Modulare Schulsysteme sind jene, die Schüler*Innen die teilweise Gestaltung ihrer eigenen Schullaufbahn erlauben. Diese Gestaltung erfolgt in der Regel durch Wahlunterrichtsfächer, die von den Schüler*Innen unter bestimmten Bedingungen (z.B. Schienen) frei gewählt werden können. Dieses pädagogische Konzept wird bereits erfolgreich in Ländern wie Deutschland (gymnasiale Oberstufe) eingesetzt, zunehmend wird das aber auch in anderen Ländern übernommen und an die jeweiligen Rahmenbedingungen angepasst (z.B. in Österreich über die modulare Oberstufe). Die praktische Umsetzung dieser Wahlmöglichkeiten stellt die Schulen und Bildungsinstitutionen vor organisatorische Herausforderungen, die nur mithilfe von Optimierungsalgorithmen und KI gemeistert werden können. In diesem Projekt werden Algorithmen erforscht, die verschiedene Varianten von diesem Problem in der Praxis effizient lösen und den Schulen dabei helfen, dieses Konzept umzusetzen.

Kursplanung in modularen Schulsystemen
Department of Science & Technology
Projektbeschreibung
- Weitere Informationen
- Status: Laufend
- Projekt ID : 1609
-
Fördergeber
:
Land NÖ
- Projektleitung
- Dr. Rubén Ruiz TorrubianoSenior Lecturer Institut Digitalisierung und Informatik
Dr. Rubén Ruiz Torrubiano
Senior Lecturer Institut Digitalisierung und Informatik
Institut Digitalisierung und Informatik
- Kombinatorische Optimierung
- Maschinelles Lernen / Data mining
- Systemarchitektur
- UnternehmensführungBachelor of Arts in Business / Vollzeit
- InformaticsBachelor of Science in Engineering / Vollzeit
- Digital Business Innovation and TransformationMaster of Arts in Business / Berufsbegleitend
-
Kursplanung in modularen Schulsystemen
Projektleitung, Department of Science & Technology
-
BRfit für Künstliche Intelligenz
Department of Business
-
VRWalk
Department of Science & Technology
-
Dataskop – Sensor-Based Data Economy in Niederösterreich
Department of Science & Technology
Dhungana, D., Haselböck, A., Ruiz-Torrubiano, R., Wallner, S. (2022): Variability of safety risks in production environments. In Alexander Felfernig et. al. (Hrsg.), SPLC '22: Proceedings of the 26th ACM International Systems and Software Product Line Conference (178-187). Graz, Austria: Association for Computing Machinery.
Doi: https://doi.org/10.1145/3546932.3547074Ruiz-Torrubiano, R., Suárez, A. (2015): A memetic algorithm for cardinality-constrained portfolio optimization with transaction costs. Applied Soft Computing, 36: 125-142.
Doi: https://doi.org/10.1016/j.asoc.2015.06.053Ruiz-Torrubiano, R., Suarez, A. (2011): The TransRAR crossover operator for genetic algorithms with set encoding. In Ruiz-Torrubiano, R., Suarez, A. (Hrsg.), Proceedings of the 13th annual conference on Genetic and evolutionary computation (489-496). New York: Association for Computing Machinery.
Doi: https://doi.org/10.1145/2001576.2001644Ruiz-Torrubiano, R., Suarez, A. (2010): Hybrid approaches and dimensionality reduction for portfolio selection with cardinality constraints. IEEE Computational Intelligence Magazine, 5(2): 92-107.
Doi: https://doi.org/10.1109/MCI.2010.936308Ruiz-Torrubiano, R., García-Moratilla, S., Suárez, A. (2010): Optimization problems with cardinality constraints. In Ruiz-Torrubiano, R., García-Moratilla, S., Suárez, A. (Hrsg.), Optimization problems with cardinality constraints (105-130). Berlin Heidelberg: Springer.
Doi: https://doi.org/10.1007/978-3-642-12775-5_5Ruiz-Torrubiano, R., Suárez, A. (2009): A hybrid optimization approach to index tracking. Annals of Operations Research, 166(1): 57-71.
Doi: https://doi.org./10.1007/s10479-008-0404-4Ruiz-Torrubiano, R., Suárez, A. (2007): Use of heuristic rules in evolutionary methods for the selection of optimal investment portfolios. In IEEE (Hrsg.), IEEE. Singapore: IEEE.
Doi: https://doi.org/10.1109/CEC.2007.4424474Moral-Escudero, R., Ruiz-Torrubiano, R., Suárez, A. (2006): Selection of optimal investment portfolios with cardinality constraints. In Moral-Escudero, R., Ruiz-Torrubiano, R., Suárez, A. (Hrsg.), 2006 IEEE International Conference on Evolutionary Computation (2382-2388). New York: IEEE.
Doi: https://doi.org/10.1109/CEC.2006.1688603Hernández-Lobato, D., Hernández-Lobato, J., Ruiz-Torrubiano, R., Valle, A. (2006): Pruning adaptive boosting ensembles by means of a genetic algorithm. In Hernández-Lobato, D., Hernández-Lobato, J., Ruiz-Torrubiano, R., Valle, A. (Hrsg.), International Conference on Intelligent Data Engineering and Automated Learning (322-329). Berlin Heidelberg: Springer.
Doi: https://doi.org/10.1007/11875581_39