Un sistema de recomendación de e‑learning robusto basado en la nueva teoría de conjuntos hipersuaves difusos bipolares con valores de intervalo

Por qué importan las sugerencias de aprendizaje más inteligentes

Los cursos en línea, vídeos y aplicaciones inundan Internet hoy en día, pero la mayoría de plataformas educativas siguen teniendo dificultades para sugerir el material adecuado a la persona adecuada en el momento oportuno. Muchos motores de recomendación solo ven lo que marcaste con “me gusta” e ignoran lo que discretamente no te gustó o te generó dudas. Este artículo presenta un nuevo marco matemático que ayuda a los sistemas de e‑learning a captar mejor ambos lados de los sentimientos del aprendiz —lo que acogen y lo que quieren evitar— al tiempo que maneja la incertidumbre y las múltiples capas de detalle en el contenido del curso. El objetivo es simple: ofrecer sugerencias de aprendizaje personalizadas que se sientan como si un tutor atento te conociera bien.

Ver tanto los gustos como los rechazos

La mayoría de los métodos de recomendación actuales se centran en señales positivas, como valoraciones, lecciones completadas o tiempo invertido en una página. Pero los aprendices reales también tienen rechazos y vacilaciones: un estudiante puede disfrutar de vídeos cortos e interactivos y, sin embargo, evitar por completo las largas lecciones en texto, o apreciar el ritmo de un curso pero estar insatisfecho con sus cuestionarios superficiales. Los autores sostienen que cualquier sistema que ignore estas reacciones negativas o mixtas corre el riesgo de ofrecer sugerencias que resulten insensibles. Su trabajo se apoya en una línea de herramientas matemáticas “blandas” y difusas diseñadas para información desordenada e imprecisa. En este nuevo enfoque, cada opción de aprendizaje puede portar tanto un grado de atracción como un grado de repulsión, cada uno descrito no por un único número sino por un intervalo, para reflejar la incertidumbre o el desacuerdo entre usuarios.

Descomponer el contenido en piezas de gran detalle

Los materiales de aprendizaje rara vez son simples. Un curso puede valorarse por su contenido, interactividad, retroalimentación y estilo de evaluación, y cada uno de estos puede desglosarse aún más. Por ejemplo, el contenido tiene relevancia, claridad y capacidad de enganchar; la retroalimentación tiene especificidad y frecuencia; la evaluación puede enfatizar resultados de aprendizaje o satisfacción. El marco propuesto, llamado conjunto hipersuave difuso bipolar con valores de intervalo, está diseñado para reflejar esta estructura por capas. Permite al sistema manejar combinaciones de subcaracterísticas —como vídeos muy atractivos pero solo moderadamente claros con retroalimentación rica y frecuente— y registrar cuánto gusta o desagrada cada uno de estos aspectos, nuevamente usando intervalos en lugar de puntuaciones precisas. Esto crea una imagen rica y estructurada tanto de los aprendices como de los recursos de aprendizaje.

Cómo funciona el nuevo método de puntuación

Sobre esta estructura, los autores diseñan un algoritmo de decisión que asigna una puntuación global a cada opción de aprendizaje. Primero, el sistema registra intervalos para cuánto se percibe positivamente y negativamente cada alternativa a lo largo de todos los subatributos relevantes. Luego calcula la amplitud de esos intervalos, capturando cuán ciertas o inciertas son las valoraciones. Sumando y comparando las longitudes de los intervalos a través de filas y columnas en tablas especiales, el algoritmo produce una puntuación positiva y una negativa para cada opción. Restar la negativa de la positiva da un valor final que puede usarse para ordenar las alternativas. En un ejemplo aplicado, se evalúan cuatro enfoques instructivos —la enseñanza tradicional en aula, el aprendizaje combinado, el aprendizaje autodirigido y el aprendizaje informal— en múltiples aspectos como calidad de contenido, nivel de interactividad y tipo de retroalimentación. El método identifica el aprendizaje combinado como la mejor alternativa global según los criterios elegidos.

Poner el modelo a prueba

Para comprobar si esta estructura intrincada no es solo elegante sino también sólida, el artículo examina sus propiedades lógicas básicas. Los autores muestran que las uniones, intersecciones, complementos y las operaciones combinadas de "Y" y "O" se comportan de forma predecible, satisfaciendo leyes conmutativas, asociativas, distributivas y del tipo De Morgan. Después comparan su enfoque de recomendación con el filtrado colaborativo estándar y con un método de clasificación difusa popular conocido como Fuzzy TOPSIS. Usando datos sintéticos que imitan preferencias estudiantiles, evalúan precisión, recall y puntuaciones F1 —medidas comunes de cuántas buenas sugerencias se encuentran y cuántas malas se evitan. El nuevo método alcanza mayor exactitud y mayor cobertura, en gran parte porque puede incorporar evidencia tanto positiva como negativa junto con la incertidumbre en una estructura única y coherente.

Qué supone esto para el futuro del e‑learning

En términos sencillos, el estudio muestra que modelar con cuidado lo que a los aprendices les gusta, lo que no les gusta y cuánto pueden dudar conduce a recomendaciones más inteligentes y de mayor confianza. Al representar estos sentimientos como intervalos en lugar de puntuaciones fijas, y al respetar las múltiples capas del diseño del curso, el marco hipersuave difuso bipolar con valores de intervalo ofrece a las plataformas un lenguaje más rico para comprender a los aprendices. Si bien los resultados actuales se basan en datos controlados y sintéticos y dependen de intervalos elegidos por expertos, los autores imaginan futuros sistemas en los que datos reales de usuarios y aprendizaje automático ayuden a estimar estos intervalos automáticamente. Si se realiza, dichos sistemas podrían impulsar la próxima generación de plataformas de e‑learning, donde las recomendaciones se sientan menos como listas genéricas y más como una orientación reflexiva de un mentor bien informado.

Cita: 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

Palabras clave: recomendación e-learning, educación personalizada, toma de decisiones difusa, preferencias del alumno, clasificación multicriterio