1. SISN
  2. Всі випуски
  3. Випуск 11, 2022
  4. Рекомендаційна система планування дозвілля в умовах карантину

Рекомендаційна система планування дозвілля в умовах карантину

SISN.
2022;
Випуск 11
: cc. 127 - 144
https://doi.org/10.23939/sisn2022.11.127
Автори:
  1. Олег Верес
  2. Яна Левус
1
Національний університет “Львівська політехніка”, кафедра інформаційних систем та мереж
2
Національний університет «Львівська політехніка»

Досліджено проблему планування організації дозвілля у періоди вимушеного перебування вдома із використанням засобів інформаційних технологій.

У роботі описано проблеми, які виникають у мешканців міст під час карантинних обмежень та їх вплив на психоемоційне здоров’я людини. Визначено потребу в адаптації та модифікації звичних форм активності дозвілля до нового формату, оскільки найвідоміші сучасні інформаційні системи, які надають послуги із дозвілля, є вузькоспеціалізованими. Вони генеру- ють рекомендації, які пов’язані з медіа-сервісами. Досліджено методи надання рекомендацій. Для вирішення проблемної ситуації побудовано дерево цілей. Розглянуто альтернативні засоби реалізації інформаційної системи. За допомогою методу аналізу ієрархії (МАІ) вибрано опти- мальний тип системи для реалізації пропонованого рішення – рекомендаційну систему. Описано алгоритм роботи рекомендаційної системи, що пропонує альтернативи проведення вільного часу у періоди вимушеного перебування вдома. Використано механізм зваженого гібриду для надання рекомендацій. Для створення портрета користувача використано метод індикаторів типів особистості. За допомогою засобів мови UML спроєктовано концептуальну модель системи. Для реалізації прототипу мобільного застосунку системи вибрано мови  програмування Java, JavaScript, фрейморк React Native. Для роботи із базою даних вибрано систему управління бази даних MySQL. Наведено приклад використання системи у вигляді мобільного застосунку. Описано основні етапи взаємодії користувача із рекомендаційною системою, що сприяє органі- зації проведення вільного часу в періоди вимушеного перебування вдома.

Робота рекомендаційної системи спрямована на послаблення негативних наслідків перебу- вання у режимі вимушеного карантину на психоемоційний стан людини. Особливістю рекомендацій розробленого прототипу інформаційної системи є надання пропозицій, які містять, окрім пасивних видів проведення дозвілля, також активні, що враховують особливості кожного її користувача.

Застосування рекомендаційної системи не обмежується лише карантинним чинником. Послугами рекомендаційної системи доцільно скористатись людям з обмеженими можливостя- ми, після фізичних травм, що призвели до тимчасової малорухомості, та в період реабілітації від їх наслідків.

карантин
методи рекомендацій
метод індикатора типів особистості
психоемоційний стан людини
рекомендаційна система
  1. Melville P., Sindhwani V. (2017). Recommender Systems. In: Sammut C., Webb G. I. (eds) Encyclopedia of Machine Learning and Data Mining. Springer, Boston, MA. DOI: 10.1007/978-1-4899-7687-1_964
  2. The Guardian (2020). Mental health suffers under the lockdown. Retrieved from https://www.theguardian.com/world/2020/apr/30/mental-health-suffers-under-the-lockdown
  3. Cavicchioli, M., Ferrucci, R., Guidetti, M., Canevini, M. P., Pravettoni, G., & Galli, F. (2021). What will be the impact of the Covid-19 quarantine on psychological distress? Considerations based on a systematic review of pandemic outbreaks. Healthcare, 9 (1), 101. DOI: 10.3390/healthcare9010101.
  4. Brooks, S. K., Webster, R. K., Smith, L. E., Woodland, L., Wessely, S., Greenberg, N., & Rubin, G. J. (2020). The psychological impact of quarantine and how to reduce it: rapid review of the evidence. The lancet, 395 (10227), 912–920. DOI: 10.1016/S0140-6736(20)30460-8.
  5. Saurabh, K., & Ranjan, S. (2020). Compliance and psychological impact of quarantine in children and adolescents due to Covid-19 pandemic. The Indian Journal of Pediatrics, 87 (7), 532–536. DOI: 10.1007/s12098- 020-03347-3.
  6. Qiu, J., Shen, B., Zhao, M., Wang, Z., Xie, B., & Xu, Y. (2020). A nationwide survey of psychological distress among Chinese people in the COVID-19 epidemic: implications and policy recommendations. General psychiatry, 33:e100213. DOI: 10.1136/ gpsych-2020-100213.
  7. Weissbourd, R., Batanova, M., Lovison, V., & Torres, E. (2021). Loneliness in America how the Pandemic Has Deepened an Epidemic of Loneliness and What We Can Do about it. Making Caring Common, 1–13. Retrieved from     https://mcc.gse.harvard.edu/reports/loneliness-in-america.
  8. Medical News Today. (n.d.). How do people cope with the pandemic? Survey reveals worrying trends. Retrieved from https://www.medicalnewstoday.com/articles/how-do-people-cope-with-the-pandemic-survey-reveals- worrying-trends.
  9. Levita, L., Miller, J. G., Hartman, T. K., Murphy, J., Shevlin, M., McBride, O., & Bental, R. (2021). Report1: Impact of Covid-19 on young people aged 13–24 in the UK-preliminary findings. Retrieved from https://psyarxiv.com/uq4rn.
  10. App Usage error data report. (n.d.). Software Bugs Don’t Shelter in Place: What app usage and error data reveal during COVID-19. Retrieved from https://www.bugsnag.com/covid-19-app-usage-error-data-report.
  11. Верес, О., & Левус, Я. І. (2021). Рекомендаційна система часопроведення у періоди вимушеного перебування вдома. Modern scientific research: achievements, innovations and development prospects. Proceedings of the 6th International scientific and practical conference. MDPC Publishing. Berlin, Germany. 244–248. Retrieved from https://sci-conf.com.ua/vi-mezhdunarodnaya-nauchno-prakticheskaya-konferentsiya-modern-scientific-research- achievements-innovations-and-development-prospects-21-23-noyabrya-2021-goda-berlin-germaniya-arhiv/
  12. Bulut, O., Cormier, D. C., & Shin, J. (2020). An intelligent recommender system for personalized test administration scheduling with computerized formative assessments. Front. Educ. 5:572612. DOI: 10.3389/feduc.2020.572612.
  13. Falk, K. (2019). Practical recommender systems. Simon and Schuster.
  14. Geetha, G., Safa, M., Fancy, C., & Saranya, D. (2018, April). A hybrid approach using collaborative filtering and content based filtering for recommender system. Journal of Physics: Conf. Series 1000 (2018) 012101. DOI: 10.1088/1742-6596/1000/1/012101.
  15. Gomez-Uribe, C. A., & Hunt, N. (2016). The netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Systems (TMIS), 6(4), 1–19. DOI: 10.1145/2843948.
  16. How the YouTube algorithm works. Retrieved from https://blog.hootsuite.com/how-the-youtube- algorithm-works. 
  17. Катренко, А. В. (2003). Системний аналіз об’єктів та процесів комп’ютеризації. Львів: Новий світ.
  18. Saaty, T. L. (1990). Decision making for leaders: the analytic hierarchy process for decisions in a complex world. RWS publications.
  19. Saaty, T. L., & Shang, J. S. (2011). An innovative orders-of-magnitude approach to AHP-based mutli- criteria decision making: Prioritizing divergent intangible humane acts. European Journal of Operational Research, 214(3), 703–715. DOI: 10.1016/j.ejor.2011.05.019.
  20. Saaty, T. L. (2013). On the measurement of intengibles. A principal eigenvector approach to relative measurement derived from paired comparisons. Notices of the American Mathematical Society, 60(2), 192–208. Retrieved from https://dialnet.unirioja.es/ejemplar/323067.
  21. Tang, X., Chen, Y., Li, X., Liu, J., & Ying, Z. (2019). A reinforcement learning approach to personalized learning recommendation systems. British Journal of Mathematical and Statistical Psychology, 72(1), 108–135. DOI: 10.1111/bmsp.12144.
  22. Cherry, K. (2021, July). An Overview of the Myers-Briggs Type Indicator. Retrieved from https://www.verywellmind.com/the-myers-briggs-type-indicator-2795583.
  23. Fayyaz, Z., Ebrahimian, M., Nawara, D., Ibrahim, A., & Kashef, R. (2020). Recommendation systems: Algorithms,     challenges,     metrics,     and     business     opportunities. applied     sciences, 10(21),      7748. DOI: 10.3390/app10217748.
  24. Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. (2018). Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
  25. Burke, R. (2007). Hybrid web recommender systems. The adaptive web, 377–408. Retrieved from https://link.springer.com/chapter/10.1007/978-3-540-72079-9_12.
  26. Ko, H., Lee, S., Park, Y., & Choi, A. (2022). A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronics, 11(1), 141. DOI: 10.3390/electronics11010141.
  27. Javed, U., Shaukat, K., Hameed, I. A., Iqbal, F., Alam, T. M., & Luo, S. (2021). A review of content-based and context-based recommendation systems. International  Journal of Emerging Technologies  in  Learning (iJET), 16(3), 274–306. Retrieved from https://www.learntechlib.org/p/219036/
  28. Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176. DOI: 10.3390/a13080176.
  29. Lin, W., Li, Y., Feng, S., & Wang, Y. (2014, June). The optimization of weights in weighted hybrid recommendation algorithm. In 2014 IEEE/ACIS 13th International Conference on Computer and Information Science (ICIS) , 415–418. DOI: 10.1109/ICIS.2014.6912169.
  30. Johnson, J. (2007). GUI bloopers 2.0: common user interface design don'ts and dos. Elsevier.
  31. Parush, A. (2015). Conceptual design for interactive systems: designing for performance and user experience. Morgan Kaufmann.
  32. de Schipper, E., Feskens, R., & Keuning, J. (2021, March). Personalized and Automated Feedback in Summative Assessment Using Recommender Systems. Frontiers in Education, 6. DOI: 10.3389/feduc.2021.652070.
  33. Veres, O., Kunanets, N., Pasichnyk, V., Veretennikova, N., Korz, R., & Leheza, A. (2019, September). Development and Operations-the Modern Paradigm of the Work of IT Project Teams. In 2019 IEEE 14th International Conference on Computer Sciences and Information  Technologies  (CSIT) , 3, 103–106.  IEEE. DOI: 10.1109/STC-CSIT.2019.8929861.
  34. OMG® Unified Modeling Language® (OMG UML®). Retrieved from https://www.omg.org/spec/ UML/2.5.1/PDF.