Устойчивая система рекомендаций для электронного обучения на основе новой теории интервально‑значимых биполярных нечетких гипер‑множеств

Почему важны более умные рекомендации для обучения

Онлайн‑курсы, видеоролики и приложения сейчас заполняют интернет, но большинству платформ по‑прежнему трудно предложить нужный материал нужному человеку в нужное время. Многие рекомендательные движки учитывают только то, что вы отметили «нравится», и игнорируют то, что вы тихо не приняли или в чём сомневались. В статье представлена новая математическая структура, которая помогает системам электронного обучения лучше фиксировать обе стороны чувств обучающегося — то, что ему нравится, и то, чего он старается избегать — одновременно обрабатывая неопределённость и многоуровневую детализацию контента курса. Цель проста: давать персонализированные рекомендации, которые воспринимаются так, будто вдумчивый наставник хорошо вас знает.

Учет и положительных, и отрицательных сигналов

Большинство современных методов рекомендаций фокусируются на положительных сигналах — рейтингах, пройденных уроках или времени на странице. Но реальные обучающиеся также испытывают отторжение и сомнения: студент может предпочитать короткие интерактивные видео, но решительно избегать длинных текстовых лекций, или принимать темп курса, но быть недоволен поверхностными тестами. Авторы утверждают, что система, игнорирующая такие отрицательные или смешанные реакции, рискует давать нечувствительные рекомендации. Их работа опирается на класс «мягких» и нечетких математических инструментов, предназначенных для работы с небрежной, неточной информацией. В новом подходе каждая обучающая опция может иметь одновременно степень притяжения и степень отталкивания, описываемые не одним числом, а диапазоном, что отражает неопределённость или разногласия между пользователями.

Разбиение контента на детализированные элементы

Учебные материалы редко бывают простыми. Курс можно оценивать по содержанию, интерактивности, обратной связи и способам оценки, и каждую из этих категорий можно дополнительно декомпозировать. Например, содержание включает релевантность, ясность и вовлечённость; обратная связь — конкретность и частоту; оценивание может делать акцент на результатах обучения или на удовлетворённости. Предлагаемая структура, названная интервально‑значимым биполярным нечетким гипер‑множеством, создана для отражения этой многослойной архитектуры. Она позволяет системе работать с комбинациями суб‑характеристик — например, высоко вовлекающие, но лишь умеренно понятные видео с богатой и частой обратной связью — и отслеживать, насколько каждая из этих граней нравится или не нравится, опять же через диапазоны, а не точечные оценки. Это формирует насыщенную, структурированную картину и обучающихся, и учебных ресурсов.

Как работает новый метод оценивания

На базе этой структуры авторы разрабатывают алгоритм принятия решений, который присваивает общей опции итоговую оценку. Сначала система фиксирует интервальные диапазоны для положительного и отрицательного восприятия каждой альтернативы по всем значимым суб‑атрибутам. Затем вычисляется ширина этих интервалов, что отражает степень уверенности или неуверенности в суждениях. Суммируя и сравнивая длины интервалов по строкам и столбцам в специальных таблицах, алгоритм получает положительную и отрицательную оценки для каждой опции. Вычитание отрицательной оценки из положительной даёт итоговое значение, используемое для ранжирования. В наглядном примере четыре подхода к обучению — традиционное аудиторное, смешанное, самостоятельное и неформальное обучение — оцениваются по множеству аспектов, таких как качество контента, уровень интерактивности и тип обратной связи. Метод определяет смешанное обучение как наилучшую альтернативу в рамках выбранных критериев.

Проверка модели на практике

Чтобы убедиться, что эта сложная структура не только изящна, но и корректна, в статье исследуются её базовые логические свойства. Авторы показывают, что объединения, пересечения, дополнения и комбинированные операции "И" и "ИЛИ" ведут себя предсказуемо, удовлетворяя коммутивным, ассоциативным, дистрибутивным законам и законам типа де Моргана. Затем они сравнивают свой рекомендательный подход со стандартной коллаборативной фильтрацией и популярным нечетким методом ранжирования Fuzzy TOPSIS. На синтетических данных, имитирующих предпочтения студентов, они оценивают точность, полноту и F1‑меру — общепринятые метрики числа хороших рекомендаций и избежания плохих. Новый метод демонстрирует более высокую точность и большую покрываемость, во многом потому, что способен объединять положительные и отрицательные свидетельства вместе с неопределённостью в единой согласованной структуре.

Что это значит для будущего e‑learning

Проще говоря, исследование показывает, что внимательное моделирование того, что обучающимся нравится, что им не нравится и насколько они неуверенны, ведёт к более умным и заслуживающим доверия рекомендациям. Представляя эти ощущения в виде диапазонов вместо фиксированных баллов и учитывая многоуровневую структуру дизайна курсов, интервально‑значимая биполярная нечеткая гипер‑структура даёт платформам более богатый язык для понимания обучающихся. Хотя текущие результаты основаны на контролируемых синтетических данных и опираются на экспертно заданные диапазоны, авторы видят будущее, в котором реальные пользовательские данные и методы машинного обучения помогут автоматически оценивать эти интервалы. В случае реализации такие системы могли бы обеспечить следующую генерацию платформ электронного обучения, где рекомендации будут восприниматься не как набор общих ссылок, а как вдумчивое руководство от хорошо информированного наставника.

Цитирование: 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

Ключевые слова: рекомендации для e‑learning, персонализированное обучение, нечеткое принятие решений, предпочтения обучающихся, мультикритериальная ранжировка