Um sistema robusto de recomendação para E‑learning baseado em uma nova teoria de conjuntos hiper‑suaves fuzzy bipolar com valores intervalares

Por que sugestões de aprendizagem mais inteligentes importam

Cursos online, vídeos e aplicativos agora inundam a internet, mas a maioria das plataformas de aprendizagem ainda tem dificuldade em sugerir o material certo para a pessoa certa no momento certo. Muitos mecanismos de recomendação veem apenas o que você curtiu e ignoram aquilo de que você discretamente não gostou ou sobre o qual ficou inseguro. Este artigo apresenta uma nova estrutura matemática que ajuda sistemas de e‑learning a capturar melhor os dois lados dos sentimentos de um aprendiz — o que ele acolhe e o que deseja evitar — ao mesmo tempo em que lida com a incerteza e com os muitos níveis de detalhe no conteúdo dos cursos. O objetivo é simples: tornar as sugestões de aprendizagem personalizadas tão precisas que pareçam vindas de um tutor atencioso que o conhece bem.

Vendo tanto gostos quanto desgostos

A maioria dos métodos atuais de recomendação concentra‑se em sinais positivos, como avaliações, lições concluídas ou tempo gasto em uma página. Mas aprendizes reais também apresentam desgostos e hesitações: um estudante pode gostar de vídeos curtos e interativos, porém evitar fortemente longas aulas em texto, ou apreciar o ritmo de um curso mas ficar insatisfeito com questionários superficiais. Os autores defendem que qualquer sistema que ignore essas reações negativas ou mistas corre o risco de fazer sugestões desajustadas. O trabalho deles se apoia em uma linha de ferramentas matemáticas “soft” e fuzzy concebidas para informação desordenada e imprecisa. Nesta nova abordagem, cada opção de aprendizagem pode carregar tanto um grau de atração quanto um grau de repulsão, cada um descrito não por um único número, mas por um intervalo, para refletir incerteza ou divergência entre usuários.

Fragmentando o conteúdo em partes granulares

Materiais de aprendizagem raramente são simples. Um curso pode ser avaliado por seu conteúdo, interatividade, feedback e estilo de avaliação, e cada um desses pode ser subdividido. Por exemplo, conteúdo tem relevância, clareza e engajamento; feedback tem especificidade e frequência; avaliação pode enfatizar resultados de aprendizagem ou satisfação. A estrutura proposta, chamada conjunto hiper‑suave fuzzy bipolar com valores intervalares, é construída para espelhar essa estrutura em camadas. Ela permite ao sistema lidar com combinações de sub‑atributos — como vídeos altamente envolventes mas apenas moderadamente claros com feedback rico e frequente — e acompanhar quanto cada um desses aspectos é gostado ou rejeitado, novamente usando intervalos em vez de notas precisas. Isso cria um quadro rico e estruturado tanto dos aprendizes quanto dos recursos de aprendizagem.

Como funciona o novo método de pontuação

Sobre essa estrutura, os autores desenvolvem um algoritmo de decisão que atribui uma pontuação geral a cada opção de aprendizagem. Primeiro, o sistema registra intervalos para o quanto cada alternativa é percebida positivamente e negativamente ao longo de todos os sub‑atributos relevantes. Em seguida, calcula a largura desses intervalos, capturando quão certos ou incertos são os julgamentos. Somando e comparando comprimentos de intervalos ao longo de linhas e colunas em tabelas especiais, o algoritmo produz uma pontuação positiva e uma negativa para cada opção. Subtrair a negativa da positiva gera um valor final que pode ser usado para ranquear as escolhas. Em um exemplo prático, quatro abordagens instrucionais — ensino tradicional em sala de aula, aprendizagem híbrida, aprendizagem autodirigida e aprendizagem informal — são avaliadas em múltiplos aspectos, como qualidade do conteúdo, nível de interatividade e tipo de feedback. O método identifica a aprendizagem híbrida como a melhor alternativa no conjunto de critérios escolhido.

Colocando o modelo à prova

Para verificar se essa estrutura intricada não é apenas elegante, mas também sólida, o artigo examina suas propriedades lógicas básicas. Os autores mostram que uniões, interseções, complementos e operações combinadas "E" e "OU" se comportam de forma previsível, satisfazendo leis comutativas, associativas, distributivas e do tipo De Morgan. Em seguida, comparam sua abordagem de recomendação com filtragem colaborativa padrão e um método fuzzy de ranqueamento popular conhecido como Fuzzy TOPSIS. Utilizando dados sintéticos que imitam preferências de estudantes, eles avaliam precisão, recall e F1 — medidas comuns de quantas boas sugestões são encontradas e quantas ruins são evitadas. O novo método alcança maior exatidão e cobertura mais ampla, em grande parte porque consegue incorporar evidência positiva e negativa juntamente com incerteza em uma única estrutura coerente.

O que isso significa para o futuro do e‑learning

Em termos práticos, o estudo mostra que modelar com cuidado o que os aprendizes gostam, o que não gostam e o quão inseguros eles podem estar leva a recomendações mais inteligentes e confiáveis. Ao representar esses sentimentos como intervalos em vez de pontuações fixas e ao respeitar as várias camadas do design do curso, a estrutura fuzzy bipolar hiper‑suave com valores intervalares fornece às plataformas uma linguagem mais rica para entender os aprendizes. Embora os resultados atuais se baseiem em dados controlados e sintéticos e dependam de intervalos escolhidos por especialistas, os autores imaginam sistemas futuros em que dados reais de usuários e aprendizado de máquina estimem esses intervalos automaticamente. Se concretizada, essa abordagem poderia alimentar a próxima geração de plataformas de e‑learning, nas quais as recomendações soem menos como listas genéricas e mais como orientação pensada por um mentor bem informado.

Citação: 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

Palavras-chave: recomendação e-learning, educação personalizada, tomada de decisão fuzzy, preferências do aprendiz, classificação multicritério