論文の概要: Two-Phase Simulated Annealing for Equitable Team Formation: Eliminating Complaints in Large Engineering Cohorts

• arxiv url: http://arxiv.org/abs/2606.07270v1
• Date: Fri, 05 Jun 2026 13:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.758079
• Title: Two-Phase Simulated Annealing for Equitable Team Formation: Eliminating Complaints in Large Engineering Cohorts
• Title（参考訳）: チーム形成のための2相模擬アニーリング:大規模エンジニアリングコホートにおける不満の排除
• Authors: Yiwei Sun, Xinru Deng, Dimitrios G Papageorgiou,
• Abstract要約: 本稿では,学生チーム形成における公正度最適化から選好満足度を分離する2段階アルゴリズムを提案する。 既存のツールは、好みを無視しながら公正さを最適化するか、バランスを保ちながら好みを順応する。 第1相はグラフ理論的なクラスタリングを通じて固定三重項を形成し、相互の嗜好を最大化し、社会的結合を保存する。 フェーズ2では、GPAの分散、ジェンダーバランス、サイズ制約を最適化しながら、シミュレートされたアニーリングを使用して、トリアードを6つのチームにまとめる。
• 参考スコア（独自算出の注目度）: 1.6809115847450455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contribution: This paper presents a novel two-phase algorithmic approach that decouples preference satisfaction from fairness optimization in student team formation, achieving both objectives without compromise. The method applies simulated annealing -- a core materials science technique -- to an educational challenge, demonstrating pedagogical integration of administrative processes. Background: Forming effective teams in large engineering cohorts (100+ students) requires balancing student preferences, academic fairness, and demographic diversity. Existing tools either optimize for fairness while ignoring preferences (CATME, Team-Anneal) or accommodate preferences while compromising balance (self-selection), leaving complaint rates at 5--35%. Intended Outcomes: Eliminate formal complaints, achieve near-zero GPA variance between teams, prevent gender isolation, and maintain high preference satisfaction while creating a scalable, reproducible solution applicable across engineering programs. Application Design: Phase 1 forms fixed triads through graph-theoretic clustering that maximizes mutual preferences, preserving social bonds. Phase 2 employs simulated annealing to pair triads into teams of six while optimizing GPA variance, gender balance, and size constraints. This decomposition mirrors hierarchical optimization in materials processing. Findings: Deployed across 238 students, the algorithm eliminated formal complaints entirely (vs >30% baseline), achieved GPA variance of 0.005 (vs. historical mean 9.74), eliminated gender-isolated individuals, and maintained 94.3% preference satisfaction. Validation against 82 historical grouping instances (1,538 teams, 6 academic years) confirmed significant improvement over conventional methods.
• Abstract（参考訳）: コントリビューション: 本論文では, 学生チーム形成における公正度最適化から選好満足度を分離し, 妥協なく両目標を達成できる新しい2段階アルゴリズムを提案する。 この手法は、教育的な課題にシミュレートされたアニーリング(中核的な材料科学技術)を適用し、管理プロセスの教育的な統合を実証する。 背景: 大規模なエンジニアリングコホート(100人以上の学生)で効果的なチームを作るには、学生の好み、学術的公正性、人口多様性のバランスをとる必要がある。 既存のツールは、好みを無視しながら公正さを最適化するか(CATME、Team-Anneal)、バランスを保ちつつ(自己選択)、苦情率を5～35%に抑える。 Intended Outcomes: 正式な苦情を排除し、チーム間のほぼゼロのGPA分散を実現し、ジェンダーの隔離を防止し、高い満足度を維持しながら、スケーラブルで再現可能なソリューションをエンジニアリングプログラム全体で実現します。 アプリケーション設計: フェーズ1は、相互の嗜好を最大化し、社会的結合を保存するグラフ理論のクラスタリングを通じて固定三元を形成する。 フェーズ2では、GPAの分散、ジェンダーバランス、サイズ制約を最適化しながら、トリアードを6つのチームにペア化するために、シミュレートされたアニーリングを採用しています。 この分解は材料処理における階層的最適化を反映している。 発見:238人の学生に展開され、公式な苦情を完全に排除し(vs >30%)、0.005(vs. history mean 9.74)のGPA分散を実現し、性別隔離された個人を排除し、94.3%の嗜好満足度を維持した。 82の歴史的グループ化事例(1,538チーム、6学年)に対する検証は,従来の方法よりも有意に改善した。

関連論文リスト

• Learning from Semantic Dictionaries: Discriminative Codebook Contrastive Learning for Unified Visual Representation and Generation [13.939029266977235]
  識別的および生成的視覚モデルはそれぞれの領域で優れるが、意味的に不一致である。 本稿では,このギャップを埋める自己教師型フレームワークであるLEASEを紹介する。 ImageNet-1Kでは、LEASEは最先端の統一的なパフォーマンスを実現し、以前のVQGANベースの手法よりも優れている。
  論文  参考訳（メタデータ） (2026-05-24T11:32:30Z)
• TeamUp: Semantic Project Matching and Team Formation for Learning at Scale [5.239407424503223]
  プロジェクトベースの学習は、学生のエンゲージメントと学習結果を改善する。 従来のアロケーション手法では、認知的に協力する認知的に多様なチームを構築することはできません。 軽量な埋め込み型チームフォーミングシステムであるTeamUpを提案する。
  論文  参考訳（メタデータ） (2026-05-05T00:07:59Z)
• LookAlike: Consistent Distractor Generation in Math MCQs [42.19039301965107]
  そこで我々はLookAlikeを提案する。LookAlikeは優先最適化によるエラー・ディトラクタの整合性を改善する手法である。 主なイノベーションは、(a)モデル不整合から合成選好ペアをマイニングすること、(b)教師付き微調整の交互化である。 LookAlike は LLM-as-a-judge 評価の下で、イントラクタ生成の精度51.6%、エラー生成の精度57.2% を達成する。
  論文  参考訳（メタデータ） (2025-05-03T19:18:06Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Advancing LLM Reasoning Generalists with Preference Trees [119.57169648859707]
  推論に最適化された大規模言語モデル(LLM)のスイートであるEulusを紹介する。 Eurusモデルは、様々なベンチマークでオープンソースのモデルの間で最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-04-02T16:25:30Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• GTFLAT: Game Theory Based Add-On For Empowering Federated Learning Aggregation Techniques [0.3867363075280543]
  GTFLATはゲーム理論に基づくアドオンであり、重要な研究課題に対処する。 モデル集約フェーズにおける平均化に対してより効果的な適応重みを設定することにより、フェデレーション学習アルゴリズムは、より優れたパフォーマンスと訓練効率を実現することができるのか? その結果、GTFLATを平均するとトップ1テストの精度は1.38%向上し、通信ラウンドは21.06%削減された。
  論文  参考訳（メタデータ） (2022-12-08T06:39:51Z)
• Model Selection in Batch Policy Optimization [88.52887493684078]
  バッチポリシー最適化におけるモデル選択の問題について検討する。 我々は,任意のモデル選択アルゴリズムが競争力を得るために最適にトレードオフすべきという誤りの3つの源を同定する。
  論文  参考訳（メタデータ） (2021-12-23T02:31:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。