מערכת המלצות e‑learning חזקה המבוססת על תורת קבוצות הייפרסופט דו־קוטבית מטווח ערכי חדשנית

מדוע הצעות למידה חכמות חשובות

קורסים מקוונים, וידאוים ואפליקציות מציפים כיום את האינטרנט, אך רוב הפלטפורמות עדיין מתקשות להציע את התוכן הנכון לאדם הנכון בזמן המתאים. מנועי המלצות רבים רואים רק על מה לחצתם "לייק" ומתעלמים ממה שלא אהבתם או שחשבתם לגביו בחוסר ביטחון. עבודה זו מציגה מסגרת מתמטית חדשה המסייעת למערכות e‑learning ללכוד טוב יותר את שני הצדדים של תחושת הלומד — מה הוא מקבל ומה הוא רוצה להימנע ממנו — תוך התמודדות עם אי־וודאות והשכבות הרבות של פרטי הקורס. המטרה פשוטה: להציע למידה מותאמת אישית שנראית כאילו מורה מעמיק יודע אתכם היטב.

לראות גם אהבות וגם דחיות

רוב שיטות ההמלצה הנוכחיות מתמקדות באותות חיוביים, כגון דירוגים, שיעורים שהושלמו או זמן שהייה בדף. אך לומדים אמיתיים גם חווים דחיות והיסוסים: סטודנט עשוי ליהנות מווידאוים קצרים ואינטראקטיביים אך להימנע בתוקף מהרצאות טקסט ארוכות, או לאהוב את קצב הקורס אך להיות לא מרוצה מהמבחנים השטחיים שלו. המחברים טוענים שכל מערכת שמתעלמת מתגובות שליליות או מעורבות מסתכנת בהצעות שאינן מתאימות. עבודתם בונה על קו של כלים מתמטיים "רכים" ו"מעורפלים" שנועדו למידע עומם ולא מדויק. בגישה החדשה הזו, לכל אפשרות למידה יכולה להיות גם דרגת משיכה וגם דרגת דחייה, שכל אחת מהן מתוארת לא על‑ידי מספר יחיד אלא על‑ידי טווח, כדי לשקף אי־וודאות או חילוקי דעות בין משתמשים.

פירוק התוכן לחלקים עדינים

חומרי למידה אינם פשוטים בדרך כלל. ניתן לשפוט קורס לפי התוכן, אינטראקטיביות, משוב וסגנון הערכה, וכל אחד מהם ניתן לפירוק נוסף. למשל, לתוכן יש רלוונטיות, בהירות ומעורבות; למשוב יש ספציפיות ותדירות; בהערכה ניתן להדגיש תוצרי למידה או שביעות רצון. המסגרת המוצעת, הנקראת קבוצת הייפרסופט דו‑קוטבית מעורפלת עם ערכי טווח, נבנתה כדי לשקף את המבנה השכבתי הזה. היא מאפשרת למערכת לטפל בשילובים של תת‑תכונות — כגון וידאוים מרתקים מאוד אך רק ברמה בינונית של בהירות עם משוב עשיר ותדיר — ולעקוב כמה כל אחד מההיבטים הללו אהוב או לא אהוב, שוב באמצעות טווחים במקום ציונים מדויקים. כך נוצרת תמונה עשירה ומובנית של הלומדים ומשאבי הלמידה.

כיצד פועל שיטת הציונים החדשה

על בסיס מבנה זה מעצבים המחברים אלגוריתם החלטה שמקצה ציון כולל לכל אפשרות למידה. תחילה המערכת רושמת טווחי אינטרוולים עבור מידת החיוביות והשליליות שבהן כל אלטרנטיבה נתפסת לאורך כל תת‑התכונות הרלוונטיות. לאחר מכן היא מחשבת את רוחב הטווחים הללו, כדי ללכוד עד כמה ההערכות בטוחות או לא בטוחות. על‑ידי סכימה והשוואת אורכי הטווחים לאורך שורות ועמודות בטבלאות מיוחדות, האלגוריתם מפיק ציון חיובי וציון שלילי עבור כל אפשרות. חיסור השלילי מהחיובי מניב ערך סופי שניתן להשתמש בו לדירוג האפשרויות. בדוגמה ממחישה, ארבע גישות הוראה — הוראה כיתתית מסורתית, למידה משולבת, למידה בהתאמה עצמית ולמידה בלתי פורמלית — מוערכות על פני היבטים רבים כגון איכות התוכן, רמת האינטראקטיביות וסוג המשוב. השיטה מזהה את הלמידה המשולבת כאלטרנטיבה הטובה ביותר תחת הקריטריוניים שנבחרו.

בחינת המודל

כדי לבדוק שהמבנה המורכב הזה אינו רק אלגנטי אלא גם תקף, המאמר בוחן את התכונות הלוגיות הבסיסיות שלו. המחברים מראים שאיחודים, חיתוכים, משלימים ופעולות "וגם" ו"או" משולבות מתנהגות באופן צפוי, ועומדות בחוקי חילופיות, איגוד, הפצה וחוקי דה מורגן. הם משווים גם את גישת ההמלצות שלהם לסינון שיתופי סטנדרטי ולשיטת דירוג מעורפלת פופולרית הידועה כ‑Fuzzy TOPSIS. באמצעות נתונים סינתטיים המדמים העדפות סטודנטים, הם מעריכים דיוק (precision), שליפה (recall) וציון F1 — מדדים מקובלים למספר ההמלצות הטובות שנמצאות וכמה מהטעות נמנעת. השיטה החדשה משיגה דיוק גבוה וכיסוי רחב יותר, בעיקר משום שהיא יכולה לשלב עדויות חיוביות ושליליות יחד עם אי־וודאות במבנה אחד קוהרנטי.

מעשית: מה משמעות הדבר לעתיד ה‑e‑learning

במלים פשוטות, המחקר מראה שמודליזציה מדוקדקת של מה שלומדים אוהבים, מה אינם אוהבים ועד כמה הם לא בטוחים מביאה להמלצות חכמות ומהימנות יותר. באמצעות ייצוג התחושות הללו כטווחים במקום ציונים קבועים, ובהכרה בשכבות העומק של עיצוב הקורס, מסגרת ה‑interval‑valued bipolar fuzzy hypersoft מעניקה לפלטפורמות שפה עשירה יותר להבנת הלומדים. אמנם התוצאות הנוכחיות מבוססות על נתונים מבוקרים וסינתטיים ותלויות בטווחים שנבחרו על‑ידי מומחים, אך המחברים מדמיינים מערכות עתידיות שבהן נתוני משתמש אמיתיים ולמידת מכונה יסייעו לאמוד טווחים אלה אוטומטית. אם ייושם כך, מערכות אלה עשויות להניע את הדור הבא של פלטפורמות e‑learning, שבהן ההמלצות ייראו פחות כרשימות גנריות ויותר כהדרכה שקולה ממנטור מעודכן היטב.

ציטוט: 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

מילות מפתח: המלצות e‑learning, חינוך מותאם אישית, קבלת החלטות מעורפלת, העדפות לומדים, דירוג רב־קריטריוני