Прогнозування залученості користувачів освітніх вебплатформ за допомогою алгоритмів машинного навчання

Анотація

У статті розглянуто технологічні підходи до реалізації навчальних онлайн-платформ із елементами гейміфікації. Сучасний розвиток цифрових технологій висуває нові вимоги до вебзастосунків, зокрема в контексті інтерактивного відображення складних даних і статистичних результатів у режимі реального часу. Це стає особливо важливим у сфері освіти, де актуальними є платформи для дистанційного навчання, які потребують не лише зручного інтерфейсу, а й ефективних інструментів для аналізу та візуалізації навчальних результатів. У статті було розглянуто використання різноманітних методів і алгоритмів для обробки даних, зокрема для прогнозування та аналізу поведінки користувачів онлайн-платформ.

У процесі дослідження проведено аналіз доступних інструментів для інтеграції моделей машинного навчання та аналітичних інструментів у вебзастосунки. Проведено порівняння кількох алгоритмів машинного навчання, зокрема таких як: Random Forest, KNN-регресії, гребеневої регресії та еластичної мережі, для аналізу залученості користувачів на платформі Prometheus. Для прогнозування активності користувачів використовувались реальні аналітичні дані, що дозволило побудувати моделі, які здатні враховувати змінні залежності та обробляти аномальні дані, пов'язані з пандемією COVID-19 та іншими соціально-економічними чинниками. Результати показують, що використання різних методів машинного навчання дозволяє здійснити точний прогноз щодо залученості користувачів, зокрема з урахуванням змін у соціально-демографічному контексті.

Дослідження показало, що інтеграція таких інструментів дозволяє значно покращити ефективність взаємодії користувачів з онлайн-платформами, а також створює умови для подальшої оптимізації навчальних процесів, зокрема через персоналізацію контенту та методів взаємодії.