Методологические подходы машинного обучения и адаптивной персонализации в образовательных игровых платформах
A case study of gamified EdTech systems for personalized learning
Просмотры: 10 / Загрузок PDF: 1
DOI:
https://doi.org/10.32523/3136-3385-2026-155-2-318-329Ключевые слова:
машинное обучение, образовательный дата-майнинг, аналитика обучения, адаптивная геймификация, персонализированное обучение, обучение с подкреплением, графовые нейронные сетиАннотация
В данной статье рассмотрены методологические подходы машинного обучения (МО), интеллектуального анализа образовательных данных (ИИОД) и адаптивной геймификации на цифровых образовательных платформах на основе систематического обзора 36 рецензируемых исследований, опубликованных в период 2020-2025. В данном исследовании были определены наиболее часто используемые модели МО, персонализированные подходы к обучению и игровых механик, повышающих мотивацию студентов и результаты обучения. Поиск источников проводился в базах данных Scopus, IEEE Xplore, SpringerLink, MDPI, ScienceDirect и ResearchGate с учетом строгих критериев отбора, ориентированных на конкретную реализацию технологий в образовательном процессе. Анализ показал активное использование графовых нейронных сетей, обучения с подкреплением, градиентного бустинга и глубоких архитектур для адаптивного обучения и поведенческого моделирования. Вместе с тем, выявлено, что адаптивная геймификация в сочетании с аналитикой в реальном времени повышает долгосрочную вовлеченность студентов. В результате проведенного сравнительного анализа методологических подходов МО и адаптивной персонализации была предложена модель взаимодействия игрока Edtech игры и персонализационной модели RL.
