АЛГОРИТМИ ВИЯВЛЕННЯ ТА ЗАПОБIГАННЯ МАНIПУЛЯЦIЯМ У ГЕЙМIФIКОВАНИХ ОСВIТНIХ СЕРЕДОВИЩАХ

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.2.22

Ключові слова:

освітня цифрова платформа, гейміфікація, фарминг, локальне виявлення аномалій (LOF), нейронна мережа, графова модель

Анотація

Гейміфікація освітніх платформ, що використовують інтеграцію балів, досягнень та рейтингів, довела свою ефективність у підвищенні мотивації та залученості учнів. Однак орієнтація на зовнішні винагороди створює нові вразливості – зокрема, явище фармингу, при якому користувачі здобувають винагороди без реального засвоєння знань. У статті представлено алгоритмічний підхід до виявлення та запобігання фармингу в гейміфікованих освітніх середовищах. Мета статті – дослідження та розробка алгоритмів виявлення та запобігання фармингу в геймiфiкованих освітніх середовищах, використовуючи методи штучного інтелекту. Завдання включають формалізацію інформаційної системи, аналіз поведінки користувачів i створення адаптивних механізмів корекції.Методологія дослідження ґрунтується на побудові графової моделі користувацької активності в гейміфікованій освітній інформаційній системі. Для виявлення аномальних патернів застосовано кластеризацію DBSCAN та локальне оцінювання відхилень за допомогою алгоритму LOF. Адаптивна поведінкова корекція реалізована через Q-learning, що дозволяє зберігати мотивацію користувачів без жорсткого втручання. Алгоритм регулярно перенавчається на основі нових даних, адаптуючись до змін у поведінці користувачів.Архітектура рішення базується на побудові графів активності, використанні алгоритму кластеризації DBSCAN, локальному виявленні аномалій (LOF), а також адаптивній корекції системи винагород за допомогою підкріплювального навчання (Q-learning). Запропонований підхід продемонстрував здатність виявляти до 95 % аномальних патернів із мінімальним рівнем хибнопозитивних спрацьовувань. Окрему увагу приділено м’якій корекції – гнучкому механізму адаптації, який дозволяє зберігати мотивацію учнів при втручанні в процес оцінювання.Наукова новизна. Новизна дослідження полягає в адаптації методів кібербезпеки до контексту освітньої аналітики, розробці алгоритмів виявлення та запобігання фармингу для геймiфiкованих освітніх платформ із застосуванням штучного інтелекту з подальшим використанням нейронних мереж (RNN, трансформерів) для прогнозування маніпуляцій та впровадження персоналізованих стратегій корекції на основі профілів користувачів.Висновки. Запропоноване рішення є ефективним кроком до створення більш прозорих, етичних і надійних гейміфікованих систем навчання. Результати дослідження можуть бути застосовані для побудови нових поколінь гейміфікованих платформ, які поєднують адаптивність, стійкість до маніпуляцій і високу якість збирання та інтерпретації освітніх даних.

Посилання

Aldea A., Sima V. Gamification in education: A systematic review of motivational theories and game mechanics. Education Sciences. 2021. Vol. 11, No. 8. P. 423.

Breunig M., Kelly R., Mathis R., Kriegel H. P. LOF: Identifying density-based local outliers in big data. Data Mining and Knowledge Discovery. 2020. Vol. 34, No. 5. P. 1423–1456.

Deterding S., Dixon D., Khaled R., Nacke L. From game design elements to gamefulness: Defining gamification. International Journal of Human-Computer Studies. 2021. Vol. 147. Article 102614.

Gleich D. F. PageRank beyond the web: Applications in network analysis. SIAM Review. 2021. Vol. 63, No. 3. P. 489–516.

Kaelbling L. P., Littman M. L., Moore A. W. Reinforcement learning: A survey. Journal of Artificial Intelligence Research. 2020. Vol. 69. P. 1245–1288.

Koivisto J., Hamari J. The rise of motivational information systems: A review of gamification research. International Journal of Information Management. 2019. Vol. 45. P. 191–210.

Lakhno V. A., Kasatkin D. Y., Skliarenko O. V., Kolodinska Y. O. Modeling and Optimization of Discrete Evolutionary Systems of Information Security Management in a Random Environment. Machine Learning and Autonomous Systems. Singapore: Springer. Smart Innovation, Systems and Technologies. 2022. Vol. 269. P. 9–22.

Mnih V., Kavukcuoglu K., Silver D. та ін. Deep reinforcement learning: Advances and challenges. Nature Machine Intelligence. 2023. Vol. 5, No. 2. P. 112–124.

Скляренко О., Покидько Д. Методологія розробки навчальних цифрових ресурсів у вигляді онлайн ігор. Кібербезпека: освіта, наука, техніка. 2023. № 2(22). С. 249–256.

Яровий Р., Улічев О., Скляренко О., Пашорін В. Моделювання мультиагентних систем захисту інформаційних ресурсів. Вісник Хмельницького національного університету. Технічні науки. 2024. № 337(3(2)). С. 278–284.

##submission.downloads##

Опубліковано

2025-09-23

Як цитувати

ПОКИДЬКО, Д., & СКЛЯРЕНКО, О. (2025). АЛГОРИТМИ ВИЯВЛЕННЯ ТА ЗАПОБIГАННЯ МАНIПУЛЯЦIЯМ У ГЕЙМIФIКОВАНИХ ОСВIТНIХ СЕРЕДОВИЩАХ. Інформаційні технології та суспільство, (2 (17), 150-156. https://doi.org/10.32689/maup.it.2025.2.22