ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ЦИФРОВОЙ ТРАНСФОРМАЦИИ УПРАВЛЕНИЯ ВУЗОМ: СРАВНИТЕЛЬНЫЙ ОБЗОР АЛГОРИТМОВ СОСТАВЛЕНИЯ РАСПИСАНИЯ И МЕТОДОВ ИЗВЛЕЧЕНИЯ ОГРАНИЧЕНИЙ НА ОСНОВЕ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ
Тухтасинов М. Т. & Хусаинов И. Ж.
Annotatsiya
Статья даёт сравнительный обзор существующих решений для автоматизированного составления расписания вуза, распределения преподавателей по дисциплинам и, с особым акцентом, автоматического извлечения ограничений расписания из институциональных документов средствами искусственного интеллекта и больших языковых моделей (LLM). Показано, что точные методы (MILP, CP, SAT/MaxSAT, SMT) гарантируют оптимальность, но резко теряют масштабируемость, тогда как эвристические методы жертвуют этой гарантией ради приемлемого времени решения. На реальных данных Технологического университета Чалмерса Gurobi решил все пять годовых задач менее чем за 100 секунд, тогда как Z3 не решил ни одной. Отдельно рассматриваются этические ориентиры применения ИИ в управлении образовательным процессом — прозрачность, человеческий контроль и проверка на равенство. Новое авторское решение не предлагается — это предмет последующей статьи.
Adabiyotlar
- Schaerf A. A survey of automated timetabling // Artificial Intelligence Review. — 1999. — Vol. 13, No. 2. — P. 87–127. — https://doi.org/10.1023/A:1006576209967
- Even S., Itai A., Shamir A. On the complexity of timetable and multicommodity flow problems // SIAM Journal on Computing. — 1976. — Vol. 5, No. 4. — P. 691–703. — https://doi.org/10.1137/0205048
- Ceschia S., Di Gaspero L., Schaerf A. Educational timetabling: problems, benchmarks, and state-of-the-art results // European Journal of Operational Research. — 2023. — Vol. 308, No. 1. — P. 1–18. — https://doi.org/10.1016/j.ejor.2022.07.011
- Rudová H., Müller T., Murray K. Complex university course timetabling // Journal of Scheduling. — 2011. — Vol. 14, No. 2. — P. 187–207. — https://doi.org/10.1007/s10951-010-0171-3
- Müller T. University Course Timetabling: Solver Evolution // Proceedings of PATAT 2016, the 11th International Conference on the Practice and Theory of Automated Timetabling. — 2016.
- Müller T., Murray K., Schluttenhofer S. University Course Timetabling & Student Sectioning System. Space Management and Academic Scheduling, Purdue University. — https://www.unitime.org/papers/icaps07.pdf
- Müller T., Rudová H., Müllerová Z. Real-world university course timetabling at the International Timetabling Competition 2019 // Journal of Scheduling. — 2025. — Vol. 28, No. 2. — https://doi.org/10.1007/s10951-023-00801-w
- Lemos A., Monteiro P. T., Lynce I. Introducing UniCorT: an iterative university course timetabling tool with MaxSAT // Journal of Scheduling. — 2022. — Vol. 25, No. 4. — P. 371–390. — https://doi.org/10.1007/s10951-021-00695-6
- Rezaeipanah A., Matoori S. S., Ahmadi G. A hybrid algorithm for the university course timetabling problem using the improved parallel genetic algorithm and local search // Applied Intelligence. — 2021. — Vol. 51, No. 1. — P. 467–492. — https://doi.org/10.1007/s10489-020-01833-x
- Nguyen M. T., Tran-Truong P. T., Truong A. T. GADA: An Adaptive Genetic Algorithm-Based Framework for Dynamic University Course Timetabling // Computational Intelligence (IJCCI 2025), Communications in Computer and Information Science, vol. 2828. — Springer, Cham, 2026. — P. 164–180. — https://doi.org/10.1007/978-3-032-15635-8_10
- Almeida J., Figueira J. R., Francisco A. P., Santos D. A hybrid meta-heuristic for the generation of feasible large-scale course timetables using instance decomposition. — arXiv:2310.20334, 2023. — https://arxiv.org/abs/2310.20334
- Partovi F. Y., Arinze B. A knowledge based approach to the faculty-course assignment problem // Socio-Economic Planning Sciences. — 1995. — Vol. 29, No. 3. — P. 245–256. — https://doi.org/10.1016/0038-0121(95)98171-Q
- Johannesson M., Brink L., Combrink A., Roselli S. F., Fabian M. A General Formulation for the Teaching Assignment Problem: Computational Analysis Over a Real-World Dataset. — arXiv:2602.09605, 2026. — https://arxiv.org/abs/2602.09605
- Bensky T., Saunders K. Use of a genetic algorithm in university scheduling for equitable and efficient determination of teaching assignments. — arXiv:2509.06981, 2025. — https://arxiv.org/abs/2509.06981
- Xue G., Offodile O. F., Razavi R., Kwak D.-H., Benitez J. Addressing staffing challenges through improved planning: Demand-driven course schedule planning and instructor assignment in higher education // Decision Support Systems. — 2024. — Vol. 187. — Art. 114345. — https://doi.org/10.1016/j.dss.2024.114345
- Bhoi S. B., Dhodiya J. M. Multi-objective Faculty Course Timeslot Assignment Problem with Result- and Feedback-Based Preferences // Ambient Communications and Computer Systems, Advances in Intelligent Systems and Computing, vol. 1097. — Springer, Singapore, 2020. — https://doi.org/10.1007/978-981-15-1518-7_9
- Xu D., Chen W., Peng W., Zhang C., Xu T., Zhao X., Wu X., Zheng Y., Wang Y., Chen E. Large language models for generative information extraction: a survey // Frontiers of Computer Science. — 2024. — Vol. 18, No. 6. — Art. 186357. — https://doi.org/10.1007/s11704-024-40555-y
- Shrimal A., Jain A., Chowdhury S., Yenigalla P. PARSE: LLM Driven Schema Optimization for Reliable Entity Extraction. — arXiv:2510.08623, 2025. — https://arxiv.org/abs/2510.08623
- Unstract. LLMs for Structured Data Extraction from PDFs in 2026 [Technical blog]. — https://unstract.com/blog/comparing-approaches-for-using-llms-for-structured-data-extraction-from-pdfs/
- Breton J., Billami M. M., Chevalier M., Nguyen H. T., Satoh K., Trojahn C., Zin M. M. Leveraging LLMs for legal terms extraction with limited annotated data // Artificial Intelligence and Law. — 2025. — https://doi.org/10.1007/s10506-025-09448-8
- Gesnouin J. et al. LLaMandement: Large Language Models for Summarization of French Legislative Proposals. — arXiv:2401.16182, 2024. — https://arxiv.org/abs/2401.16182
- Colombo A., Bernasconi A., Bellomarini L., Guiso L., Michelacci C., Ceri S. LegisSearch: navigating legislation with graphs and large language models // Artificial Intelligence and Law. — 2025. — https://doi.org/10.1007/s10506-025-09482-6
- Yuan H., Matyunin N., Raza A., Li S. LADFA: A Framework of Using Large Language Models and Retrieval-Augmented Generation for Personal Data Flow Analysis in Privacy Policies. — arXiv:2601.10413, 2026. — https://arxiv.org/abs/2601.10413
- Тухтасинов М. Т. Дарс жадвалини тузишда ўқув машғулотига мос хонани танлашнинг математик модели // Халқаро илмий ва илмий-техник конференция «Рақамли трансформация жараёнларида моделлаштиришнинг роли ва истиқболлари» материаллари тўплами, 1-қисм. — Наманган: НамДТУ, 4–5 декабрь 2025. — Б. 37–39.
- Тухтасинов М. Т., Садритдинов Н. Х. Олий таълим тизимида дарс жадвалини автоматик тузишни моделлаштириш // Халқаро илмий ва илмий-техник конференция «Рақамли трансформация жараёнларида моделлаштиришнинг роли ва истиқболлари» материаллари тўплами, 1-қисм. — Наманган: НамДТУ, 4–5 декабрь 2025. — Б. 40–44.