Hieronder staan enkele veelgestelde vragen en antwoorden:
| Q: | Welke dekkingsgraad kan ik verwachten als ik TeamAI inzet? |
| A: | Dat hangt sterk af van de voorwaarden die u aan uw teams stelt. Bij een maximale teamgrootte van acht docenten is in de onderbouw, met klassikale lesgroepen, een dekkingsgraad van meer dan 70% geen uitzondering. In de bovenbouw — waar met clustergroepen wordt gewerkt — is de uitkomst minder goed te voorspellen. Toch is een dekkingsgraad van circa 50% vaak haalbaar, zonder dat organisatorische hervormingen nodig zijn. Het is ook belangrijk om de 'omgekeerde dekkingsgraad' te optimaliseren: welk percentage van de leerlingen die aan het team gekoppeld zijn, heeft de docent in de les? Deze waarde — de dekkingsgraad vanuit het perspectief van de docent bekeken — is vaak hoger (meer dan 70%). Dit verhoogt het eigenaarschap van docenten binnen het team. |
| Q: | Het opstellen van de voorwaarden lijkt ingewikkeld. Kan ik daarbij ondersteund worden? |
| A: | Zeker. TeamAI biedt een dashboard waarin u eenvoudig kunt aangeven waaraan uw teams moeten voldoen. Denk aan de maximale teamgrootte, welke afdelingen aan een team mogen worden gekoppeld, wie mag deelnemen aan een team, en wie welke lessen kan of moet geven. Uw procesbegeleider kan u hierbij ondersteunen. |
| Q: | Kan TeamAI ook worden ingezet voor de optimalisatie van grotere teams? |
| A: | Ja. Hoewel kernteams vaak relatief klein zijn (maximaal 8 of 9 leden), is er technisch gezien geen grens aan het aantal teamleden dat u toestaat. |
| Q: | Binnen onze teams worden ook mentoren aangewezen. Kan TeamAI daar ook een verdeling voor maken? |
| A: | Ja. Het is mogelijk om aan te geven welke docenten de rol van mentor of coach mogen krijgen. Vervolgens worden de leerlingen zó verdeeld dat er een evenwichtige toewijzing ontstaat, bij voorkeur met de mentorleerlingen verdeeld over zo weinig mogelijk klassen. Dit voorstel kan gebruikt worden als basis waarbij docenten onderling nog leerlingen kunnen uitruilen. |
| Q: | Bepaalt de AI de volledige lessenverdeling? |
| A: | Dat kan, maar dat is vaak niet wenselijk. Als management kunt u eenvoudig alle voorkeuren meegeven waaraan de lessenverdeling moet voldoen. Die worden meestal bepaald door lesbevoegdheden, maar ook door de voorkeuren van betrokkenen. De AI zoekt vervolgens de optimale oplossing binnen de door u gestelde kaders. |
| Q: | Op mijn school hebben vakgroepen de vrijheid om de lessenverdeling zelf in te vullen. Kan ik dan nog gebruikmaken van TeamAI? |
| A: | Gedeeltelijk. De AI kan zoeken naar gunstige wissels tussen parallelgroepen, terwijl de bestaande lessenverdeling intact blijft. Een docent die bijvoorbeeld ‘Nederlands VMBO-T klas 2’ geeft, kan dan klas A, B of C toegewezen krijgen (tenzij deze groep gefixeerd is). De AI werkt het beste met voldoende zoekruimte, dus hoe minder beperkingen, hoe beter het resultaat. |
| Q: | De lessenverdeling ligt dit jaar al vast, maar onze school wil toch graag de beste teamverdeling laten berekenen. Kan dat? |
| A: | Ja, dat kan. Het resultaat zal echter minder optimaal zijn dan wanneer de AI meer vrijheid krijgt. Omdat er minder voorwaarden zijn, kan de berekening wel sneller worden uitgevoerd. U kunt dit laten doen tegen een gereduceerd tarief. Neem contact met ons op om de mogelijkheden te bespreken. |
| Q: | Werken in kernteams vereist vaak streaming (het beperken van vakkenkeuzes in de bovenbouw). Is dat ook nodig om TeamAI te gebruiken? |
| A: | Nee. Streaming draagt wel bij aan een hogere dekkingsgraad, maar TeamAI zoekt binnen uw bestaande onderwijsvorm naar de optimale oplossing. Zo blijft er voldoende keuzeruimte voor leerlingen. |
| Q: | Komen docenten met een kleinere aanstelling (<0,6 fte) ook in aanmerking voor deelname aan een team? |
| A: | Ja. De AI zoekt voor alle docenten de best passende oplossing. Ook docenten met een beperkte lesgevende taak kunnen uitstekend in een team passen. Het is niet aan te raden om hen op voorhand uit te sluiten van deelname aan kernteams. |
| Q: | Ons rooster is geperiodiseerd. Houdt TeamAI daar rekening mee? |
| A: | Ja en nee. TeamAI rekent met het gemiddelde aantal lesuren per jaar. Als een vak in het eerste halfjaar 2 uur krijgt en in het tweede halfjaar 3 uur, verschilt de dekkingsgraad per periode. |
| Q: | TeamAI maakt gebruik van AI. Worden er persoonsgegevens door de AI verwerkt? |
| A: | Nee. De AI is volledig ontwikkeld door Oxsoft en maakt geen gebruik van externe software. Alle gegevens worden uitsluitend door Oxsoft opgeslagen en verwerkt, en worden na afloop van het project verwijderd. |
| Q: | Kan mijn onderwijsorganisatie zelf gebruikmaken van de AI van TeamAI? |
| A: | Nee. Beheer en verwerking liggen bij Oxsoft. U voert zelf de gegevens in, maar laat de technische verwerking aan ons over. Zo houdt u tijd over voor andere taken. Zodra de randvoorwaarden helder zijn en de gegevens in Zermelo compleet zijn, kunnen wij een oplossing voor u genereren. Op basis daarvan kunt u eventueel bijsturen. |
| Q: | Welke AI gebruikt TeamAI? |
| A: | Mijn AI is intern ontwikkeld en is gebaseerd op het werk van Deb en Jain (2014) en betreft een hybride NSGA-III met de mogelijkheid om binnen de oplossingsruimte prioriteiten aan te brengen. Na het ontwikkelen van deze aangepaste variant is er een lange periode doorlopen waarin de techniek en parameters cyclisch werden geoptimaliseerd voor het specifieke optimalisatieprobleem van teamindelingen. Het algoritme gebruikt geen externe bronnen, draait in een snelle en flexibele omgeving, is multithreaded en gemakkelijk aan te passen voor toekomstige uitbreidingen. Hoewel het algoritme stochastische componenten bevat, is het zodanig ontworpen dat resultaten reproduceerbaar zijn en trends in de oplossingsruimte interpreteerbaar blijven. Benieuwd naar de technische specificaties? Neem gerust contact op; ik deel graag informatie over moderne technieken. Sommige onderdelen van het algoritme zijn echter proprietair en kunnen vanwege intellectueel eigendom niet openbaar worden gemaakt.
Benieuwd naar de technische specificaties? Neem gerust contact op, ik vind het altijd interessant om informatie over moderne techniek uit te wisselen.Sommige onderdelen van het algoritme zijn echter proprietair en kunnen vanwege intellectueel eigendom niet openbaar worden gemaakt. Deb, K., & Jain, H. (2014). An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: Solving problems with box constraints. IEEE Transactions on Evolutionary Computation, 18(4), 577–601. |
Andere vraag? Neem gerust contact met ons op. Wij reageren binnen 48 uur.