با گسترش بی‌سابقه فناوری‌های ارتباطی و خدمات آنلاین، ارزیابی کیفیت تجربه (QoE) به یک چالش اساسی تبدیل شده است. باوجود پژوهش‌های گسترده در این حوزه، بسیاری از مطالعات به طور کامل به تفاوت‌های فردی کاربران، ماهیت توزیع‌شده QoE و اهمیت حفظ حریم خصوصی نپرداخته‌اند. این پژوهش باهدف ارائه چارچوب‌هایی برای ارزیابی دقیق‌تر QoE در محیط‌های توزیع‌شده و حساس به حریم خصوصی، بر درنظرگرفتن ویژگی‌های فردی کاربران و کاهش اثرات منفی داده‌های غیرمستقل و غیر هم توزیع (Non-IID) تمرکز دارد. برای دستیابی به این هدف، دو رویکرد نوآورانه پیشنهاد شده است CluPerFed-QoE که با ترکیب خوشه‌بندی کاربران و یادگیری فدراسیونی شخصی‌سازی‌شده، تنوع داده‌ها را در خوشه‌ها کاهش داده و دقت پیش‌بینی را بهبود می‌بخشد. رویکرد دوم با نام CluPerWFed-QoE با بهره‌گیری از مکانیزم وزن‌دهی محلی، داده‌های مهم‌تر را شناسایی و اولویت‌بندی کرده، شانس مشارکت آن‌ها در فرایند آموزش را افزایش می‌دهد و از انحراف مدل جلوگیری می‌کند. نتایج تجربی نشان‌دهنده بهبود چشمگیر دقت پیش‌بینی QoE با استفاده از این رویکردها در مقایسه با روش‌های سنتی یادگیری فدراسیونی است. به طور خاص، رویکرد CluPerWFed-QoE به طور متوسط افزایش ۱۲ درصدی در دقت تخمین QoE را به همراه داشته است و امکان ارائه خدماتی را فراهم می‌کند که به‌صورت بهینه با نیازهای شخصی کاربران سازگار باشد. این نتایج برتری چارچوب‌های مبتنی بر مدل و یادگیری فدراسیونی شخصی‌سازی‌شده را برای ارزیابی QoE به‌خوبی برجسته می‌کند.