🔢 matemática

Analysis of Artificial Intelligence in Education Systems Based on an Advanced Fuzzy Decision-Making Model

Este estudo propõe uma nova estrutura de tomada de decisão em grupo multiatributo utilizando operadores de agregação fuzzy q-rung ortopares de intervalo complexo para avaliar e classificar eficazmente ferramentas de inteligência artificial para o aprimoramento de sistemas educacionais sob condições de incerteza.

Autores originais: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

Publicado 2026-10-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Noor Rehman, Abbas Ali, Zabihullah Movaheedi, Mohsin Sajjad, Kaleem Ullah

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo moderno, as decisões raramente são pretas ou brancas. Quando um conselho escolar escolhe um novo software, um médico pondera opções de tratamento ou um investidor escolhe uma carteira, a informação disponível é frequentemente desordenada, incompleta ou contraditória. A matemática tradicional tem dificuldade com esse tipo de ambiguidade porque exige números precisos. Para lidar com as áreas cinzentas do julgamento humano, os matemáticos desenvolveram um campo chamado lógica difusa (fuzzy logic). Em vez de forçar uma escolha entre "sim" e "não", a lógica difusa permite graus de verdade, reconhecendo que algo pode ser parcialmente verdadeiro ou parcialmente falso. Com o tempo, este conceito evoluiu para lidar com camadas ainda mais complexas de incerteza, incluindo situações onde os dados mudam ao longo do tempo ou onde os especialistas hesitam entre diferentes valores. Este conjunto de ferramentas matemáticas é essencial para navegar no mundo real, onde a certeza é um luxo e a nuance é a regra.

Uma equipe de pesquisadores de universidades do Paquistão e do Afeganistão agora expandiu este conjunto de ferramentas, criando um novo método para ajudar a tomar melhores decisões quando confrontados com informações confusas ou conflitantes. O trabalho deles foca em um desafio específico: como processar opiniões quando essas opiniões não são apenas vagas, mas também carregam dois tipos diferentes de incerteza simultaneamente. Imagine um especialista tentando descrever uma nova tecnologia. Ele pode sentir confiança sobre o seu potencial (uma visão positiva), mas também preocupação com os seus riscos (uma visão negativa). Além disso, sua confiança pode flutuar, ou ele pode expressar seus sentimentos em intervalos em vez de números únicos. Os pesquisadores desenvolveram um sistema sofisticado para capturar todas essas camadas — o positivo, o negativo, os intervalos e as flutuações — em um único framework gerenciável. Eles chamam este framework de "conjunto difuso q-rung ortopares de intervalo complexo". Em termos simples, é uma forma de empacotar julgamentos humanos complicados, hesitantes e variáveis em um formato que os computadores possam processar sem perder os detalhes sutis.

O cerne do estudo envolve a criação de novas regras matemáticas, ou "operadores", que atuam como um liquidificador para essas opiniões complexas. Assim como um liquidificador mistura ingredientes para criar uma bebida suave, esses novos operadores misturam os julgamentos para produzir uma recomendação única e clara. Os pesquisadores projetaram dois tipos principais de misturadores: um que faz a média das opiniões (a média aritmética) e outro que as multiplica (a média geométrica). Eles provaram que esses misturadores são confiáveis; eles não produzem resultados impossíveis ou contraditórios, e comportam-se de forma consistente mesmo quando os dados de entrada mudam ligeiramente. Para testar sua criação, a equipe a aplicou a um problema muito prático: escolher a melhor ferramenta de inteligência artificial para um sistema de educação.

Os pesquisadores estabeleceram um cenário onde um especialista avaliou cinco tipos diferentes de ferramentas de IA: plataformas de aprendizagem adaptativa, chatbots educacionais, sistemas de correção automatizada, aplicativos de aprendizagem de idiomas e sistemas de tutoria inteligente. O especialista julgou cada ferramenta com base em cinco critérios: custo-benefício, adaptabilidade, alinhamento com padrões de aprendizagem, mecanismos de feedback e se o design foi baseado em pesquisa sólida. Os julgamentos do especialista não foram pontuações simples; foram intervalos complexos de valores que refletiam incerteza e hesitação. Por exemplo, o especialista poderia sentir que uma ferramenta era "parcialmente" custo-efetiva, mas "muito" adaptável, com o grau exato de eficácia oscilando dentro de um intervalo específico.

Usando seus novos misturadores matemáticos, os pesquisadores processaram esses dados desordenados. Eles descobriram que o sistema de correção automatizada emergiu como a principal escolha, seguido pelos sistemas de tutoria inteligente, depois pelos aplicativos de aprendizagem de idiomas, com as outras ferramentas classificadas abaixo. Para garantir que seu método fosse sólido, a equipe comparou seus resultados com diversas técnicas matemáticas existentes. Eles descobriram que, enquanto alguns métodos mais antigos falharam em produzir um ranking ou deram resultados diferentes, sua nova abordagem identificou consistentemente o sistema de correção automatizada como a melhor opção. Essa consistência manteve-se mesmo quando os pesquisadores ajustaram as configurações matemáticas, alterando os parâmetros para ver se o resultado mudaria. O fato de a escolha principal permanecer a mesma, independentemente desses ajustes, sugere que o método é robusto e estável.

O estudo também destacou por que essa nova abordagem é necessária. Os pesquisadores mostraram que métodos mais antigos, que lidam com formas mais simples de incerteza, frequentemente falham ao enfrentar o tipo de dados bidimensionais complexos encontrados em cenários do mundo real. Ao falhar em capturar toda a profundidade da hesitação de um especialista ou a natureza dual de suas visões positivas e negativas, esses métodos antigos podem levar a decisões menos precisas. O novo framework, pelo contrário, preserva toda essa informação, permitindo um resultado mais matizado e confiável. Os pesquisadores demonstraram que seu método funciona bem não apenas para a educação, mas também para outros campos onde as decisões são difíceis, como avaliação de risco financeiro, seleção de investimentos e avaliações médicas.

Em última análise, este trabalho fornece uma lente mais poderosa para visualizar o mundo incerto. Oferece uma maneira de transformar as opiniões confusas, conflitantes e hesitantes de especialistas humanos em um caminho claro e acionável. Ao refinar as ferramentas usadas para agregar informações, os pesquisadores deram aos tomadores de decisão uma maneira melhor de navegar pelas complexidades da vida moderna, garantindo que a escolha final reflita todo o peso da evidência disponível, e não apenas as partes mais simples dela.

Resumo Técnico: Análise da Inteligência Artificial em Sistemas Educacionais Baseada em um Modelo Avançado de Tomada de Decisão Fuzzy

Definição do Problema
O artigo aborda os desafios inerentes à Tomada de Decisão Multiatributo (MADM) em ambientes complexos e incertos, focando especificamente na avaliação de ferramentas de Inteligência Artificial (IA) em sistemas educacionais. Os modelos tradicionais de tomada de decisão frequentemente dependem de dados numéricos insuficientes ou falham em capturar todo o espectro de ambiguidade, hesitação e informações bidimensionais presentes em cenários do mundo real. As teorias de conjuntos fuzzy existentes — que variam desde Conjuntos Fuzzy (FS) padrão até Intuicionistas (IFS), Pitagóricos (PFS) e até mesmo conjuntos Complexos Intuicionistas (CIFS) ou Complexos Pitagóricos (CIVPFS) — possuem limitações. Especificamente, elas têm dificuldade quando a soma dos graus de pertinência e não-pertinência (ou de seus quadrados) excede a unidade, ou quando não conseguem representar simultaneamente dados de valores de intervalo e termos de fase complexos (periodicidade) dentro de um quadro unificado. Os autores identificam uma lacuna na literatura quanto a leis operacionais e operadores de agregação capazes de lidar com Conjuntos Fuzzy Ortopares de q-Rung de Intervalo Complexo (CIV q-ROFS) com flexibilidade algébrica.

Metodologia
O estudo propõe um novo arcabouço matemático fundamentado em Leis Operacionais Algébricas de Intervalo Complexo aplicadas a CIV q-ROFS. A metodologia procede através das seguintes etapas técnicas:

Fundamentos Teóricos: Os autores definem CIV q-ROFS, que estende modelos anteriores ao incorporar graus de pertinência e não-pertinência de valor de intervalo, cada um possuindo componentes reais e imaginários (termos de fase). Isso permite a representação de dados bidimensionais onde a soma das potências de $q$ das magnitudes de pertinência e não-pertinência não excede um.
Leis Operacionais: Novas leis operacionais algébricas são estabelecidas para números CIV q-ROF (CIV q-ROFNs), incluindo soma direta, produto direto e multiplicação escalar. Essas leis são projetadas para lidar com a natureza de intervalo e complexa dos dados, mantendo as restrições de ortopares de q-rung.
Operadores de Agregação: Com base nessas leis operacionais, quatro novos operadores de agregação são desenvolvidos:
- Média Aritmética Ponderada Fuzzy de q-Rung de Intervalo Complexo (CIV q-ROFWAM).
- Média Aritmética Ordenada Ponderada Fuzzy de q-Rung de Intervalo Complexo (CIV q-ROFOWAM).
- Média Geométrica Ponderada Fuzzy de q-Rung de Intervalo Complexo (CIV q-ROFWGM).
- Média Geométrica Ordenada Ponderada Fuzzy de q-Rung de Intervalo Complexo (CIV q-ROFOWGM).
  O artigo prova matematicamente que esses operadores satisfazem propriedades essenciais como limitante (boundedness), idempotência e monotonicidade.
Estrutura de Tomada de Decisão: Um algoritmo MADM passo a passo é construído. Isso envolve a normalização de matrizes de decisão (convertendo atributos de custo em atributos de benefício), a agregação de opiniões de especialistas usando os operadores propostos, o cálculo de valores de pontuação e precisão, e o ranqueamento de alternativas.
Aplicação de Estudo de Caso: O arcabouço é aplicado a um problema prático: a avaliação de cinco ferramentas de IA na educação (Plataformas de Aprendizagem Adaptativa, Chatbots Educacionais, Sistemas de Avaliação Automatizada, Aplicativos de Aprendizagem de Idiomas e Sistemas de Tutoria Inteligente) com base em cinco critérios (Custo-benefício, Adaptabilidade/Compatibilidade, Integração com Padrões, Mecanismo de Feedback e Design Baseado em Pesquisa).

Principais Contribuições
O artigo reivindica as seguintes contribuições primárias:

Novas Leis Operacionais: A introdução de leis operacionais algébricas especificamente adaptadas para CIV q-ROFS, que generalizam modelos existentes (CIVIFS, CIVPFS) e permitem uma gama mais ampla de representação de incerteza.
Novos Operadores de Agregação: O desenvolvimento de operadores de média aritmética e geométrica, ponderados e ordenados, dentro do ambiente CIV q-ROF. Esses operadores permitem que os tomadores de decisão ajustem o foco em valores fuzzy específicos através do ajuste dos parâmetros $q$ (o parâmetro de rung) e $\lambda$ (um parâmetro de generalização).
Robustez Teórica: Uma prova matemática rigorosa estabelecendo que os operadores propostos preservam a estrutura CIV q-ROF e satisfazem propriedades fundamentais como limitante e monotonicidade.
Análise Comparativa: Uma demonstração de que o método proposto produz classificações consistentes e confiáveis em comparação com técnicas existentes (incluindo as de Xu & Chen, Nayagam et al., Garg e outros), enquanto oferece maior flexibilidade no tratamento de dados que excedem as restrições de IVIFS ou IVPFS.

Resultados
Na aplicação às ferramentas de IA na educação:

Usando o operador CIV q-ROFWAM com os parâmetros $q=8$ e $\lambda=1$ , as alternativas foram classificadas como: Sistema de Avaliação Automatizada ( $P_3$ ) $\succ$ Aplicativos de Aprendizagem de Idiomas ( $P_4$ ) $\succ$ Sistemas de Tutoria Inteligente ( $P_5$ ) $\succ$ Plataformas de Aprendizagem Adaptativa ( $P_1$ ) $\succ$ Chatbots Educacionais ( $P_2$ ).
Uma análise de sensibilidade foi conduzida variando os parâmetros $q$ $q$ e $\lambda$ $λ$ . Os resultados indicam que a ordem de classificação é sensível ao parâmetro $q$ $q$ :
- Para $q=7$ e $q=8$ (com $\lambda=1$ ), o ranking é $P_3 \succ P_4 \succ P_5 \succ P_1 \succ P_2$ .
- Para $q=9, 10, 12, 15, 18, 20, 23, 25$ (com $\lambda=1$ ), o ranking muda para $P_3 \succ P_5 \succ P_4 \succ P_1 \succ P_2$ .
- Em todos os cenários testados, $P_3$ (Sistema de Avaliação Automatizada) permanece como a alternativa ótima.
Tabelas comparativas mostram que, embora alguns métodos existentes (por exemplo, TOPSIS padrão ou variações específicas de AHP) produzam rankings diferentes ou falhem em classificar certas alternativas devido a restrições de dados, o método proposto processa com sucesso os dados complexos de valor de intervalo e produz um ranking definitivo, embora a ordem específica de $P_4$ e $P_5$ dependa do valor de $q$ escolhido.

Significância e Alegações
Os autores afirmam que o modelo proposto oferece uma abordagem mais flexível, confiável e precisa para a tomada de decisão em ambientes caracterizados por alta incerteza e dados bidimensionais.

Lidando com a Ambiguidade: O modelo afirma lidar com as ambiguidades dos dados de forma mais eficaz do que os ambientes fuzzy intuicionistas ou pitagóricos de valor de intervalo, particularmente quando as restrições de dados (soma de quadrados ou potências de $q$ ) violam modelos mais simples.
Autonomia do Tomador de Decisão: Ao introduzir os parâmetros $q$ e $\lambda$ , o método fornece aos tomadores de decisão maior controle para alinhar o processo de agregação com suas preferências de risco específicas (otimismo vs. pessimismo), conforme evidenciado pela mudança nos rankings entre $P_4$ e $P_5$ em diferentes valores de $q$ .
Aplicabilidade Prática: O estudo valida a viabilidade do método através do estudo de caso no setor educacional, demonstrando sua capacidade de integrar diversos julgamentos de especialistas sobre ferramentas de IA. Os autores sugerem que o arcabouço também é aplicável a outros domínios, como avaliação de risco financeiro, gestão de resíduos médicos e seleção de energia renovável, embora a validação primária neste artigo seja limitada ao contexto da IA educacional.

O artigo conclui que a integração de leis operacionais de intervalo complexo algébricas com operadores de agregação CIV q-ROFS fornece uma base teórica robusta para resolver problemas complexos de MADM onde conjuntos fuzzy tradicionais são insuficientes.

Mais como este