基于新型区间值双极模糊超软集理论的稳健电子学习推荐系统

更智能学习建议为何重要

在线课程、视频和应用铺满网络，但大多数学习平台仍然难以在恰当的时间向恰当的人推荐恰当的材料。许多推荐引擎只看到你点击“喜欢”的内容，却忽略了你默默不喜欢或感到不确定的部分。本文提出了一种新的数学框架，帮助电子学习系统更好地捕捉学习者情感的双面：他们欢迎的与想要避免的，同时处理不确定性以及课程内容的多层次细节。目标很简单：让个性化学习建议像一位体贴的导师那样了解你。

看到喜欢与厌恶两方面

当前大多数推荐方法侧重于正面信号，例如评分、完成的课程或在页面上停留的时间。但真实的学习者也有厌恶和犹豫：学生可能喜欢短而互动的视频，却强烈回避冗长的文字讲座，或者喜欢课程节奏但对浅显的测验不满。作者认为，忽视这些负面或混合反应的系统容易给出令人感到不合时宜的建议。他们的工作建立在一系列用于处理混乱、不精确信息的“软”与“模糊”数学工具之上。在这种新方法中，每个学习选项既包含吸引度又包含排斥度，两者均不以单一数值表示，而以区间范围呈现，以反映不确定性或用户间的分歧。

将内容拆解为细粒度片段

学习材料很少是单一的。课程可由内容、互动性、反馈和评估方式来评价，每一项又可进一步细分。例如，内容具有相关性、清晰度和吸引力；反馈有具体性和频率；评估可侧重学习成果或满意度。所提出的框架——区间值双极模糊超软集——旨在反映这种分层结构。它允许系统处理子特征的组合——例如高度吸引但仅中等清晰度且具有丰富频繁反馈的视频——并跟踪每个方面被喜欢或厌恶的程度，同样使用区间而非精确分数。这就为学习者与学习资源创造了一个丰富、结构化的图景。

新评分方法如何发挥作用

在此结构之上，作者设计了一个决策算法，为每个学习选项分配总体评分。首先，系统记录沿所有相关子属性对每个备选项的正向和负向感知的区间范围。然后计算这些区间的宽度，以捕捉判断的确定性或不确定性。通过在特殊表格中沿行与列汇总并比较区间长度，算法为每个选项生成正评分和负评分。用正评分减去负评分得到一个最终值，可用于对选项进行排序。在一个示例中，四种教学方式——传统课堂教学、混合学习、自主学习和非正式学习——在内容质量、互动水平和反馈类型等多个方面被评估。该方法在所选准则下将混合学习识别为总体最佳备选。

对模型进行检验

为了验证这一复杂结构不仅优雅而且可靠，论文考察了其基本逻辑性质。作者展示了并、交、补以及组合的“与/或”运算以可预测的方式表现，满足交换律、结合律、分配律和类似德摩根定律的关系。随后他们将所提出的推荐方法与标准协同过滤以及一种流行的模糊排序方法（称为模糊TOPSIS）进行比较。使用模拟学生偏好的合成数据，他们评估了查准率、查全率和F1分数——这些是衡量发现多少好建议以及避免多少坏建议的常用指标。新方法取得了更高的准确率和更广的覆盖率，主要因为它能够在单一一致的结构中同时纳入正向与负向证据以及不确定性。

这对未来电子学习意味着什么

简言之，研究表明：细致地建模学习者的喜好、不喜好及其不确定性，会带来更智能、更可信的推荐。通过将这些感受表示为区间而非固定分数，并尊重课程设计的多层次结构，区间值双极模糊超软框架为平台提供了一种更丰富的理解学习者的语言。尽管当前结果基于受控的合成数据并依赖专家设定的区间，作者设想未来系统可由真实用户数据和机器学习自动估计这些区间。如果实现，这类系统可能驱动下一代电子学习平台，使推荐不再像通用列表，而更像一位见多识广的导师提供的贴心引导。

引用: 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

关键词: 电子学习推荐, 个性化教育, 模糊决策, 学习者偏好, 多准则排序