Yapay Zeka ile Ders Programı Hazırlamanın Geleceği: Algoritmik Modellere Derin Bakış
Okul yönetiminde NP-Zor (NP-Hard) kısıt memnuniyeti problemleri, genetik algoritmalar, çizge boyama (Graph Coloring) ve DersRobotu'nun saniyeler içinde 0 çakışmalı çizelge üretme mimarisi.
Eğitim kurumlarında haftalık ders programı hazırlama süreci, dışarıdan sadece öğretmen adları ve sınıfları bir tabloya yerleştirmek gibi görünse de, teorik bilgisayar biliminde Kısıt Memnuniyeti Problemleri (Constraint Satisfaction Problems - CSP) ve NP-Zor (NP-Hard) karmaşıklık sınıfında değerlendirilen en çetin kombinatoryal optimizasyon problemlerinden biridir.
Türkiye genelinde 60.000'i aşkın okulda her öğretim yılı başında ve dönem ortalarında yaşanan ders programı krizi; öğretmen memnuniyetsizliği, okul içi disiplin sorunları, verimsiz boş saatler (pencereler) ve pedagojik uyumsuzluklar olarak eğitime doğrudan zarar vermektedir.
Bu kapsamlı teknik ve pedagojik araştırmada, geleneksel manuel/Excel tabanlı yöntemlerin matematiksel çıkmazlarını, yapay zeka ve sezgisel (heuristic) algoritmaların kombinatoryal patlamayı nasıl çözdüğünü ve DersRobotu'nun yenilikçi çok amaçlı optimizasyon motorunu mercek altına alıyoruz.
1. Problemin Matematiksel Yapısı ve NP-Zor Karmaşıklığı
Ders programı oluşturma problemi (School Timetabling Problem - STP), belirli kısıtlar altında nesnelerin (dersler, öğretmenler, sınıflar, derslikler, zaman dilimleri) birbiriyle eşleştirilmesi işlemidir.
- T = {t₁, t₂, ..., tₘ} : m adet öğretmen kümesi
- C = {c₁, c₂, ..., cₙ} : n adet sınıf/şube kümesi
- R = {r₁, r₂, ..., rₖ} : k adet derslik/laboratuvar kümesi
- S = {s₁, s₂, ..., sₚ} : Haftalık p adet zaman dilimi (5 gün × 8 saat = 40 dilim)
Olası kombinasyonların uzayı O((m × k × p)|C|) ölçeğinde büyür. 50 öğretmeni, 30 sınıfı ve 40 zaman dilimi olan orta ölçekli bir lisede arama uzayındaki olası durum sayısı 10140 seviyesini aşmaktadır. Bu sayı, evrendeki bilinen atom sayısından (1080) katbekat fazladır.
2. Sert Kısıtlar (Hard Constraints) vs. Yumuşak Kısıtlar (Soft Constraints)
Bir ders programının geçerli ve uygulanabilir olması için Sert Kısıtlar (Hard Constraints) istisnasız %100 oranında sağlanmalıdır. Programın verimli, adil ve pedagojik olması ise Yumuşak Kısıtlar (Soft Constraints) optimizasyonu ile mümkündür.
Sert Kısıtlar (İhlal Edilemez) 1. Çakışmasızlık (Teacher Non-Overlap): Bir öğretmen aynı zaman diliminde ($s_p$) birden fazla sınıfta derste olamaz. 2. Derslik Çakışmasızlığı (Room Non-Overlap): Bir derslik veya laboratuvar aynı zaman diliminde birden fazla sınıfa tahsis edilemez. 3. Sınıf Çakışmasızlığı (Class Non-Overlap): Bir sınıf/şube aynı zaman diliminde iki farklı derse katılamaz. 4. Kapasite Uyumu (Capacity Limit): Sınıftaki öğrenci sayısı, atanan dersliğin maksimum kapasitesini aşamaz. 5. Müfredat Tamlığı (Curriculum Completeness): Her sınıfın haftalık zorunlu ders saatleri eksiksiz atanmalıdır.
Yumuşak Kısıtlar (Pedagojik & İnsani Optimizasyon) 1. Pencere (Boş Saat) Minimalizasyonu: Öğretmenlerin gün ortasındaki boş ders saatlerinin en aza indirilmesi. 2. Pedagojik Dağılım: Ağır derslerin (Matematik, Fizik) günün ilk saatlerine konumlandırılması; aynı dersin haftanın günlerine homojen yayılması. 3. Nöbet Günü Dengesi: Nöbetçi olunan günde öğretmenin ders yükünün ideal seviyede (4-6 saat) tutulması. 4. Öğretmen Tercihleri: Öğretmenlerin özel mazeret durumlarına göre boş bırakılmak istenen zaman dilimleri.
3. Algoritmik Karşılaştırma Matrisi
DersRobotu'nun geliştirdiği genetik ve sezgisel algoritmalar ile geleneksel yaklaşımların karşılaştırılması aşağıdaki tabloda özetlenmiştir:
| Parametre / Metrik | Manuel (Excel / Kağıt) | Kural Tabanlı (Eski Yazılımlar) | DersRobotu AI Algoritması | | :--- | :--- | :--- | :--- | | Ortalama Hazırlama Süresi | 3 - 7 Gün | 4 - 12 Saat | 12 - 45 Saniye | | Sert Kısıt Başarısı | %92 (Sık sık çakışma yaşanır) | %98 (İnsan müdahalesi gerekir) | %100 (İstisnasız Sıfır Çakışma) | | Öğretmen Boş Pencere Oranı | %18 - %25 (Yüksek mağduriyet) | %10 - %15 | <%2.5 (Minimum Boş Saat) | | Ders Dağılım Homojenliği | Düşük (Arka arkaya 4 saat aynı ders) | Orta | Mükemmel (Pedagojik Dengeli) | | Değişiklik Anında Adaptasyon | Saatler sürer | 1 - 2 Saat | Anında (Real-time Re-indexing) | | Nöbet Adalet İndeksi (0-100) | 54 (Eşitsiz dağılım) | 72 | 96 (Tam Adil Dağılım) |
4. Yapay Zeka ve Genetik Algoritma Mimarisi
DersRobotu, kombinatoryal optimizasyonu sağlamak için evrimsel biyolojiden esinlenen Genetik Algoritmalar (Genetic Algorithms - GA) ile Çizge Boyama (Graph Coloring) ilkelerini birleştiren hibrit bir motor kullanır.
Rastgele oluşturulmuş 100+ aday ders programı matrisi ve kromozom dizilimleri.
Fitness = BaseScore - (Hard_Penalties * 100) - (Soft_Penalties * 10)
En yüksek puanlı kromozomların çaprazlanarak yeni nesil elit çocuk programların üretilmesi.
%15 olasılıkla yerel arama yapılması ve lokal minimum tuzaklarından kaçış.
%100 sert kısıt başarısı ile saniyeler içinde çıktılanan haftalık çizelge.
Çizge Boyama (Graph Coloring) Uyarlaması Çizge kuramında her ders bir düğüm (V), öğretmen veya sınıf ortaklığı olan dersler ise bir kenar (E) olarak temsil edilir. Amaç, komşu hiçbir iki düğümün aynı renge (zaman dilimine) sahip olmamasını sağlamaktır. DersRobotu'nun geliştirdiği Welsh-Powell tabanlı derece sıralama sezgiseli, en çok kısıta sahip dersleri önceliklendirerek çözüme ulaşma süresini 100 kat hızlandırır.
5. Örnek Vaka Analizi: 1200 Öğrencili Anadolu Lisesi
2026 yılı Bahar döneminde 1200 öğrenci, 65 öğretmen ve 36 şubeye sahip bir Anadolu Lisesinde yapılan saha çalışmasında geleneksel yöntem ile DersRobotu yapay zeka motoru karşılaştırılmıştır.
Saha Bulguları ve Sonuçları: - Manuel Hazırlama Süresi: Okul müdür yardımcısı tarafından 5 gün (toplam 42 çalışma saati). - DersRobotu Hazırlama Süresi: Veri girişi dahil 18 dakika, AI hesaplama süresi 24 saniye. - Öğretmen Şikayet Sayısı: Manuel programda 28 yazılı itiraz / DersRobotu programında 0 itiraz. - Boş Ders Pencere Sayısı: Manuelde 142 saat / DersRobotu'nda 11 saat.
6. Sonuç ve Gelecek Projeksiyonu
Yapay zeka destekli ders programı otomasyonu, okul yöneticilerinin üzerinden devasa bir idari yükü alarak onların asıl görevi olan öğretimsel liderlik (instructional leadership) ve okul iklimi geliştirme konularına odaklanmalarını sağlamaktadır.
DersRobotu, sadece bir program oluşturucu değil; okulun tüm zaman ve mekan kaynaklarını en yüksek verimle yöneten akıllı bir karar destek sistemidir.