نظام توصية للتعلّم الإلكتروني متين مبني على نظرية مجموعة هايبرسوفت الضبابية ثنائية القطب ذات القيم الفاصِلية

لماذا تهم اقتراحات التعلم الأذكى

تفيض الإنترنت الآن بالدورات والمواد المرئية والتطبيقات، لكن معظم منصات التعلم لا تزال تكافح لتقترح المادة المناسبة للشخص المناسب في الوقت المناسب. كثير من محركات التوصية ترى فقط ما ضغطت عليه "إعجاب" وتتجاهل ما كرهته بهدوء أو ما شعرت حياله بعدم اليقين. تقدم هذه الورقة إطارًا رياضيًا جديدًا يساعد أنظمة التعلم الإلكتروني على التقاط جانبي مشاعر المتعلم—ما يرحب به وما يرغب في تجنبه—مع التعامل أيضًا مع عدم اليقين والعديد من طبقات التفاصيل في محتوى الدورة. الهدف بسيط: جعل اقتراحات التعلم الشخصية تبدو كما لو أن معلمًا متنبهًا يعرفك جيدًا.

رؤية الإعجابات والامتعاضات معًا

تركز معظم طرق التوصية الحالية على الإشارات الإيجابية، مثل التقييمات، الدروس المكتملة، أو الوقت المنقضي على صفحة ما. لكن المتعلّم الواقعي يملك أيضًا امتعاضات وتردّديات: قد يستمتع الطالب بمقاطع فيديو تفاعلية قصيرة لكنه يتجنب محاضرات نصية طويلة بشدة، أو يحب وتيرة دورة لكنه غير راضٍ عن اختباراتها السطحية. يجادل المؤلفون بأن أي نظام يتجاهل هذه التفاعلات السلبية أو المختلطة يخاطر بتقديم اقتراحات تبدو غير ملائمة. يستند عملهم إلى سلسلة من الأدوات الرياضية "الناعمة" و"الضبابية" المصممة للمعلومات المبعثرة وغير الدقيقة. في هذا النهج الجديد، يمكن أن يحمل كل خيار تعليمي درجة جذب ودرجة تنافر، لا يوصف كل منهما بعدد واحد بل بنطاق، ليعكس حالة عدم اليقين أو التباين بين المستخدمين.

تقسيم المحتوى إلى قطع دقيقة

نادراً ما تكون المواد التعليمية بسيطة. يمكن الحكم على دورة من حيث محتواها، وتفاعليتها، وردود الفعل، وأسلوب التقييم، وكل من هذه يمكن تفكيكه أكثر. على سبيل المثال، يمتلك المحتوى صلة ووضوحًا وجاذبية؛ ويمتلك التغذية الراجعة خصوصية وتكرارًا؛ ويمكن أن يركز التقييم على نواتج التعلم أو الرضا. الإطار المقترح، المسمّى مجموعة هايبرسوفت ضبابية ثنائية القطب ذات قيم فاصِلية، بُني ليعكس هذا الهيكل الطبقي. يسمح للنظام بالتعامل مع تراكيب من الميزات الفرعية—مثل مقاطع فيديو جذابة جدًا لكنها متوسطة الوضوح مع تغذية راجعة غنية ومتكررة—وتتبع مقدار الإعجاب أو الرفض لكل من هذه الجوانب، مرة أخرى باستخدام نطاقات بدلاً من درجات دقيقة. هذا يخلق صورة غنية ومنظمة لكل من المتعلمين وموارد التعلم.

كيف يعمل أسلوب التسجيل الجديد

فوق هذا الهيكل، يصمم المؤلفون خوارزمية قرار تُعيّن درجة إجمالية لكل خيار تعليمي. أولاً، يسجل النظام نطاقات فاصِلية لمدى الإحساس الإيجابي والسلبي بكل بديل عبر جميع السمات الفرعية ذات الصلة. ثم يحسب مدى اتساع هذه النطاقات، ملتقطًا مقدار اليقين أو عدم اليقين في الأحكام. عن طريق جمع ومقارنة أطوال النطاقات عبر صفوف وأعمدة في جداول خاصة، تنتج الخوارزمية درجة إيجابية ودرجة سلبية لكل خيار. وطرح السلبي من الإيجابي يعطي قيمة نهائية يمكن استخدامها لترتيب الخيارات. في مثال تطبيقي، تُقيَّم أربع نهج تدريسية—التدريس التقليدي في الصف، التعلم المدمج، التعلم الذاتي التوجيه، والتعلم غير الرسمي—عبر جوانب متعددة مثل جودة المحتوى ومستوى التفاعلية ونوع التغذية الراجعة. تحدد الطريقة التعلم المدمج كأفضل بديل إجماليًا وفق المعايير المختارة.

اختبار النموذج

للتحقق مما إذا كان هذا الهيكل المعقد ليس أنيقًا فحسب بل سليمًا أيضًا، تفحص الورقة خصائصه المنطقية الأساسية. يبين المؤلفون أن الاتحادات والتقاطع والمتممات والعمليات المركبة "و" و"أو" تتصرف بطرق متوقعة، وتفي بخصائص التبادلية، والاتحاد، والتوزيع، وقوانين دي مورغان. ثم يقارنون نهج التوصية الخاص بهم بالتصفية التعاونية القياسية وطريقة ترتيب ضبابية شهيرة معروفة باسم Fuzzy TOPSIS. باستخدام بيانات صناعية تحاكي تفضيلات الطلاب، يقيمون الدقة والاستدعاء ونقاط F1—مقاييس شائعة لعدد الاقتراحات الجيدة المكتشفة ومدى تجنّب الاقتراحات السيئة. تحقق الطريقة الجديدة دقة أعلى وتغطية أوسع، ويرجع ذلك إلى حد كبير إلى قدرتها على دمج الأدلة الإيجابية والسلبية مع عدم اليقين في بنية متماسكة واحدة.

ماذا يعني هذا لمستقبل التعلم الإلكتروني

بعبارات بسيطة، تُظهر الدراسة أن نمذجة ما يحبه المتعلمون وما يكرهه ومدى عدم يقينهم تؤدي إلى توصيات أذكى وأكثر موثوقية. من خلال تمثيل هذه المشاعر كنطاقات بدلًا من درجات ثابتة، ومن خلال احترام الطبقات الكثيرة في تصميم الدورات، يمنح إطار المجموعة الهايبرسوفت الضبابية ثنائية القطب ذات القيم الفاصِلية المنصات لغة أغنى لفهم المتعلمين. بينما تستند النتائج الحالية إلى بيانات خاضعة للرقابة وصناعية وتعتمد على نطاقات يحددها خبراء، يتصور المؤلفون أن أنظمة مستقبلية قد تستخدم بيانات المستخدم الحقيقية والتعلّم الآلي لتقدير هذه النطاقات تلقائيًا. إذا تحقق ذلك، فقد تغذي مثل هذه الأنظمة الجيل التالي من منصات التعلم الإلكتروني، حيث تبدو التوصيات أقل كقوائم عامة وأكثر كإرشاد مدروس من مُعلِّم مطّلع.

الاستشهاد: Harl, M.I., Saeed, M., Saeed, M.H. et al. A robust E learning recommendation system based on novel interval valued bipolar fuzzy hypersoft set theory. Sci Rep 16, 13239 (2026). https://doi.org/10.1038/s41598-026-42231-6

الكلمات المفتاحية: توصية التعلم الإلكتروني, التعليم الشخصي, اتخاذ القرار الضبابي, تفضيلات المتعلّم, ترتيب متعدد المعايير