Ein robustes Empfehlungssystem für E‑Learning auf Basis einer neuartigen intervallwertigen bipolaren fuzzy‑Hypersoft‑Mengen‑Theorie

Warum intelligentere Lernvorschläge wichtig sind

Online‑Kurse, Videos und Apps überschwemmen inzwischen das Internet, doch viele Lernplattformen tun sich weiterhin schwer damit, zur richtigen Zeit das richtige Material für die richtige Person vorzuschlagen. Viele Empfehlungssysteme registrieren nur, worauf man ein „Gefällt mir“ klickt, und übersehen, was man innerlich ablehnt oder woran man Zweifel hat. Dieser Beitrag stellt einen neuen mathematischen Rahmen vor, der E‑Learning‑Systemen hilft, beide Seiten der Gefühle eines Lernenden besser zu erfassen — das, was sie anzieht, und das, was sie vermeiden wollen — und zugleich mit Unsicherheit und den zahlreichen Detailebenen von Kursinhalten umzugehen. Das Ziel ist einfach: personalisierte Lernvorschläge zu erzeugen, die sich so anfühlen, als kenne ein aufmerksamer Tutor den Lernenden gut.

Zwischen Gefallen und Ablehnung unterscheiden

Die meisten aktuellen Empfehlungsverfahren konzentrieren sich auf positive Signale wie Bewertungen, absolvierte Lektionen oder verbrachte Zeit auf einer Seite. In Wirklichkeit haben Lernende aber auch Abneigungen und Vorbehalte: Eine Studentin mag kurze interaktive Videos, meidet aber stark lange Textvorlesungen; ein anderer schätzt das Lerntempo, ist jedoch unzufrieden mit oberflächlichen Tests. Die Autoren argumentieren, dass ein System, das diese negativen oder gemischten Reaktionen ignoriert, leicht unangemessene Vorschläge machen kann. Ihre Arbeit baut auf einer Reihe „weicher“ und fuzzy‑basierter mathematischer Werkzeuge für ungenaue Informationen auf. In diesem neuen Ansatz kann jede Lernoption sowohl einen Anziehungs‑ als auch einen Abstoßungsgrad tragen, wobei jeder nicht als einzelne Zahl, sondern als Bereich beschrieben wird, um Unsicherheit oder unterschiedliche Nutzermeinungen widerzuspiegeln.

Inhalte in feingranulare Teile zerlegen

Lernmaterialien sind selten einfach. Ein Kurs lässt sich nach Inhalt, Interaktivität, Feedback und Bewertungsstil beurteilen, und jeder dieser Punkte lässt sich weiter unterteilen. Beispielsweise hat Inhalt Relevanz, Klarheit und Engagement; Feedback hat Spezifität und Häufigkeit; Bewertung kann Lernergebnisse oder Zufriedenheit betonen. Der vorgeschlagene Rahmen, genannt intervallwertige bipolare fuzzy‑Hypersoft‑Menge, ist darauf ausgelegt, diese geschichtete Struktur abzubilden. Er erlaubt dem System, Kombinationen von Untermerkmalen zu behandeln — etwa sehr fesselnde, aber nur mäßig klare Videos mit reichhaltigem, häufigem Feedback — und nachzuhalten, wie stark jedes dieser Aspekte gemocht oder abgelehnt wird, wiederum durch Bereiche statt präziser Punktwerte. So entsteht ein reichhaltiges, strukturiertes Bild sowohl der Lernenden als auch der Lernressourcen.

Wie die neue Bewertungsmethode funktioniert

Auf dieser Struktur aufbauend entwerfen die Autoren einen Entscheidungsalgorithmus, der jeder Lernoption eine Gesamtnote zuweist. Zunächst erfasst das System Intervallbereiche dafür, wie positiv und wie negativ jede Alternative entlang aller relevanten Unterattribute wahrgenommen wird. Dann berechnet es die Breite dieser Intervalle, was erfasst, wie sicher oder unsicher die Urteile sind. Durch Summieren und Vergleichen der Intervalllängen über Zeilen und Spalten in speziellen Tabellen erzeugt der Algorithmus für jede Option einen positiven und einen negativen Wert. Zieht man den negativen vom positiven Wert ab, erhält man einen Endwert, mit dem sich die Alternativen ranken lassen. In einem durchgerechneten Beispiel werden vier Lehransätze — traditionelle Präsenzlehre, Blended Learning, selbstgesteuertes Lernen und informelles Lernen — über mehrere Aspekte wie Inhaltsqualität, Interaktivitätsgrad und Feedbacktyp bewertet. Die Methode identifiziert Blended Learning als die beste Gesamtalternative unter den gewählten Kriterien.

Das Modell auf die Probe stellen

Um zu prüfen, ob diese komplexe Struktur nicht nur elegant, sondern auch logisch stimmig ist, untersucht das Papier ihre grundlegenden logischen Eigenschaften. Die Autoren zeigen, dass Vereinigungen, Schnitte, Komplemente sowie kombinierte „UND“‑ und „ODER“‑Operationen sich voraussagbar verhalten und kommutative, assoziative, distributive sowie De‑Morgan‑artige Gesetze erfüllen. Anschließend vergleichen sie ihren Empfehlungsansatz mit herkömmlichem Collaborative Filtering und einer verbreiteten fuzzy‑Ranking‑Methode, bekannt als Fuzzy TOPSIS. Mit synthetischen Daten, die Studentenpräferenzen nachahmen, bewerten sie Precision, Recall und F1‑Scores — gängige Maße dafür, wie viele gute Vorschläge gefunden und wie viele schlechte vermieden werden. Die neue Methode erreicht höhere Genauigkeit und größere Abdeckung, hauptsächlich weil sie positive und negative Hinweise sowie Unsicherheit in einer einzigen kohärenten Struktur integrieren kann.

Was das für die Zukunft des E‑Learning bedeutet

Einfach gesagt zeigt die Studie, dass ein sorgfältiges Modellieren dessen, was Lernende mögen, was sie ablehnen und wie unsicher sie sein können, zu intelligenteren und vertrauenswürdigeren Empfehlungen führt. Indem diese Empfindungen als Bereiche statt als feste Bewertungen dargestellt und die vielen Schichten des Kursdesigns berücksichtigt werden, bietet der intervallwertige bipolare fuzzy‑Hypersoft‑Rahmen Plattformen eine reichere Sprache, Lernende zu verstehen. Während die aktuellen Ergebnisse auf kontrollierten, synthetischen Daten beruhen und auf Expertenfestlegungen der Intervalle aufbauen, stellen sich die Autoren zukünftige Systeme vor, in denen reale Nutzerdaten und maschinelles Lernen diese Intervalle automatisch schätzen. Wenn dies gelingt, könnten solche Systeme die nächste Generation von E‑Learning‑Plattformen antreiben, in der Empfehlungen weniger wie generische Listen wirken und mehr wie wohlüberlegte Hinweise eines gut informierten Mentors.

Zitation: 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

Schlüsselwörter: E‑Learning‑Empfehlung, personalisierte Bildung, fuzzy Entscheidungsfindung, Lernendenpräferenzen, Multi‑Kriterien‑Ranking