Применение машинного обучения и искусственного интеллекта для анализа медиапотребления аудитории: возможности и вызовы
Как цитировать
Аннотация
В статье исследуются перспективы использования методов машинного обучения и искусственного интеллекта (ИИ) для многомерного анализа паттернов медиапотребления аудитории. Актуальность темы обусловлена растущей фрагментацией медиаландшафта, персонализацией информационных диет и необходимостью перехода к дата-ориентированным моделям управления медиа в цифровую эпоху. Цель работы - определить ключевые возможности и ограничения применения продвинутой аналитики данных для выявления предпочтений и моделей поведения медиапотребителей. Методология включает систематический обзор литературы, серию экспертных интервью (N=20), а также эксперимент по разработке прототипа рекомендательной системы новостей на основе алгоритмов машинного обучения. В результате определены основные направления использования методов ИИ в анализе аудитории медиа: сегментация пользователей, персонализация контента, прогнозирование популярности материалов, выявление трендов и аномалий. Достигнута точность рекомендательных моделей на уровне 84-93%. Выявлены проблемы, связанные с качеством и интеграцией данных, "черными ящиками" алгоритмов, усилением эффектов эхо-камер. Предложена концептуальная модель инкорпорации ИИ-инструментов в цикл управления медиапредприятием. Сформулирована потребность в разработке подходов к оценке социально-экономического эффекта алгоритмических решений, изучению их влияния на разнообразие контента и информационные пузыри пользователей.
Ключевые слова
Финансирование
Библиографические ссылки
Angrave D., Charlwood A., Kirkpatrick I., Lawrence M., Stuart M. HR and analytics: Why HR is set to fail the big data challenge // Human resource management journal. 2016. № 26(1). рр. 1-11.
Baker R.S. Stupid tutoring systems, intelligent humans // International journal of artificial intelligence in education. 2016. № 26(2). рр. 600-614.
Bańka A., Barańska K. Big data in psychological research: A review of potential applications // Annals of psychology. 2018. № 21(3). рр. 265-284.
Durksen T.L., Way J., Bobis J. Motivation and engagement in mathematics: A qualitative framework for teacher-student interactions // Mathematics education research journal. 2017. № 29(2). рр. 163-181.
Ferguson R. Learning analytics: Drivers, developments and challenges // International journal of technology enhanced learning. 2012. № 4(5/6). рр. 304-317.
Fischer C., Pardos Z.A., Baker R.S., Williams J.J., Smyth P., Yu R., Warschauer M. Mining big data in education: Affordances and challenges // Review of research in education. 2020. № 44(1). рр. 130-160.
Gašević D., Dawson S., Siemens G. Let's not forget: Learning analytics are about learning // TechTrends, 2015. № 59(1). рр. 64-71.
Gibson D.C., Ifenthaler D. Preparing the next generation of education researchers for big data in higher education. In Big data and learning analytics in higher education. Springer: Cham, 2017. pp. 29-42.
Koedinger K.R., D'Mello S., McLaughlin E.A., Pardos Z.A., Rosé C.P. Data mining and education // Wiley interdisciplinary reviews: cognitive science. 2015. 3 6(4). рр. 333-353.
Liñán L.C., Pérez Á.A.J. Educational data mining and learning analytics: differences, similarities, and time evolution. RUSC // Universities and knowledge society journal. 2015. № 12(3). рр. 98-112.
Papamitsiou Z., Economides A.A. Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence // Journal of educational technology & society. 2014. № 17(4).рр. 49-64.
Siemens G. Learning analytics: the emergence of a discipline // American behavioral scientist. 2013. № 57(10). рр. 1380-1400.
Slade S., Prinsloo P. Learning analytics: ethical issues and dilemmas // American behavioral scientist. 2013. № 57(10). pp. 1510-1529.
Wilson A., Watson C., Thompson T.L., Drew V., Doyle S. Learning analytics: challenges and limitations // Teaching in higher education. 2017. № 22(8). рр. 991-1007.
Zacharis N.Z. A multivariate approach to predicting student outcomes in web-enabled blended learning courses // The internet and higher education. 2015. № 27. рр. 44-53.
Загрузки
Опубликован
Выпуск
Раздел
Метрики
Права и условия использования
Правообладатель: Управление образованием: теория и практика, 2024
Условия использования полного текста: CC BY-NC-ND 4.0
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.