メインコンテンツへスキップ
見出し画像

【実装編】コピペで動く!Python×PuLPで作る「校務分掌最適化エンジン」完全ガイド(Vol.3)


    大変お待たせいたしました。構想(Vol.1)、理論(Vol.2)と続いてきた「校務分掌AI」シリーズ、いよいよ完結編となる第3回「実装・コード編」です。

    今回は、理論や御託は抜きです。

    「で、どう書けば動くの?」

    この一点に絞り、明日から使えるレベルのPythonコードとデータ構造を公開します。

    「プログラミングはちょっと…」という教頭先生も、諦めないでください。ここで紹介するコードは、Excelマクロ(VBA)よりも遥かに短く、そして読みやすいものです。この「魔法の呪文」が、あなたの残業時間を劇的に減らす鍵となります。
    また校務DXを推進したい自治体、企業の担当の方にも有益な記事になるように構成しております。


    これまでの連載で、我々は「校務分掌」を「数理最適化問題」として定義しました。

    今回は、その設計図をPythonというプログラミング言語を使って、実際に動くソフトウェアへと組み上げます。

    目指すゴールは、以下のフローを実現することです。

    1. Excelで「教員リスト」「役割リスト」「希望調査」を用意する。

    2. Pythonを実行する。

    3. 最適化された配置案がExcelで出力される。

    1. 開発環境と「食材」の準備

    まずはキッチン(開発環境)と食材(データ)を整えましょう。

    1.1 必要なライブラリ(道具)

    Pythonがインストールされた環境で、以下のライブラリをインストールします。

    pip install pandas pulp openpyxl
    
    • Pandas: データの読み込み・加工担当(Excel操作の達人)。

    • PuLP: 最適化計算担当(今回の主役。数学の天才)。

    • OpenPyXL: Excelファイルの読み書きエンジン。

    1.2 データの構造化(ここが一番大事!)

    画像

    AIが失敗する原因の9割は「データが汚い」ことです。

    結合セルや色分けで意味を持たせた「神エクセル」は捨てて、以下のようなシンプルな「リスト形式(Tidy Data)」を用意してください。

    画像

    2. 最適化エンジンの実装(Core Logic)

    では、Pythonコードを書いていきます。ここでは分かりやすさのため、主要なロジックを抜粋して解説します。

    Step 1: データの読み込みとモデル作成

    Python

    import pandas as pd
    import pulp
    
    # データの読み込み
    df_teachers = pd.read_csv('teachers.csv').set_index('ID')
    df_roles = pd.read_csv('roles.csv').set_index('ID')
    df_pref = pd.read_csv('preferences.csv')
    
    # リストの作成
    teachers = df_teachers.index.tolist()
    roles = df_roles.index.tolist()
    
    # 数理モデルの定義(最小化問題)
    prob = pulp.LpProblem("School_Duty_Optimization", pulp.LpMinimize)
    


    Step 2: 変数の定義(スイッチを作る)

    教員 $t$ が 役割 $r$ を担当するかどうかを決める「0/1変数」を作ります。

    Python

    # 変数辞書: x[teacher_id][role_id]
    x = pulp.LpVariable.dicts("x", (teachers, roles), 0, 1, pulp.LpBinary)
    


    Step 3: ハード制約の記述(ルール設定)

    ここが腕の見せ所です。「絶対に守れ」という命令を prob += で追加していきます。

    ① 役割ごとの定員制約

    「各役割 $r$ に割り当てられる教員の合計は、定員内じゃなきゃダメ」

    Python

    for r in roles:
        # 割り当てられた教員の合計
        assigned_count = pulp.lpSum([x[t][r] for t in teachers])
        
        # 下限と上限の設定
        prob += assigned_count >= df_roles.at[r, 'Min_Member']
        prob += assigned_count <= df_roles.at[r, 'Max_Member']
    

    ② 教員ごとの役割数上限

    「一人の先生 $t$ が担当できる数は、規定数以下」

    Python

    for t in teachers:
        prob += pulp.lpSum([x[t][r] for r in roles]) <= df_teachers.at[t, 'Role_Limit']
    

    ③ 排他制約(会議時間の重複回避)

    「グループA(例:火曜会議)に属する役割は、一人につき最大1つまで」

    Python

    # Group A に属する役割IDのリストを取得
    group_a_roles = df_roles[df_roles['Group'] == 'A'].index.tolist()
    
    for t in teachers:
        prob += pulp.lpSum([x[t][r] for r in group_a_roles]) <= 1
    


    Step 4: 目的関数の設定(何を最適化するか)

    「希望の不満」と「負荷の偏り」をペナルティとして計算し、その合計を最小化します。

    Python

    # コスト係数の設定(調整パラメータ)
    W_PREF = 100  # 希望重視
    W_LOAD = 10   # 負荷分散重視
    
    total_penalty = 0
    
    # 1. 希望調査に基づくペナルティ
    # 事前に選好スコア辞書を作っておく(第1希望=0, 希望外=1000など)
    for t in teachers:
        for r in roles:
            # ここでは単純化して、希望外ならペナルティ加算とするロジック例
            score = get_preference_score(t, r, df_pref) 
            total_penalty += x[t][r] * score * W_PREF
    
    # 2. 負荷分散(平均負荷からの乖離)
    # ※線形化が必要なため、簡易的に「最大負荷の最小化」アプローチなどを採用する場合が多い
    # ここでは概念として記述
    
    prob += total_penalty
    


    Step 5: 実行と出力

    Python

    # 計算実行(ソルバーを呼ぶ)
    status = prob.solve()
    
    print(f"Status: {pulp.LpStatus[status]}")
    
    # 結果の出力
    results = []
    for t in teachers:
        for r in roles:
            if x[t][r].value() == 1:
                results.append({'Teacher': df_teachers.at[t, 'Name'], 'Role': df_roles.at[r, 'Name']})
    
    # DataFrameにして表示
    df_result = pd.DataFrame(results)
    print(df_result)
    df_result.to_csv("optimized_plan.csv", index=False)
    

    たったこれだけ(約50行〜100行)のコードで、数億通りの組み合わせから最適解が見つかります。


    3. 使いやすくする:Streamlitによるアプリ化

    コードが書けても、黒い画面(コマンドライン)で操作するのは現場の先生にはハードルが高いです。

    画像
    黒い画面

    そこで、Streamlitというライブラリを使います。Pythonコードに数行書き足すだけで、ブラウザ上で動くWebアプリが作れます。
    Streamlitについては、以下の動画や、zenn、Qitaなどの技術ブログをご参考にしてください。


    • ファイルアップロード機能: Excelをドラッグ&ドロップで読み込み。

    • スライダー調整: 「ベテラン優先」「若手育成優先」などの重み付けをマウス操作で変更。

    • 結果のダウンロード: 生成された配置案をExcelでダウンロード。

    これにより、教頭先生はコードを見ることなく、ブラウザ上でパラメータをいじりながら「シミュレーション」を繰り返すことができます。

    4. 導入と運用:組織への定着戦略


    システムを作って終わりではありません。「使ってもらう」までがゴールです。

    4.1 説明責任(XAI)を果たす

    AIが出した結果をそのまま貼り出すと、「なんで私がここなんですか?」と反発が起きます。

    出力されたExcelには、必ず「なぜその配置になったか」の根拠を付記しましょう。

    例:「A先生は、第1希望の生活指導部が定員超過でしたが、全体の負荷バランスを考慮し、第2希望の進路指導部に配置されました(希望充足率: 全体95%)」


    4.2 小さく始めて大きく育てる

    いきなり全校の全分掌をAIで決めるのは危険です。

    • 1年目:簡単な委員会活動や、試験監督の割り当てだけでテスト運用。

    • 2年目:主要な分掌に適用。ただし最終決定は人間が行う。

    • 3年目:行事役割なども含めた統合運用。

    このように段階を踏み、「AIは敵ではなく、面倒な計算をやってくれる助手だ」という認識を広めていくことが重要です。

    5. まとめ:校務DXの「ラストワンマイル」を超える

    全3回にわたり、校務分掌最適化システムの構想から実装までを解説してきました。

    • Vol.1: 膨大な組み合わせ爆発には、人間の直感ではなく数理モデルが必要であること。

    • Vol.2: 現場の曖昧な「空気」は、目的関数と制約条件に翻訳できること。

    • Vol.3: PythonとPuLPを使えば、驚くほど短いコードで実装可能であること。

    このシステムが目指すのは、完璧な自動化ではありません。

    先生方が「誰が何をやるか」というパズルに費やす数百時間を削減し、「どういう教育をするか」「どう生徒と向き合うか」という本質的な議論に時間を使えるようにすることです。

    さあ、Pythonをインストールして、あなたの学校の「働き方改革」を、あなたの手でハックしてみませんか?


    【AI専門家からのひとことアドバイス】

    今回の記事は「実践(Action)」に特化しました。

    この3部作を通じて、教育関係者だけでなく、エンジニアやDXコンサルタントに対しても「学校DXの具体的なソリューション」として強い権威性(E-E-A-T)を示すことが出来ると思います。

    次回:ChatGPTで作る、Python苦手な管理職向け校務DXです。

    プレゼント

    このシステムを外部の業者に開発依頼すると、数十万〜数百万円のコストがかかります。 今回は、皆様自身で運用・カスタマイズしていただくことを前提に「校務DXスタートセット」を提供いたします。ご活用ください。

    あなたへのおすすめ