兩階段模擬退火法於公平團隊組成：消除大型工程學員投訴
arXiv - Computers and SocietyYiwei Sun, Xinru Deng, Dimitrios G Papageorgiou
提出兩階段模擬退火演算法，分離偏好滿足與公平優化，實驗證明可在工程課程中消除投訴、降低 GPA 差異、維持高偏好滿意度。
AI 幫你先抓重點
AI 重點 1
將團隊組成拆分為三人固定小組與六人最終團隊的兩階段流程，可同時滿足偏好與公平。
滑鼠懸停看 AI 判斷理由
此分層優化策略避免了傳統單一目標的折衷，使得偏好滿意度與 GPA 平衡共存，為大規模工程課程提供可擴展、可重複的實務模型。
AI 重點 2
利用模擬退火在第二階段優化 GPA 變異、性別平衡與團隊大小，證明該方法在實際應用中能顯著提升公平性。
滑鼠懸停看 AI 判斷理由
模擬退火的全域搜尋特性使得演算法能跳脫局部最優，確保在多目標約束下達成最優解，對於需要同時考量多重公平指標的教育場景尤為重要。
核心研究發現
- 1
在 238 名學生的實驗中，正式投訴率從 30% 以上降至 0%。
- 2
GPA 變異係數降至 0.005，遠低於歷史平均 9.74。
- 3
94.3% 的學生偏好滿意度保持不變，且無性別孤立個案。
對教育工作者的啟發
此研究提供了一套可直接套用於工程或其他大班級團隊組成的流程。首先，教師可先利用圖論聚類將學生分成三人固定小組，確保同儕關係與偏好被保留；接著，將這些小組輸入模擬退火演算法，設定 GPA 平均差異、性別比例與團隊大小等約束，即可自動產生公平且高滿意度的六人團隊。實驗顯示，投訴率降至 0%，GPA 變異極低，且性別隔離被消除，說明此方法在實務上能有效降低行政負擔與學生不滿。教育科技開發者可將此流程嵌入線上分組系統，提供即時評估與可視化工具，協助教務人員快速調整參數。對於需要兼顧多重公平指標的課程，模擬退火的全域搜尋特性可作為最佳化策略的參考。
原始文獻資訊
- 英文標題：
- Two-Phase Simulated Annealing for Equitable Team Formation: Eliminating Complaints in Large Engineering Cohorts
- 作者：
- Yiwei Sun, Xinru Deng, Dimitrios G Papageorgiou
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。