Ett robust rekommendationssystem för e‑lärande baserat på ny teori om intervallvärderade bipolära fuzzy hypersoft‑mängder

Varför smartare lärandeförslag spelar roll

Onlinekurser, videor och appar översvämmar nu internet, men de flesta läroplattformar har fortfarande svårt att föreslå rätt material till rätt person vid rätt tidpunkt. Många rekommendationsmotorer ser bara vad du klickade "gilla" på och ignorerar vad du tyst ogillade eller kände dig osäker inför. Denna artikel presenterar ett nytt matematiskt ramverk som hjälper e‑lärandesystem att bättre fånga båda sidor av en elevs känslor—vad de välkomnar och vad de vill undvika—samtidigt som det hanterar osäkerhet och de många detaljlagren i kursinnehåll. Målet är enkelt: att göra personliga lärandeförslag som känns som om en omtänksam handledare känner dig väl.

Se både gillanden och ogillanden

De flesta nuvarande rekommendationsmetoder fokuserar på positiva signaler, såsom betyg, genomförda lektioner eller tid som spenderats på en sida. Men verkliga elever har också ogillanden och tveksamheter: en student kan uppskatta korta interaktiva videor men starkt undvika långa textföreläsningar, eller gilla kursens tempo men vara missnöjd med ytliga quiz. Författarna hävdar att varje system som ignorerar dessa negativa eller blandade reaktioner riskerar att ge förslag som upplevs okänsliga. Deras arbete bygger på en linje av "mjuka" och "fuzzy" matematiska verktyg för rörig, oprecis information. I detta nya tillvägagångssätt kan varje lärandealternativ bära både en grad av attraktion och en grad av avstötning, vardera beskriven inte med ett enda tal utan med ett intervall, för att spegla osäkerhet eller oenighet bland användare.

Dela upp innehållet i finmaskiga delar

Lärandematerial är sällan enkla. En kurs kan bedömas efter sitt innehåll, interaktivitet, återkoppling och utvärderingsstil, och var och en av dessa kan brytas ner ytterligare. Till exempel har innehåll relevans, tydlighet och engagemang; återkoppling har specificitet och frekvens; utvärdering kan betona läranderesultat eller tillfredsställelse. Det föreslagna ramverket, kallat intervallvärderad bipolär fuzzy hypersoft‑mängd, är utformat för att spegla denna lagerstruktur. Det gör det möjligt för systemet att hantera kombinationer av underfunktioner—såsom mycket engagerande men bara måttligt tydliga videor med rik, frekvent återkoppling—och hålla reda på hur mycket varje av dessa aspekter uppskattas eller ogillas, återigen med intervall snarare än precisa poäng. Detta skapar en rik, strukturerad bild av både elever och lärresurser.

Hur den nya poängmetoden fungerar

Ovanpå denna struktur utformar författarna en beslutsalgoritm som tilldelar en totalpoäng till varje lärandealternativ. Först registrerar systemet intervall som visar hur positivt respektive negativt varje alternativ uppfattas över alla relevanta underattribut. Därefter beräknar det hur breda dessa intervall är, vilket fångar hur säkra eller osäkra bedömningarna är. Genom att summera och jämföra intervallängder över rader och kolumner i specialtabeller producerar algoritmen en positiv poäng och en negativ poäng för varje alternativ. Genom att subtrahera den negativa från den positiva erhålls ett slutligt värde som kan användas för att rangordna valen. I ett exempel utvärderas fyra undervisningsmetoder—traditionell klassrumsundervisning, blended learning, självstyrt lärande och informellt lärande—över flera aspekter såsom innehållskvalitet, interaktivitetsnivå och typ av återkoppling. Metoden identifierar blended learning som det bästa alternativet totalt sett under de valda kriterierna.

Sätta modellen på prov

För att kontrollera om denna invecklade struktur inte bara är elegant utan också hållbar, undersöker artikeln dess grundläggande logiska egenskaper. Författarna visar att unioner, snitt, komplement och kombinerade "OCH"‑ och "ELLER"‑operationer beter sig på förutsägbara sätt och uppfyller kommutativa, associativa, distributiva och De Morgan‑typiska lagar. De jämför sedan sitt rekommendationstillvägagångssätt med standard kollaborativ filtrering och en populär fuzzy‑rangordningsmetod känd som Fuzzy TOPSIS. Med syntetiska data som imiterar studentpreferenser utvärderar de precision, återkallelse och F1‑poäng—vanliga mått på hur många bra förslag som hittas och hur många dåliga som undviks. Den nya metoden uppnår högre noggrannhet och bredare täckning, huvudsakligen eftersom den kan inkorporera både positiv och negativ evidens tillsammans med osäkerhet i en enda sammanhängande struktur.

Vad detta innebär för framtidens e‑lärande

Enkelt uttryckt visar studien att noggrant modellera vad elever gillar, vad de ogillar och hur osäkra de kan vara leder till smartare, mer trovärdiga rekommendationer. Genom att representera dessa känslor som intervall istället för fasta poäng, och genom att respektera de många lagren i kursdesignen, ger det intervallvärderade bipolära fuzzy hypersoft‑ramverket plattformar ett rikare språk för att förstå elever. Medan de nuvarande resultaten baseras på kontrollerade, syntetiska data och förlitar sig på expertdrivet valda intervall, föreställer sig författarna framtida system där verkliga användardata och maskininlärning hjälper till att uppskatta dessa intervall automatiskt. Om detta förverkligas kan sådana system driva nästa generationens e‑lärandeplattformar, där rekommendationer känns mindre som generiska listor och mer som omtänksam vägledning från en väl underrättad mentor.

Citering: 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

Nyckelord: e‑lärande rekommendation, personlig utbildning, fuzzy beslutsfattande, elevarpreferenser, flervalskriterier rangordning