Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeneysel sonuçlar, önerilen modelin özellikle araştırma görevlileri için iş yükü değişkenliğini mevcut sezgisel yöntemlere kıyasla önemli ölçüde azalttığını göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu makale, bir üniversitede gözetmenlerin adil ve maliyet etkin bir şekilde atanması sorununu çözmek için geliştirilen bir Karma Tamsayılı Programlama (MIP) modelini tanıtmaktadır. Model, araştırma görevlileri ve öğretim görevlileri gibi farklı gözetmen kategorilerini önceliklendirerek, iş yükünün adil dağılımını sağlarken toplam gözetmenlik maliyetini en aza indirmeyi amaçlamaktadır. Modelde, gözetmenler arasında görev dağılımındaki en fazla izin verilen farkı kontrol ederek iş yükünü dengeleyen kısıtlamalar yer almaktadır. Ayrıca, ardışık sınav görevlendirmelerini yasaklamak gibi üniversiteye özgü kurallara da riayet edilmektedir. Gözetmen tercihleri de dikkate alınmaktadır. Deneysel sonuçlar, önerilen modelin özellikle araştırma görevlileri için iş yükü değişkenliğini mevcut sezgisel yöntemlere kıyasla önemli ölçüde azalttığını göstermektedir. Ayrıca model, gözetmenlik için gereken toplam öğretim görevlisi sayısını azaltarak kaynakların daha verimli ve dengeli bir şekilde kullanılmasını sağlamaktadır. Bu bulgular, MIP'lerin gözetmenlerin atanmasında daha etkili ve adil bir yaklaşım sunabileceğini, iş yükü dağılımı ve kaynak optimizasyonu açısından akademik kurumlara potansiyel faydalar sağlayabileceğini önermektedir.
Abstract
The paper introduces a Mixed Integer Programming (MIP) model developed to solve the problem of equitable and cost effective allocation of examiners at an university. The model aims to minimise the overall cost of proctoring while ensuring a fair distribution of workload, by prioritising different categories of proctors, including research assistants and lecturers. Constraints are built into the model in order to balance the workload by controlling the maximum allowable difference in task allocation among proctors. The model also respects university-specific rules, such as prohibiting consecutive exam assignments. Proctor preferences are also taken into account. Experimental results show that the proposed model considerably decreases the variability of the workload, especially for research assistants, compared to existing methods based on heuristics. Furthermore, the model leads to a more efficient and balanced allocation of resources by reducing the total number of lecturers required for proctoring. These findings suggest that MIPs may offer a more effective and equitable approach to allocating proctors, potentially providing benefits in terms of workload distribution and resource optimization in academic institutions.