Un système robuste de recommandation pour le-learning fonde sur une nouvelle theorie deintervalle value bipolaire floue hypersoft

Pourquoi des suggestions de apprentissage plus intelligentes sont importantes

Cours en ligne, videos et applications envahissent aujourde9internet, mais la plupart des plateformes de apprentissage peinent encore e sugge9rer le bon contenu e la bonne personne au bon moment. Beaucoup de moteurs de recommandation se limitent e ce que vous avez clique9 "je9 aime", et ignorent ce que vous avez de9approuve9 silencieusement ou ce qui vous a rendu incertain. Cet article pre9sente un nouveau cadre mathe9matique qui aide les syste8mes de apprentissage en ligne e mieux saisir les deux facettes des sentiments de9un apprenante4ce que9il accueille et ce que9il souhaite e vitere4tout en ge9rant le9incertitude et les multiples niveaux de de9tail du contenu des cours. Le9objectif est simple : produire des suggestions personnalise9es qui donnent le9impression que9un tuteur attentif vous connaeet bien.

Prendre en compte e la fois les attirances et les re9pulsions

Les me9thodes de recommandation actuelles mettent surtout le9accent sur les signaux positifs, tels que les notes, les lee7ons termine9es ou le temps passe9 sur une page. Mais les apprenants re9els ont aussi des de9gouts et des he9sitations : un e9tudiant peut aimer de courtes vide9os interactives tout en fuyant fortement de longues confe9rences textuelles, ou appre9cier le rythme de9un cours mais de9tester la superficialite9 des quiz. Les auteurs soutiennent que9un syste8me qui ignore ces re9actions ne9gatives ou mixtes risque de fournir des suggestions de9tonnantes. Leur travail se9appuie sur une lignée de9outils mathe9matiquement "souples" et "flous" cone7us pour le9information impre9cise. Dans cette nouvelle approche, chaque option de9apprentissage peut porter e la fois un degre9 de9attraction et un degre9 de re9pulsion, chacun de9crit non pas par un nombre unique mais par un intervalle, pour rendre compte de le9incertitude ou du de9saccord entre utilisateurs.

De9composer le contenu en e9le9ments fins

Les ressources de9apprentissage sont rarement simples. Un cours peut e9tre juge9 sur son contenu, son interactivite9, son feedback et son style de9valuation, et chacun de ces aspects peut eatre de9compose9 davantage. Par exemple, le contenu a pertinence, clarte9 et attrait ; le feedback a spe9cificite9 et fre9quence ; le9valuation peut mettre le9accent sur les re9sultats de9apprentissage ou la satisfaction. Le cadre propose9, appele9 ensemble hypersoft flou bipolaire e valeur intervallaire, est cone7u pour refle9ter cette structure e plusieurs niveaux. Il permet au syste8me de traiter des combinaisons de sous-caracte9ristiquese4par exemple des vide9os tre8s engageantes mais seulement mode9re9ment claires avec un feedback riche et fre9quente4et de garder la trace de combien chacune de ces facettes est aime9e ou de9appre9cie9e, encore une fois en utilisant des intervalles plute4t que des scores pre9cis. Cela cre9e un tableau riche et structure9 des apprenants et des ressources de9apprentissage.

Comment fonctionne la nouvelle me9thode de notation

Au-dessus de cette structure, les auteurs cone7oivent un algorithme de de9cision qui attribue un score global e chaque option de9apprentissage. De9abord, le syste8me enregistre des intervalles pour la manie8re dont chaque alternative est pere7ue positivement et ne9gativement selon tous les sous-attributs pertinents. Il calcule ensuite le9e9tendue de ces intervalles, capturant le degre9 de certitude ou de9incertitude des jugements. En additionnant et en comparant les longueurs de9intervalle e9sur des lignes et colonnes dans des tableaux spe9ciaux, le9algorithme produit un score positif et un score ne9gatif pour chaque option. En soustrayant le ne9gatif du positif on obtient une valeur finale utilisable pour classer les choix. Dans un exemple concret, quatre approches pédagogiquese4le9enseignement traditionnel en pre9sentiel, le9apprentissage hybride, le9apprentissage autoguide9 et le9apprentissage informele4sont e9value9es selon plusieurs aspects tels que la qualite9 du contenu, le niveau de9interactivite9 et le type de feedback. La me9thode identifie le9apprentissage hybride comme la meilleure alternative globale selon les crite8res choisis.

Mettre le mode8le e9 le9preuve

Pour ve9rifier que cette structure complexe ne9est pas seulement e9le9gante mais aussi solide, le9article examine ses proprie9te9s logiques de base. Les auteurs montrent que les unions, intersections, comple9ments et les ope9rations combine9es "ET" et "OU" se comportent de manie8re pre9visible, satisfaisant des lois commutatives, associatives, distributives et de type De Morgan. Ils comparent ensuite leur approche de recommandation e9 la filtrage collaboratif standard et e9 une me9thode de classement floue populaire connue sous le nom de Fuzzy TOPSIS. En utilisant des donne9es synthe9tiques imitant les pre9fe9rences des e9tudiants, ils e9valuent pre9cision, rappel et score F1e4mesures courantes du nombre de bonnes suggestions trouve9es et du nombre de mauvaises e9vite9es. La nouvelle me9thode atteint une meilleure exactitude et une couverture plus vaste, principalement parce que9elle peut incorporer e9a la fois des preuves positives et ne9gatives ainsi que le9incertitude dans une structure cohe9rente unique.

Que9est-ce que cela signifie pour le9avenir de le9e-learning

En termes simples, le9e9tude montre que mode9liser soigneusement ce que les apprenants aiment, ce que9ils ne9aiment pas et e9dans quelle mesure ils peuvent eatre incertains conduit e9 des recommandations plus intelligentes et plus fiables. En repre9sentant ces sentiments par des intervalles plute4t que des scores fixes, et en respectant les nombreux niveaux de conception des cours, le cadre hypersoft flou bipolaire e valeur intervallaire fournit aux plateformes un langage plus riche pour comprendre les apprenants. Bien que les re9sultats actuels reposent sur des donne9es synthe9tiques contre9le9es et de9pendent de9intervalles choisis par des experts, les auteurs imaginent des syste8mes futurs oe9 les donne9es re9elles des utilisateurs et le9apprentissage automatique aideront e9stimer ces intervalles automatiquement. Si cela se re9alise, de tels syste8mes pourraient alimenter la prochaine ge9ne9ration de plateformes de9 e-learning, oe9 les recommandations ressembleraient moins e9 des listes ge9ne9riques et davantage e9 e9une orientation réfléchie de9un mentor bien informe9.

Citation: 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

Mots-clés: recommandation e-learning, education personnalise, deision floue, preferences des apprenants, classement multicrite8res