studenten in deze groep ochtendmensen zijn."
Wat-als Scenario's: Als een docent zegt: "Ik kan dinsdag niet lesgeven," kan de dispatcher de computer vragen: "Wat gebeurt er als ik deze les verplaats?" De computer simuleert de verandering onmiddellijk en zegt: "Als je dat doet, daalt het stressniveau, maar moet je twee andere lessen verplaatsen."
Human in the Loop: De computer neemt nooit alleen de uiteindelijke beslissing. Het presenteert de beste opties met uitleg, en een menselijke dispatcher moet ze goedkeuren. Dit zorgt ervoor dat de computer geen "technisch perfecte" maar menselijk verschrikkelijke fout maakt.

3. De "Feedbackloop" (De Lievelingsleerling)

De meeste computersystemen worden eenmaal ingesteld en veranderen nooit meer. Dit systeem is als een student die leert van zijn fouten.

Aan het einde van het semester vullen studenten en docenten een enquête in over hoe zij zich voelden.
Het systeem gebruikt deze feedback om zijn prioriteiten te "herkalibreren". Als iedereen aangaf dat ze te veel stress ervoeren, leert het systeem om "lage stress" boven "perfect ruimtegebruik" te prioriteren voor het volgende semester. Het wordt slimmer en beter afgestemd op die specifieële universiteit in de loop van de tijd.

De Resultaten: Een Gelukkiger Orkest

De onderzoekers testten dit systeem bij een universiteit in Oekraïne. Ze vergeleken het nieuwe "mensgerichte" rooster met de oude "machinegerichte" handmatige roosters. De resultaten waren aanzienlijk:

Minder Stress: Studenten en docenten rapporteerden aanzienlijk minder stress (een daling van bijna 35% op stressschalen).
Betere Cijfers: De academische prestaties verbeterden met ongeveer 13%.
Hogere Aanwezigheid: Minder mensen misten de les (de aanwezigheid ging met 14% omhoog).
Minder Conflicten: Het aantal planningsfouten (zoals twee klassen in dezelfde ruimte) daalde met meer dan 80%.
Rechtvaardigheid: Het systeem hielp niet alleen de "ochtendmensen"; het verbeterde het rooster voor iedereen, inclus $in$ de "nachtuilen", zonder dat anderen er slechter aan toe waren.

De Kernboodschap

Dit artikel betoogt dat we moeten bewegen van Industry 4.0 (die draait om efficiëntie en automatisering) naar Industry 5.0 (die draait om de mens weer centraal te stellen).

De software bouwt niet alleen een rooster; het bouwt een betere dag voor studenten en docenten. Het bewijst dat wanneer je mensen behandelt als mensen met biologische ritmes en psychologische behoeften, in plaats van alleen als datapunten, het hele educatieve proces soepeler, gelukkiger en effectiever verloopt.

Technisch overzicht: Softwareframework voor antropocentrisch dispatchmanagement in op Industrie 5.0 gerichte onderwijsprocessen

1. Probleemstelling

Traditionele roosterplanning binnen instellingen voor hoger onderwijs (IGO's) wordt voornamelijk behandeld als een technisch probleem van middelenallocatie, waarbij de focus ligt op de conflictvrije toewijzing van docenten, groepen en lokalen aan tijdsloten. Deze benadering, geworteld in de Industrie 4.0-logica, negeert vaak de chronobiologische en psychologische kenmerken van deelnemers (studenten en docenten). Als gevolg hiervan kunnen formeel geldige roosters pedagogisch contraproductief zijn, wat leidt tot cognitieve mismatch, verhoogde stress en verminderde academische prestaties. Bovendien ontbreken bestaande systemen mechanismen voor:

Adaptieve Weging: Het dynamisch aanpassen van optimalisatiecriteria op basis van feedback van deelnemers.
Besluitvormingsondersteuning: Het bieden van verklaarbare aanbevelingen, "wat-als"-scenarioanalyses en risicogerichte waarschuwingen aan menselijke dispatchers.
Integratie: Het naadloos verbinden van uiteenlopende institutionele databronnen (LMS, HR, enquêtes) in een verenigd optimalisatiemodel.

Dit creëert een kloof tussen geautomatiseerde planningsmogelijkheden en de vereisten van Industrie 5.0, die prioriteit geeft aan mensgerichtheid, veerkracht en verklaarbaarheid.

2. Methodologie: Het Antropocentrisch Dispatch Management Systeem (ADMS)

Het artikel stelt het Antropocentrisch Dispatch Management Systeem (ADMS) voor, een modulair monolithisch softwareframework dat gegevensverzameling, optimalisatie en besluitvormingsondersteuning integreert.

2.1 Architecturaal Framework

ADMS volgt de principes van Clean Architecture, waarbij de domein-, applicatie-, infrastructuur- en API-lagen van elkaar gescheiden zijn. De belangrijkste subsystemen zijn:

Dataverzameling en Opslag (DCS): Verwerkt curricula, chronotype-profielen (via MEQ-vragenlijsten), cognitieve compatibiliteitsmatrices en restricties van deelnemers.
Optimalisatiekern (OC): Voert de Antropocentrische Methode van Dispatching (AMD) uit, een evolutionair algoritme.
Satisfaction Regression Adaptation (SRA): Een service die de wegingscoëfficiënten van criteria leert op basis van feedback na het semester.
Intelligente Assistent (IA): Genereert lokale/globale verklaringen, voert "wat-als"-analyses uit en berekent risicoscores.
Presentatiesubsysteem (PS): Biedt een human-in-the-loop interface voor goedkeuring door de dispatcher en auditlogging.

2.1 De AMD Optimalisatie-algoritme

De kern van de optimalisatie maximaliseert een viercomponenten-doelfunctie $F(x, w)$ :
$F(x, w) = w_1 F_{tech}(x) + w_2 F_{circ}(x) + w_3 F_{psych}(x) + w_4 F_{cogn}(x)$

$F_{tech}$ (Technische Correctheid): Zorgt ervoor dat harde restricties (geen dubbele boekingen, zaalcapaciteit) worden nageleefd.
$F_{circ}$ (Circadiaanse Uitlijning): Stemt de lessen af op de pieken van de chronotype-activiteit van studenten en docenten, gemodelleerd via Gaussische activiteitsfuncties.
$F_{psych}$ (Psychologisch Comfort): Minimaliseert de variantie in cognitieve belasting en ongemakkelijke overgangen tussen disciplines.
$F_{cogn}$ (Cognitieve Compatibiliteit): Optimaliseert de sequentie van disciplines op basis van een gerichte compatibiliteitsmatrix $S$ .

Belangrijke Algoritmische Operatoren:

Chronotype-bewuste Initialisatie: Begroot de populatie met roosters die biologisch plausibele tijdsloten bevoordelen.
CPC (Chronotype-Preserving Crossover): Een dagwijze crossover-operator die aaneengesloten dagelijkse blokken behoudt om de circadiaanse kwaliteit te waarborgen, in plaats van standaard positionele crossovers te gebruiken.
AWM (Anthropocentric Weighted Mutation): Concentreert mutaties op tijdsloten met de laagste antropocentrische kwaliteitsscores.
Herstelprocedure: Lost systematisch schendingen van harde restricties op, terwijl geprobeerd wordt de circadiaanse uitlijning te herstellen.

2.3 Adaptieve en Besluitvormingsondersteunende Mechanismen

SRA-service: Gebruikt Ordinary Least Squares (OLS) of Ridge regressie om de componenten van de doelfunctie te mappen aan de tevredenheidsscores van deelnemers. Het werkt de wegingsvector $w$ iteratief bij door deze op een beperkte simplex te projecteren om te voorkomen dat een criterium volledig wordt onderdrukt.
Intelligente Assistent: Levert een zeven-dimensionale beslissingsvector voor elk kandidaat-rooster, inclus_ief risicoscores (conflict, stress, cognitie, verandering) en natuurlijke taalverklaringen. Het ondersteunt "wat-als"-scenario's (bijv. onbeschikbaarheid van docenten, wijzigingen in lokalen) om de impact te voorspellen vóór goedkeuring.

3. Belangrijkste Bijdragen

Verenigd Antropocentrisch Framework: Het eerste inzetbare softwaresysteem (ADMS) dat multi-criteria optimalisatie verenigt met adaptieve wegingsleer en intelligente besluitvormingsondersteuning, waarmee het verder gaat dan statische, enkel op middelen gerichte modellen.
Nieuwe Evolutionaire Operatoren: Introductie van CPC- en AWM-operatoren die specifiek zijn ontworpen om mensgerichte metrieken (chronotype en cognitieve belasting) te behouden en te verbeteren binnen de zoekruimte van het genetische algoritme.
Adaptieve Weging via SRA: Een mechanisme om institutioneel specifieke criteriumgewichten dynamisch te leren van empirische feedback, wat de starheid van vooraf geconfigureerde gewichten in bestaande systemen aanpakt.
Verklaarbare Human-in-the-Loop Workflow: Een gestructureerde workflow waarbij de dispatcher de beste kandidaten beoordeelt met gedetailleerde risicobeoordelingen en verklaringen, wat menselijk toezicht en betwistbaarheid van algoritmische beslissingen waarborgt.
Industrie 5.0 Uitlijning: Het framework operationaliseert expliciet de principes van Industrie 5.0 (mensgerichtheid, veerkracht, duurzaamheid) in de context van het beheer van onderwijsprocessen.

4. Experimentele Resultaten

Het framework werd gevalideerd middels een quasi-experimenteel ontwerp bij een Oekraïense technische hogeschool en via ablatiestudies op gegenereerde datasets.

4.1 Algoritmische Prestaties (Ablatiestudie)

Kwaliteitsverbetering: De volledige AMD-configuratie behaalde een gemiddelde integrale kwaliteit van 0,84, een verbetering van 18,3% ten opzichte van de Baseline GA (0,71).
Convergentiesnelheid: AMD bereikte de kwaliteit drempelwaarde ( $F > 0,75$ ) in 38,4 minuten, een reductie van 34% in tijd vergeleken met de Baseline GA (58,2 minuten).
Stabiliteit: De standaarddeviatie van de eindresultaten ( $\sigma_{final}$ ) daalde van 0,043 (Baseline) naar 0,029 (AMD), wat duidt op meer consistente resultaten.
Synergie: Het gecombineerde effect van CPC en AWM overtrof de som van hun individuele bijdragen, wat een synergetische interactie aantoont.

4.2 Mensgerichte Resultaten (Hogeschoolvergelijking)

Bij het vergelijken van een controlegroep (traditionele handmatige planning) met een experimentele groep (AMD met SRA-geadapteerde gewichten):

Tevredenheid: De studenttevredenheid steeg met 43,7% (3,2 naar 4,6/5); de docenttevredenheid steeg met 41,4%.
Stressreductie: Waargenomen stress (PSS-10) nam af met 34,8% (22,1 naar 14,4), wat de gemiddelde score verschoof van een matig-hoge stressrange naar een lage stressrange.
Academische Prestaties: Verbeterden met 13,5% (3,7 naar 4,2/5).
Aanwezigheid: Nam toe met 14,1%.
Conflictreductie: Roosterconflicten daalden met 83,3% (van 12 naar 2 per week).
Rechtvaardigheid: Het systeem verbeterde de circadiaanse uitlijning voor avondchronotypes (de meest benadeelde groep) met 45% (0,51 naar 0,74) zonder de voordelen voor ochtendgroepen te verminderen, wat de uniforme verdeling van winst bevestigt.

4.3 Systeemgebruiksgemak

Acceptatie door Dispatcher: 76% van de door AI gegenereerde aanbevelingen werd geaccepteerd; 24% vereiste handmatige interventie, wat de waarde van menselijk oordeel valideert.
Verklaarbaarheid: 100% succespercentage in "wat-als"-scenarioanalyse; verklaringen werden beoordeeld met 4,2/5 voor bruikbaarheid.

5. Betekenis en Claims

Het artikel beweert dat ADMS een kritieke methodologische kloof in de planning van het onderwijs aanpakt door de overstap te maken van een puur technisch, Industrie 4.0-paradigma naar een Industrie 5.0-georiënteerde sociotechnische benadering.

Paradigmaverschuiving: Het toont aan dat het behandelen van planning als een complex mensgericht probleem, in plaats van een simpel probleem van restrictie-behartiging, statistisch significante verbeteringen oplevert in welzijn en academische resultaten.
Adaptiviteit: De SRA-service bewijst dat systemen kunnen leren en adapteren aan specifieke institutionele culturen en voorkeuren van deelnemers, in plaats van te vertrouing op statische, door ontwikkelaars gedefinieerde parameters.
Vertrouwen en Transparantie: Door verklaringen en menselijke goedkeuringsmomenten te integreren, bevordert het systeem vertrouwen in geautomatiseerde besluitvorming, een vereiste voor de adoptie van AI in gevoelige onderwijscontexten.
Schaalbaarheid: De modulaire architectuur en het gebruik van standaard REST API's suggereren dat het framework inzetbaar is bij diverse hogescholen en potentieel aanpasbaar is aan andere sociotechnische domeinen (bijv. de planning van diensten in ziekenhuizen).

De auteurs merken beperkingen op, waaronder de validatie bij één enkele instelling en de afhankelijkheid van zelfgerapporteerde feedback voor gewichtsadaptatie, maar stellen dat het framework een robuust fundament biedt voor toekomstige validatie door meerdere instellingen en de ontwikkeling van meer geavanceerde, gepersonaliseerde instrumenten voor onderwijsplanning.