Een robuust aanbevelingssysteem voor e-learning gebaseerd op een nieuwe interval-waarde bipolaire fuzzy hypersoft-settheorie

Waarom slimmer leeradvies ertoe doet

Online cursussen, video’s en apps overspoelen tegenwoordig het internet, maar de meeste leerplatforms hebben nog steeds moeite om het juiste materiaal aan de juiste persoon op het juiste moment voor te stellen. Veel aanbevelingssystemen zien alleen waarop je op “vind ik leuk” klikte en negeren wat je stilletjes afkeurde of waar je onzeker over was. Dit artikel introduceert een nieuw wiskundig kader dat e‑learning systemen helpt om beide kanten van iemands gevoel beter vast te leggen — wat ze waarderen en wat ze willen vermijden — terwijl het ook met onzekerheid en de vele lagen van detail in cursusinhoud omgaat. Het doel is simpel: gepersonaliseerde leeraanbevelingen doen die aanvoelen alsof een attente tutor je goed kent.

Zowel voorkeuren als afkeer zien

De meeste huidige aanbevelingsmethoden richten zich op positieve signalen, zoals beoordelingen, voltooide lessen of de bestede tijd op een pagina. Maar echte lerenden hebben ook afkeuren en aarzeling: een student kan korte interactieve video’s prettig vinden maar lange tekstcolleges sterk vermijden, of het tempo van een cursus fijn vinden maar ontevreden zijn over oppervlakkige toetsen. De auteurs stellen dat elk systeem dat deze negatieve of gemengde reacties negeert het risico loopt aanbevelingen te geven die ongevoelig aanvoelen. Hun werk bouwt voort op een reeks ‘zachte’ en ‘fuzzy’ wiskundige hulpmiddelen ontworpen voor rommelige, onnauwkeurige informatie. In deze nieuwe benadering kan elke leeroptie zowel een mate van aantrekking als een mate van afstoting dragen, elk beschreven niet door één enkel getal maar door een bereik, om onzekerheid of meningsverschil tussen gebruikers weer te geven.

Inhoud opsplitsen in fijnmazige onderdelen

Leermaterialen zijn zelden eenvoudig. Een cursus kan beoordeeld worden op inhoud, interactiviteit, feedback en beoordelingsstijl, en elk daarvan kan verder worden opgesplitst. Bijvoorbeeld: inhoud heeft relevantie, helderheid en betrokkenheid; feedback heeft specificiteit en frequentie; beoordeling kan nadruk leggen op leerresultaten of tevredenheid. Het voorgestelde kader, een interval‑waarde bipolaire fuzzy hypersoft‑set genoemd, is gebouwd om deze gelaagde structuur te weerspiegelen. Het stelt het systeem in staat om combinaties van subkenmerken te behandelen — zoals zeer boeiende maar slechts matig heldere video’s met rijke, frequente feedback — en bij te houden hoeveel van elk van deze aspecten wordt gewaardeerd of afgewezen, opnieuw gebruikmakend van bereiken in plaats van precieze scores. Dit creëert een rijke, gestructureerde weergave van zowel lerenden als leerbronnen.

Hoe de nieuwe scoringsmethode werkt

Bovenop deze structuur ontwerpen de auteurs een beslissingsalgoritme dat een totale score toekent aan elke leeroptie. Eerst registreert het systeem intervalbereiken voor hoe positief en negatief elk alternatief wordt ervaren over alle relevante subattributen. Daarna berekent het hoe breed die bereiken zijn, waarmee wordt vastgelegd hoe zeker of onzeker de oordelen zijn. Door de intervallengtes op te tellen en te vergelijken over rijen en kolommen in speciale tabellen, produceert het algoritme voor elk alternatief een positieve score en een negatieve score. Het aftrekken van de negatieve van de positieve score levert een eindwaarde op die kan worden gebruikt om keuzes te rangschikken. In een uitgewerkt voorbeeld worden vier instructiebenaderingen — traditioneel klassikaal onderwijs, blended learning, zelfgestuurd leren en informeel leren — geëvalueerd over meerdere aspecten zoals inhoudskwaliteit, mate van interactiviteit en type feedback. De methode identificeert blended learning als het beste algemene alternatief onder de gekozen criteria.

Het model op de proef stellen

Om te controleren of deze ingewikkelde structuur niet alleen elegant maar ook degelijk is, onderzoekt het artikel de basale logische eigenschappen. De auteurs tonen aan dat unies, doorsneden, complementen en gecombineerde “EN”‑ en “OF”‑bewerkingen zich op voorspelbare wijze gedragen en voldoen aan commutatieve, associatieve, distributieve en De Morgan‑achtige wetten. Ze vergelijken vervolgens hun aanbevelingsbenadering met standaard collaborative filtering en een populaire fuzzy rangschikkingsmethode bekend als Fuzzy TOPSIS. Met synthetische data die studentenvoorkeuren imiteren, evalueren ze precisie, recall en F1‑scores — gangbare maatstaven voor hoeveel goede suggesties worden gevonden en hoeveel slechte worden vermeden. De nieuwe methode behaalt hogere nauwkeurigheid en bredere dekking, grotendeels omdat zij zowel positief als negatief bewijs kan opnemen samen met onzekerheid in één samenhangende structuur.

Wat dit betekent voor toekomstige e‑learning

In eenvoudige bewoordingen laat de studie zien dat zorgvuldig modelleren wat lerenden leuk vinden, wat ze niet leuk vinden en hoe onzeker ze kunnen zijn leidt tot slimmer en betrouwbaarder advies. Door deze gevoelens als bereiken in plaats van vaste scores te representeren en door de vele lagen van cursusontwerp te respecteren, biedt het interval‑waarde bipolaire fuzzy hypersoft‑kader platforms een rijkere taal om lerenden te begrijpen. Hoewel de huidige resultaten gebaseerd zijn op gecontroleerde, synthetische data en steunen op door experts gekozen bereiken, voorzien de auteurs toekomstige systemen waarin echte gebruikersdata en machine learning deze intervallen automatisch helpen schatten. Als dat gerealiseerd wordt, zouden zulke systemen de volgende generatie e‑learning platformen kunnen aandrijven, waar aanbevelingen minder aanvoelen als generieke lijsten en meer als doordachte begeleiding van een goed geïnformeerde mentor.

Bronvermelding: 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

Trefwoorden: e-learning aanbeveling, gepersonaliseerd onderwijs, fuzzy besluitvorming, leerlingvoorkeuren, meerdimensionale rangschikking