Yeni aralık değerli iki kutuplu bulanık hiperküme seti teorisine dayalı sağlam bir e-öğrenme tavsiye sistemi

Daha akıllı öğrenme önerileri neden önemli

Çevrimiçi kurslar, videolar ve uygulamalar internette çoğaldı, ancak çoğu öğrenme platformu hâlâ doğru içeriği doğru kişiye doğru zamanda önermekte zorlanıyor. Birçok tavsiye motoru yalnızca "beğendiklerinizi" görür ve sessizce hoşlanmadıklarınızı ya da tereddüt ettiğiniz konuları görmezden gelir. Bu makale, e-öğrenme sistemlerinin bir öğrenenin duygularının her iki yönünü—hoşlandıklarını ve kaçınmak istediklerini—daha iyi yakalamasına yardımcı olan yeni bir matematiksel çerçeve sunuyor; aynı zamanda belirsizlikle ve ders içeriğinin çok katmanlı ayrıntılarıyla başa çıkıyor. Amaç basit: düşünceli bir eğitmenin sizi iyi tanıyormuş gibi gelen kişiselleştirilmiş öğrenme önerileri oluşturmak.

Beğenileri ve hoşlanmamaları her ikisini de görmek

Mevcut tavsiye yöntemlerinin çoğu puanlar, tamamlanan dersler veya sayfada geçirilen süre gibi olumlu sinyallere odaklanır. Oysa gerçek öğrenenlerin hoşlanmadıkları ve tereddüt ettikleri şeyler de vardır: bir öğrenci kısa etkileşimli videolardan hoşlanırken uzun metin anlatımlı derslerden güçlü biçimde kaçınabilir veya kursun hızını beğese de yüzeysel sınavlardan memnun olmayabilir. Yazarlar, olumsuz ya da karışık tepkileri yok sayan herhangi bir sistemin ton açısından duyarsız öneriler verebileceğini savunuyor. Bu çalışma, karmaşık ve belirsiz bilgiler için tasarlanmış "yumuşak" ve "bulanık" matematiksel araçların üzerine inşa ediliyor. Bu yeni yaklaşımla her öğrenme seçeneği hem çekim derecesi hem de itme derecesi taşıyabilir; bunlar tek bir sayı ile değil, kullanıcılar arasındaki belirsizliği veya uyuşmazlığı yansıtmak için bir aralıkla tanımlanır.

İçeriği ince taneli parçalara ayırmak

Öğrenme materyalleri nadiren basittir. Bir kurs içeriği, etkileşimi, geribildirimi ve değerlendirme tarzına göre değerlendirilir ve bunların her biri daha da ayrıştırılabilir. Örneğin içerik ilgililik, açıklık ve ilgilendiricilik; geribildirim özgüllük ve sıklık; değerlendirmenin ise öğrenme çıktılarına veya memnuniyete vurgu yapması söz konusudur. Önerilen çerçeve, aralık-değerli iki kutuplu bulanık hiperküme seti olarak adlandırılan yapı, bu katmanlı yapıyı yansıtmak üzere tasarlanmıştır. Sistem, yüksek düzeyde ilgi çekici ama yalnızca orta derecede açık videolar gibi alt-özelliklerin kombinasyonlarını işlemesine ve bu yönlerin her birinin ne ölçüde beğenildiğini veya beğenilmediğini—yine kesin puanlar yerine aralıklar kullanarak—izlemesine olanak tanır. Bu, öğrenenlerin ve öğrenme kaynaklarının zengin, yapısal bir resmini oluşturur.

Yeni puanlama yöntemi nasıl çalışıyor

Bu yapının üzerinde yazarlar her öğrenme seçeneğine genel bir puan atayan bir karar algoritması tasarlıyor. Önce sistem, her alternatifin ilgili alt-özellikler boyunca ne kadar olumlu ve olumsuz algılandığına dair aralıkları kaydeder. Ardından bu aralıkların genişliğini hesaplayarak yargıların ne kadar kesin veya belirsiz olduğunu yakalar. Özel tabloların satır ve sütunları boyunca aralık uzunluklarını toplayıp karşılaştırarak algoritma her seçenek için bir olumlu puan ve bir olumsuz puan üretir. Olumsuzu olumludan çıkarmak, seçenekleri sıralamak için kullanılabilecek nihai bir değeri verir. Çalışılmış bir örnekte geleneksel sınıf öğretimi, harmanlanmış öğrenme, kendi kendine yönelimli öğrenme ve gayri resmi öğrenme olmak üzere dört öğretim yaklaşımı içerik kalitesi, etkileşim düzeyi ve geribildirim türü gibi çoklu açılardan değerlendirilir. Yöntem seçilen kriterler altında harmanlanmış öğrenmeyi en iyi genel alternatif olarak belirler.

Modeli teste tabi tutmak

Bu karmaşık yapının yalnızca elegant değil aynı zamanda sağlam olup olmadığını sınamak için makale temel mantıksal özelliklerini inceliyor. Yazarlar birlikler, kesişimler, tümleyiciler ve birleşik "VE" ve "VEYA" işlemlerinin değişmeli, birleşmeli, dağıtıcı ve De Morgan tipi yasaları sağlayarak öngörülebilir biçimde davrandığını gösteriyor. Ardından öneri yaklaşımlarını standart işbirlikçi filtreleme ve Fuzzy TOPSIS olarak bilinen popüler bir bulanık sıralama yöntemiyle karşılaştırıyorlar. Öğrenci tercihlerini taklit eden sentetik veriler kullanarak doğruluk, kesinlik (precision), duyarlılık (recall) ve F1 skorlarını değerlendiriyorlar—iyi önerilerin ne kadar bulunduğu ve kötü önerilerden ne kadar kaçınıldığının yaygın ölçümleri. Yeni yöntem, hem pozitif hem negatif kanıtı ve belirsizliği tek, tutarlı bir yapıda birleştirebildiği için daha yüksek doğruluk ve daha geniş kapsama sağlıyor.

Bu durum geleceğin e-öğrenmesi için ne anlama geliyor

Düz anlatımla, çalışma öğrenenlerin neyi sevdiklerini, neyi sevmediklerini ve ne kadar emin olamayabileceklerini dikkatle modellemenin daha akıllı ve daha güvenilir önerilere yol açtığını gösteriyor. Bu duyguları sabit puanlar yerine aralıklar olarak temsil ederek ve kurs tasarımının çok katmanlı yapısına saygı göstererek aralık-değerli iki kutuplu bulanık hiperküme çerçevesi platformlara öğrenenleri anlama konusunda daha zengin bir dil sunuyor. Mevcut sonuçlar kontrollü, sentetik verilere dayanmakta ve uzman tarafından seçilen aralıklara bağlı olsa da yazarlar, gelecekte gerçek kullanıcı verileri ve makine öğrenmesinin bu aralıkları otomatik olarak tahmin etmeye yardımcı olacağı sistemleri öngörüyor. Gerçekleştirildiği takdirde, bu tür sistemler tavsiyelerin genel listeler gibi değil, iyi bilgili bir rehberin özenli yönlendirmesi gibi hissettirdiği bir sonraki nesil e-öğrenme platformlarını güçlendirebilir.

Atıf: 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

Anahtar kelimeler: e-öğrenme tavsiyesi, kişiselleştirilmiş eğitim, bulanık karar verme, öğrenen tercihleri, çok kriterli sıralama