МАШИННОЕ ОБУЧЕНИЕ ДЛЯ ПЕРСОНАЛИЗАЦИИ ОБУЧЕНИЯ НА ГЕЙМИФИЦИРОВАННЫХ EDTECH-ПЛАТФОРМАХ: КЕЙС AQYL BATTLE

Аннотация

Современные геймифицированные EdTech-платформы требуют системного научного подхода к анализу больших объемов пользовательских данных. В данной работе предлагается методология, объединяющая методы причинно-следственного анализа, анализа выживаемости, психометрического моделирования и машинного обучения для выявления факторов удержания пользователей и персонализации образовательного опыта. Исследование основано на данных геймифицированной образовательной платформы Aqyl Battle, включающих более 500 000 пользователей за период свыше трех лет. Были сформированы три структурированных набора данных: панельный набор для причинного анализа, набор данных для анализа выживаемости и набор с инженерно сформированными признаками для машинного обучения. Для оценки влияния турниров на активность пользователей применялась модель difference-in-differences. Оценка Каплана–Мейера и модель пропорциональных рисков Кокса использовались для анализа выживаемости, а трехпараметрическая логистическая модель Item Response Theory — для оценки латентного уровня навыков. Прогнозирование оттока выполнялось с применением логистической регрессии и XGBoost. Результаты показали, что введение турниров увеличило еженедельную активность пользователей на 12,4% (p < 0,01), а градиентный бустинг достиг значения AUC около 0,87 на тестовой выборке, разделенной по времени. Индекс качества подбора соперников и коэффициент Джини распределения рейтингов оказались значимыми модераторами удержания. При снижении баланса матчей ниже 0,6 еженедельный отток резко возрастал. Полученные результаты подчеркивают важность справедливости и баланса в геймифицированных EdTech-системах.