Öğrenci başarısına odaklı sınav çizelgeleme modeli ve yazılım uygulaması

Abstract

Üniversite birimlerinde, eğitim öğretim faaliyetleri kapsamında yer alan sınavların çizelgelenmesi önemli ve zor bir görevdir. Sınavların öğrenme sürecinin bir parçası olması nedeniyle, sınavların çakışmadan ve belirlenen sınav döneminde yapılabilmesi öğrenciler açısından yeterli değildir. Sınavların çizelgelenmesi çalışmalarında daha fazla unsura dikkat etmek gerekir. Bu çalışmada, sınav çizelgelemenin öğrencilerin başarısını açığa çıkaracak şekilde düzenlenmesi gerektiği fikri üzerine odaklanılmıştır. Öğrencilerin sınav döneminde başarılı olması, sınavları arasında yeterli hazırlanma ve dinlenme zamanı olmasıyla mutlak bağlantılıdır. Öğrencilerin sınavları arasında ihtiyaç duydukları hazırlanma ve dinlenme zamanı, sınavların zorluk dereceleri ile doğru orantılı olarak artmaktadır. Bu nedenle sınavların sınav dönemine yayılımı gerçekleştirilirken derslerin zorluk derecelerinin de değerlendirilmesi gerekmektedir. Bu çalışmada sınavların çizelgelenmesi için, zorunlu kısıtların sağlanması ön koşulu ile zor olan sınavların birbirinden daha uzak zaman dilimlerine atanmasıyla en uygun sınav dönemi yayılımını sağlamaya yönelik iki farklı genetik algoritma modeli geliştirilmiştir. Bu şekilde, öğrencilere sıradaki sınava en uygun şekilde hazırlanabilmeleri için mümkün olan en uzun hazırlanma ve dinlenme süresini tanınarak öğrenci başarısının artırılabileceği düşünülmektedir. Bir minimizasyon problemi haline getirilen bu sınav çizelgeleme problemini çözmek için geliştirilen ilk genetik algoritma modelinde; zorunlu kısıtların sağlanabilmesi için, istenmeyen çözümler içeren kromozomların uygunluk değerine yüksek bir ceza puanı eklenerek seçim olasılıklarının düşürülmesi ve toplumdan zamanla silinmesi amaçlanmıştır. Geliştirilen ikinci genetik algoritma modelinde ise; topluma yeni katılan her bireyin zorunlu kısıtları sağlayıp sağlamadığı kontrol edilmektedir. Eğer zorunlu kısıtları sağlamıyorsa bir tamir fonksiyonu aracılığı ile çakışmalar ortadan kaldırılmakta, kaldırılamadığında ise kromozom yok edilmektedir. Bu yöntemle, geliştirilen genetik algoritma sadece kabul edilebilir bireylerden oluşan bir toplumda arama yapabilmektedir. Farklı parametre setleri ile yapılan deneyler sonucunda tamir fonksiyonu modelinin daha yavaş olmasına rağmen daha yüksek performans sergilediği görülmüştür.

As it is known, exam scheduling is a difficult and lengthy task for which universities devote a large amount of human and material resources every year. Scheduling exams without any conflicts in the examination period is not enough for students because it is accepted that exams are the part of learning process. It is required to pay attention to much more components during timetabling in order to reach a ''good'' schedule. In this study, we focus on students? success when scheduling exams. Student success is positively related to the adequate preparation and resting time among examinations. The amount of study time that students need among examinations (i.e. paper spread) is directly proportional to the difficulty of exams. Therefore, the main objective of this study is to maximize paper spread. In this study, two different genetic algorithm models are developed to optimize paper spread under several hard constraints and the difficulties of exams. When a student finishes a difficult examination at a time period, s/he shall have enough time to prepare him(her)self for the other difficult one. In the first genetic algorithm model, a high penalty value is added to the fitness value of the choromosome which generates an infeasible solution. Thus, the selection probabilities of this type of choromosomes for the next generation are decreased. The second genetic algorithm model controls whether each choromosome joining the population satisfies the hard constraints or not. If the hard constraints are not satisfied, conflicts are removed from the chromosome with an embedded repair function. If repair fails, the choromosome is destroyed. This method forces the genetic algorithm to search only in the feasible solution space. A set of experiments have been designed and studied. The results showed that the performance of the repair function model was better than the high penalty value model.