Solidny system rekomendacji e‑learningowej oparty na nowej teorii interwałowo wartościowanych bipolarno‑rozmytych hypersoft zbiorów

Dlaczego mądrzejsze sugestie nauki mają znaczenie

Kursy online, filmy i aplikacje zalewają teraz internet, ale większość platform edukacyjnych wciąż ma problem z proponowaniem właściwych materiałów właściwej osobie we właściwym czasie. Wiele silników rekomendacji widzi tylko to, co kliknąłeś „lubię”, i ignoruje to, co cicho Ci się nie spodobało lub wzbudziło wątpliwości. Artykuł przedstawia nową ramę matematyczną, która pomaga systemom e‑learningowym lepiej uchwycić obie strony uczuć uczącego się — to, co akceptuje, i to, czego chce unikać — a jednocześnie radzić sobie z niepewnością i wieloma warstwami szczegółów w treściach kursu. Cel jest prosty: tworzyć spersonalizowane sugestie nauki, które sprawiają wrażenie, jakby przemyślany tutor dobrze cię znał.

Dostrzeganie zarówno sympatii, jak i antypatii

Większość obecnych metod rekomendacji koncentruje się na sygnałach pozytywnych, takich jak oceny, ukończone lekcje czy czas spędzony na stronie. Ale prawdziwi uczący się mają też niechęci i wahania: student może lubić krótkie interaktywne filmy, a jednocześnie zdecydowanie unikać długich wykładów tekstowych, albo cenić tempo kursu, lecz być niezadowolonym z powierzchownych quizów. Autorzy twierdzą, że każdy system, który ignoruje te negatywne lub mieszane reakcje, ryzykuje proponowanie sugestii nijakich wobec potrzeb użytkownika. Ich praca opiera się na linii „miękkich” i „rozmytych” narzędzi matematycznych przeznaczonych do pracy z chaotycznymi, nieprecyzyjnymi informacjami. W nowym podejściu każda opcja edukacyjna może mieć zarówno stopień przyciągania, jak i stopień odpychania, z których każdy opisany jest nie pojedynczą liczbą, lecz przedziałem, aby odzwierciedlić niepewność lub rozbieżności między użytkownikami.

Rozbijanie treści na drobne elementy

Materiały edukacyjne rzadko są proste. Kurs można oceniać pod kątem zawartości, interaktywności, informacji zwrotnej i stylu ewaluacji, a każdą z tych cech da się dalej rozbić. Na przykład zawartość ma trafność, jasność i zaangażowanie; informacja zwrotna — specyfikę i częstotliwość; ewaluacja może kłaść nacisk na wyniki uczenia się lub satysfakcję. Proponowana rama, nazwana interwałowo wartościowanym bipolarno‑rozmytym hypersoft zbiorem, została zbudowana tak, aby odzwierciedlać tę warstwową strukturę. Pozwala systemowi obsługiwać kombinacje podcech — na przykład wysoce angażujące, ale tylko umiarkowanie klarowne filmy z obfitym, częstym feedbackiem — i śledzić, jak bardzo każda z tych cech jest lubiana lub nie lubiana, ponownie używając przedziałów zamiast precyzyjnych ocen. To tworzy bogaty, strukturalny obraz zarówno uczących się, jak i zasobów edukacyjnych.

Jak działa nowa metoda punktowania

Na bazie tej struktury autorzy opracowują algorytm decyzyjny, który przypisuje ogólny wynik każdej opcji nauczania. Najpierw system rejestruje przedziały dla tego, jak pozytywnie i negatywnie każda alternatywa jest postrzegana względem istotnych podatrybutów. Następnie oblicza, jak szerokie są te przedziały, uchwytując tym samym stopień pewności lub niepewności ocen. Sumując i porównując długości przedziałów w wierszach i kolumnach w specjalnych tabelach, algorytm generuje dla każdej opcji wynik pozytywny i wynik negatywny. Odjęcie wartości negatywnej od pozytywnej daje ostateczną miarę, którą można użyć do uporządkowania wyborów. W przykładzie ilustrującym działanie oceniono cztery podejścia dydaktyczne — tradycyjne nauczanie klasowe, naukę mieszana, samodzielne uczenie się i uczenie nieformalne — w wielu aspektach takich jak jakość treści, poziom interaktywności i rodzaj informacji zwrotnej. Metoda wskazała naukę mieszaną jako najlepszą ogólnie alternatywę według przyjętych kryteriów.

Sprawdzanie modelu

Aby zbadać, czy ta złożona struktura jest nie tylko elegancka, ale i poprawna, artykuł analizuje jej podstawowe własności logiczne. Autorzy pokazują, że sumy, przecięcia, dopełnienia oraz złożone operacje "AND" i "OR" zachowują się w przewidywalny sposób, spełniając prawa przemienne, łączne, rozdzielne i prawa typu De Morgana. Następnie porównują swoje podejście rekomendacyjne z klasycznym filtrowaniem kolaboracyjnym oraz popularną rozmytą metodą porządkowania znaną jako Fuzzy TOPSIS. Używając danych syntetycznych naśladujących preferencje studentów, oceniają precyzję, czułość (recall) i miarę F1 — powszechne miary pokazujące, ile dobrych sugestii odnajdują i ile złych unikają. Nowa metoda osiąga wyższą dokładność i szersze pokrycie, w dużej mierze dlatego, że potrafi uwzględnić zarówno dowody pozytywne, jak i negatywne oraz niepewność w jednej spójnej strukturze.

Co to oznacza dla przyszłości e‑learningu

Mówiąc prosto, badanie pokazuje, że dokładne modelowanie tego, co uczący się lubią, czego nie lubią i jak bardzo są niepewni, prowadzi do mądrzejszych, bardziej godnych zaufania rekomendacji. Reprezentując te odczucia jako przedziały zamiast sztywnych ocen i respektując wielowarstwowy projekt kursu, interwałowo wartościowany bipolarno‑rozmyty hypersoft zbiór daje platformom bogatszy język do rozumienia uczących się. Chociaż obecne wyniki opierają się na kontrolowanych, syntetycznych danych i na zakresach wybranych przez ekspertów, autorzy wyobrażają sobie przyszłe systemy, w których rzeczywiste dane użytkowników i uczenie maszynowe automatycznie estymują te przedziały. Jeśli to się ziści, takie systemy mogłyby zasilać kolejną generację platform e‑learningowych, gdzie rekomendacje będą mniej przypominać ogólne listy, a bardziej przemyślane wskazówki od dobrze poinformowanego mentora.

Cytowanie: 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

Słowa kluczowe: rekomendacje e‑learningowe, personalizowana edukacja, rozmyte podejmowanie decyzji, preferencje uczących się, wielokryterialne porządkowanie