Прогнозування залученості користувачів освітніх вебплатформ за допомогою алгоритмів машинного навчання

Abstract

У статтi розглянуто технологiчнi пiдходи до реалiзацiї навчальних онлайн-платформ iз елементами геймiфiкацiї. Сучасний розвиток цифрових технологiй висуває новi вимоги до вебзастосункiв, зокрема в контекстi iнтерактивного вiдображення складних даних i статистичних результатiв у режимi реального часу. Це стає особливо важливим у сферi освiти, де актуальними є платформи для дистанцiйного навчання, якi потребують не лише зручного iнтерфейсу, а й ефективних iнструментiв для аналiзу та вiзуалiзацiї навчальних результатiв. У статтi було розглянуто використання рiзноманiтних методiв i алгоритмiв для обробки даних, зокрема для прогнозування та аналiзу поведiнки користувачiв онлайн-платформ. У процесi дослiдження проведено аналiз доступних iнструментiв для iнтеграцiї моделей машинного навчання та аналiтичних iнструментiв у вебзастосунки. Проведено порiвняння кiлькох алгоритмiв машинного навчання, зокрема таких як: Random Forest, KNN-регресiї, гребеневої регресiї та еластичної мережi, для аналiзу залученостi користувачiв на платформi Prometheus. Для прогнозування активностi користувачiв використовувались реальнi аналiтичнi данi, що дозволило побудувати моделi, якi здатнi враховувати змiннi залежностi та обробляти аномальнi данi, пов’язанi з пандемiєю COVID-19 та iншими соцiально-економiчними чинниками. Результати показують, що використання рiзних методiв машинного навчання дозволяє здiйснити точний прогноз щодо залученостi користувачiв, зокрема з урахуванням змiн у соцiально-демографiчному контекстi. Дослiдження показало, що iнтеграцiя таких iнструментiв дозволяє значно покращити ефективнiсть взаємодiї користувачiв з онлайн-платформами, а також створює умови для подальшої оптимiзацiї навчальних процесiв, зокрема через персоналiзацiю контенту та методiв взаємодiї.

The article examines technological approaches to the implementation of educational online platforms incorporating gamification elements. The current development of digital technologies imposes new requirements on web applications, particularly in the context of interactive visualization of complex data and statistical results in real time. This is especially relevant in the field of education, where distance learning platforms must offer not only user-friendly interfaces but also effective tools for analyzing and visualizing learning outcomes. The article explores the use of various methods and algorithms for data processing, specifically for predicting and analyzing user behavior on online platforms. The study involved an analysis of available tools for integrating machine learning mod-els and analytical instruments into web applications. Several machine learning algorithms, including Random Forest, KNN regression, Ridge regression, and Elastic Net, were compared in the context of analyzing user engagement on the Prometheus platform. Real analytical data were used to forecast user activity, enabling the development of models capable of accounting for variable dependencies and handling anomalous data caused by the COVID-19 pandemic and other socio-economic factors. The results demonstrate that the application of diverse machine learning methods enables accurate forecasting of user engagement, particularly when considering shifts in the socio-demographic landscape. The research indicates that integrating such tools significantly enhances the effectiveness of user interaction with online platforms and establishes a foundation for further optimization of learning processes, particularly through content personalization and adaptive interaction methods.