DEVELOPMENT OF A WEB APPLICATION FOR TASK MANAGEMENT WITH IMPLEMENTATION OF PRIORITIZATION AND SORTING ALGORITHMS
DOI:
https://doi.org/10.32689/maup.it.2025.4.2Keywords:
web application, task prioritization, multi-criteria model, React, Zustand, adaptive algorithm, artificial intelligenceAbstract
The article presents the development of a web application for task management implementing intelligent prioritization and sorting algorithms based on multi-criteria analysis. The aim of the study is to design an adaptive system that automatically determines the optimal order of task execution, reducing users’ cognitive load and increasing productivity. The research applies methods of multi-criteria decision-making (MCDM), cognitive modeling, and behavioral analytics. The algorithm calculates an integrated priority index using 20 criteria – temporal, behavioral, contextual, and motivational – each normalized (linear or sigmoidal) and aggregated via weighted summation. Weight coefficients are dynamically adjusted according to user behavior. The algorithm is implemented in React using the Zustand library for state management and Local Storage for asynchronous data persistence. Experimental evaluation was carried out on control scenarios replicating real user behavior to measure performance, adaptability, and user satisfaction. The scientific novelty. For the first time, an adaptive prioritization model combining multi-criteria analysis with behavioral learning is proposed for local browser computation. The algorithm autonomously adapts to user interactions without relying on external servers or datasets. It not only ranks tasks by importance but also predicts the most suitable execution periods based on the user’s energy level, context, and recent behavior, forming a personalized productivity profile. Conclusions. Experimental results demonstrate a 23.5% improvement in task productivity and a 20% reduction in execution time compared with traditional sorting methods. Integration of the algorithm into a React-based application confirmed its efficiency, stability, and scalability. The practical significance lies in its applicability for integration with calendars, AI modules, and project management platforms. Future work will focus on enhancing the model with machine learning and explainable AI components to improve transparency and adaptability.
References
Григоренко О. В. Алгоритмічні моделі прийняття рішень у системах керування проєктами. Науковий вісник ХДУ. Серія: Інформаційні технології, 2022, №3. С. 70–78.
Грабовська С. Інформаційне перевантаження: психологічний ракурс. APS Journal, 2020. URL: https://apsijournal.com/index.php/psyjournal/article/download/1019/625/1318
Кузьменко І. В. Інформаційний стрес як чинник когнітивного перевантаження особистості у цифрову добу. Психологічний вісник УжНУ, 2022, №1(47). С. 59–65. URL: https://psy-visnyk.uzhnu.uz.ua/index.php/psy/article/view/345
Малярець Л. М., Мінєнкова І. Г. Вирішення проблем багатокритеріальності в оцінці діяльності підприємства. Проблеми економіки, 2016, №3. С. 220–226. URL: https://repository.hneu.edu.ua/bitstream/123456789/16609/1/Проблемы%20экономики%20Малярець,%20Мінєнкова.pdf
Мельник О. В. Методи та алгоритми багатокритеріальної оптимізації у задачах підтримки прийняття рішень. Харків: НТУ «ХПІ», 2020. 128 с.
Недашківська Н. І. Інтелектуальні системи прийняття рішень. Київ: НТУУ «КПІ», 2020. URL: https://ela.kpi.ua/bitstreams/d3b6067b-9bce-44ce-b768-80034b77b411/download
Недашківська Н. І. Прийняття рішень в ієрархічних системах: методи нормалізації, розрахунку ваг та нечіткі моделі. Київ: НТУУ «КПІ», 2020. URL: https://ela.kpi.ua/bitstreams/c2f7f36b-8bd0-4fc1-819f-2cb2dcf6649a/download
Ситник В. Ф., Мазур О. В. Інтелектуальні системи підтримки прийняття рішень: сучасні тенденції. Економічний вісник НТУУ «КПІ», 2020, №17. С. 33–41.
Теслюк В. М., Загарюк Р. В. Методи багатокритеріальної оптимізації: конспект лекцій. Львів: ЛНУ «Львівська політехніка», 2012. URL: https://foundry.kpi.ua/wp-content/uploads/2020/05/teslyuk-vm-metody-bagatokryterialnoyi-optymizacziyi.pdf
Шинкарук О. М. та ін. Управління якістю програмних веб-систем засобами розробки. Вісник Хмельницького національного університету, 2020. URL: https://journals.khnu.km.ua/vestnik/wp-content/uploads/2021/04/8.pdf
AI-Driven To-Do List: Optimizing Task Categorization and Prioritization Using Ensemble Models. ResearchGate, 2023. URL: https://www.researchgate.net/publication/393891022
Comeau J. W. Understanding useMemo and useCallback // Josh W. Comeau Blog, 2021. URL: https://www.joshwcomeau.com/react/usememo-and-usecallback/
Grounded Task Prioritization with Context-Aware Features. – ACM Digital Library, 2021. DOI: 10.1145/3486861.
Horborukov V., Prykhodniuk V., Franchuk O. The Algorithm of Competitive Normalization of Criteria in Rating System of Evaluation of the Intellectual Achievements. Scientific Notes of Junior Academy of Sciences of Ukraine. 2022. № 1(23). С. 3–12. URL: https://snman.science/index.php/sn/article/view/93
Jamasb B. et al. An Automated Framework for Prioritizing Software Requirements. Electronics (MDPI), 2025, 14(6), 1220. DOI: 10.3390/electronics14061220.
Krishnan A. R. et al. Past efforts in determining suitable normalization methods for MCDM techniques. Frontiers in Big Data. 2022. URL: https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2022.990699/full
Li C., Gao W., Shi L., Shang Z., Zhang S. Task Scheduling Based on Adaptive Priority Experience Replay. Electronics, 2023, 12(6). DOI: 10.3390/electronics12061358.
Nguyen O., Chen J., Patel M. Lightweight AI Approaches for Client-Side Learning. Journal of Web Engineering, 2023, 22(4). С. 451–467.
Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.
Shafiei D. Efficient State Management in React Using Zustand. Medium Blog, 2024. URL: https://philipp-raab.medium.com/zustand-state-man
