Un robusto sistema di raccomandazione per lapprendimento online basato sulla nuova teoria degli insiemi ipersoft fuzzy bipolari a valori intervallari

Perche9 le proposte di apprendimento pif9 intelligenti contano

I corsi online, i video e le app ora invadono Internet, ma la maggior parte delle piattaforme di apprendimento fatica ancora a suggerire il materiale giusto alla persona giusta nel momento giusto. Molti motori di raccomandazione vedono soltanto quello a cui hai messo "mi piace" e ignorano ciò che non ti è piaciuto in silenzio o ti ha lasciato incerto. Questo articolo presenta un nuovo quadro matematico che aiuta i sistemi di e-learning a catturare meglio entrambe le facce delle sensazioni di un discenteciciocicio quello che gradisce e quello che vuole evitare  pur gestendo lincertezza e i diversi livelli di dettaglio nei contenuti del corso. Lobiettivo e8 semplice: creare suggerimenti di apprendimento personalizzati che diano limpressione che un tutor attento ti conosca bene.

Vedere sia i gradimenti sia i dissensi

La maggior parte dei metodi di raccomandazione attuali si concentra sui segnali positivi, come valutazioni, lezioni completate o tempo trascorso su una pagina. Ma i discenti reali hanno anche antipatie e esitazioni: uno studente potrebbe apprezzare brevi video interattivi ma evitare con forza lunghe lezioni testuali, oppure gradire il ritmo di un corso ma essere scontento dei quiz superficiali. Gli autori sostengono che un sistema che ignora queste reazioni negative o miste rischia di proporre suggerimenti fuori tono. Il loro lavoro si basa su una linea di strumenti matematici "morbidi" e fuzzy pensati per informazioni disordinate e imprecise. In questo nuovo approccio, ogni opzione di apprendimento puf2 portare sia un grado di attrazione sia un grado di repulsione, ciascuno descritto non da un unico numero ma da un intervallo, per riflettere incertezza o disaccordo tra gli utenti.

Scomporre i contenuti in parti di dettaglio

I materiali di apprendimento raramente sono semplici. Un corso puf2 essere valutato per contenuto, interattivite0, feedback e stile di valutazione, e ciascuno di questi puf2 essere ulteriormente scomposto. Per esempio, il contenuto ha rilevanza, chiarezza e coinvolgimento; il feedback ha specificite0 e frequenza; la valutazione puf2 enfatizzare risultati di apprendimento o soddisfazione. Il quadro proposto, chiamato insieme ipersoft fuzzy bipolare a valori intervallari, e8 costruito per rispecchiare questa struttura a strati. Permette al sistema di gestire combinazioni di sotto-caratteristiche  come video altamente coinvolgenti ma solo moderatamente chiari con feedback ricchi e frequenti  e di tenere traccia di quanto ciascuno di questi aspetti sia apprezzato o disprezzato, ancora una volta usando intervalli anziche9 punteggi precisi. Questo crea un ritratto ricco e strutturato sia dei discenti sia delle risorse di apprendimento.

Come funziona il nuovo metodo di punteggio

Sopra questa struttura, gli autori progettano un algoritmo decisionale che assegna un punteggio complessivo a ciascuna opzione di apprendimento. Prima, il sistema registra intervalli per quanto positivamente e negativamente ogni alternativa e8 percepita lungo tutte le sotto-attributi rilevanti. Poi calcola lampiezza di questi intervalli, catturando quanto sono certe o incerte le valutazioni. Sommando e confrontando le lunghezze degli intervalli attraverso righe e colonne in tabelle speciali, lalgoritmo produce un punteggio positivo e un punteggio negativo per ogni opzione. Sottraendo il negativo dal positivo si ottiene un valore finale che puf2 essere usato per ordinare le scelte. In un esempio applicato, quattro approcci didattici  insegnamento tradizionale in aula, apprendimento misto, apprendimento autodiretto e apprendimento informale  sono valutati su pif9 aspetti come qualite0 del contenuto, livello di interattivite0 e tipo di feedback. Il metodo identifica lapprendimento misto come la migliore alternativa complessiva secondo i criteri scelti.

Mettere il modello alla prova

Per verificare che questa struttura intricatа non sia solo elegante ma anche solida, larticolo esamina le sue propriete0 logiche di base. Gli autori mostrano che unioni, intersezioni, complementi e le operazioni combinate "E" e "O" si comportano in modi prevedibili, soddisfacendo leggi commutative, associative, distributive e di tipo De Morgan. Confrontano poi il loro approccio di raccomandazione con il filtraggio collaborativo standard e con un noto metodo di classificazione fuzzy conosciuto come Fuzzy TOPSIS. Usando dati sintetici che imitano le preferenze degli studenti, valutano precision, recall e punteggi F1  misure comuni di quante buone raccomandazioni vengono trovate e quante cattive vengono evitate. Il nuovo metodo raggiunge maggiore accuratezza e copertura pif9 ampia, in gran parte perche9 puf2 incorporare evidenze sia positive sia negative insieme allincertezza in una singola struttura coerente.

Cosa significa questo per il futuro delle-learning

In termini semplici, lo studio mostra che modellare con cura cicicici cicici cicici cicici cicici cicici cosa agli studenti piace, cosa non piace e quanto possano essere incerti porta a raccomandazioni pif9 intelligenti e pif9 affidabili. Rappresentando questi sentimenti come intervalli invece che come punteggi fissi e rispettando i molti livelli del progetto didattico, il quadro fuzzy bipolare a valori intervallari ipersoft fornisce alle piattaforme un linguaggio pif9 ricco per comprendere i discenti. Pur essendo i risultati attuali basati su dati controllati e sintetici e facendo affidamento su intervalli scelti da esperti, gli autori immaginano sistemi futuri in cui dati reali degli utenti e tecniche di machine learning stimino automaticamente questi intervalli. Se realizzati, tali sistemi potrebbero alimentare la prossima generazione di piattaforme di e-learning, dove le raccomandazioni sembrano meno elenchi generici e pif9 una guida ponderata di un mentore ben informato.

Citazione: 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

Parole chiave: raccomandazione e-learning, istruzione personalizzata, decisione fuzzy, preferenze degli studenti, classifica multicriterio