Gamified education : building recommendation system for an educational game platform for elementary school children

Abstract

This thesis discusses the data and various models for building a recommendation system for an educational game platform specifically targeted towards elementary school level. This project was done in collaboration with a company focusing on educational games for elementary school children. The data used in this thesis is from, as well as the recommendation system for, their online education platform. The data received was explored and analysed. The recommendation system uses data from a single play session to recommend other educational games. Different methods were used to generate recommendations. The methods used include XGBoost, Random Forest, and a Deep neural network. The models were evaluated based on accuracy using root-mean-squared-error. The SHAP framework was used to further examine the models to see which features from the input data set were the most important. The features found to be most important to the model fit with prior assumptions on which features were thought to be most important. The results seemed promising and suitable to be used as a recommendation system.

Í þessari ritgerð er fjallað um gögn og ýmis líkön til að byggja meðmælakerfi fyrir stafræna námsleiki sem eru sérstaklega miðaðir að börnum á grunnskólastigi. Meðmælakerfið notar gögn úr einni leikjalotu til þess að mæla með öðrum fræðsluleikjum. Þetta verkefni var unnið í samvinnu við fyrirtæki með áherslu á fræðsluleiki fyrir grunnskólabörn og gögnin sem notuð eru í þessari ritgerð eru frá, auk meðmælakerfisins fyrir, stafræna námsvettvangi þeirra á netinu. Gögnin voru skoðuð og greind. Mismunandi aðferðir voru notaðar til að búa til meðmælakerfin, meðal annars XGBoost, slembiskógar og djúp tauganet. Shap aðferðin var notuð til að skoða líkönin frekar og sýna hvaða eiginleikar úr inntaksgagnasettinu voru mikilvægastir. Eiginleikarnir sem reyndust mikilvægastir fyrir líkönin pössuðu við fyrri forsendur um eiginleika sem taldir voru vera mikilvægastir. Niðurstöðurnar virtust lofa góðu og til þess fallnar að nota sem meðmælakerfi.