АНАЛІЗ ЦИФРОВИХ СЛІДІВ ТА IOT-ПОВЕДІНКОВИХ ДАНИХ У SMARTКАМПУСІ
DOI: 10.31673/2409-7292.2026.010438
Анотація
У статті запропоновано математичну модель аналізу цифрових слідів (ЦС) здобувачів вищої освіти,
орієнтовану на потреби сучасної Smart-освіти як складника інтелектуальної міської інфраструктури, зокрема
Києва. Актуальність дослідження обумовлена зростанням емоційної вразливості студентської молоді в умовах
повномасштабної військової агресії рф проти України, що спричинила системні зміни у характері цифрової
комунікації, інтенсивності стресових реакцій та стабільності психоемоційних станів здобувачів вищої освіти.
Враховуючи різноспрямований вплив цих факторів, запропонована у статті модель інтегрувала ймовірнісну
класифікацію тональності текстових повідомлень в цифровому освітньому середовищі, баєсівське оновлення
оцінок, мережеву модель дифузії емоцій у спільноті студентів та поведінкові IoT-сигнали, що дозволило у
підсумку комплексно оцінювати емоційну варіативність цифрового освітнього середовища. У дослідженні
використано дані штучних цифрових слідів та поведінкових метрик, характерних для двох закладів вищої освіти
міста Києва, що дало змогу змоделювати реалістичні сценарії змін емоційних станів у студентських мережах цих
ЗВО. Результати імітаційного експерименту підтвердили, що текстові цифрові сліди є релевантним та
інформативним джерелом для виявлення індивідуальних і групових емоційних коливань, зокрема у ситуаціях
підвищеної тривожності, пов’язаних з безпековими загрозами. Додавання IoT-компоненти в модель суттєво
підсилило її прогностичні властивості. Адже поведінкові фактори, як-от активність у цифрових сервісах ЗВО,
переміщення та присутність у кампусі віддзеркалюють значний вплив на стабільність або дестабілізацію
емоційних станів здобувачів освіти. Запропонована модель дозволила виявляти періоди підвищеної напруженості
не лише за текстовими повідомленнями, але й за поведінковими шаблонами користувачів, що робить її корисним
інструментом оперативного моніторингу стану студентського середовища. Модель придатна для раннього
виявлення потенційно проблемних ситуацій у взаємодії здобувачів, підтримує прийняття управлінських рішень
у ЗВО та має потенціал для інтеграції в системи Smart-кампусу. Врахування ЦС у поєднанні з IoT-даними
відкрило нові можливості для синтезу систем підтримки психоемоційного добробуту здобувачів вищої освіти,
що є релевантним в умовах війни та високої соціальної нестабільності молоді.
Ключові слова: цифрові сліди, Smart-освіта, Smart-кампус, IoT-дані, поведінкова аналітика, аналіз
тональності, мережеві моделі, дифузія емоцій, баєсівське оновлення, моделювання освітнього середовища.
Перелік посилань
1. Козубцова, Л., & Козубцов, І. (2024). Поняття і місце smart school в концепції інфраструктури SMART
CITY. TTSIIT, 68.
2. Мужанова, Т. М. (2017). «Розумне місто» як інноваційна модель управління. «Економіка. Менеджмент.
Бізнес» № 2 (20), 2017. 116-122.
3. Дзюндзюк, К. В. (2023). Публічне управління міським розвитком на засадах концепції розумного міста.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 281, публічне управління та
адміністрування. Харківський національний університет імені В.Н. Каразіна, Харків, 2023.
4. Алексов, С. В., & Дідик, А. В. (2023). Перспективи впровадження системи «розумний дім» у заклади
освіти. Трансформаційна економіка, (2 (02)), 5-9.
5. Чорненька, Ж. А., Грицюк, М. Я. І., & Бідучак, А. С. (2017). Впровадження SMART–освіти у вищих
навчальних закладах. The Scientific Heritage, (11-2 (11)), 63-65.
6. Лахно, В., Волошин, С., Мамченко, С., Кулініч, О., & Касаткін, Д. (2024). Кластерний аналіз для
дослідження цифрових слідів студентів закладів освіти. Електронне фахове наукове видання «Кібербезпека:
освіта, наука, техніка», 3(23), 31-41.
7. Das, N. (2023). Digital education as an integral part of a smart and intelligent city: a short review. Digital
learning based education: transcending physical barriers, 81-96.
8. Liang, H., Ganeshbabu, U., & Thorne, T. (2020). A dynamic Bayesian network approach for analysing topicsentiment evolution. IEEE Access, 8, 54164-54174.
9. Peralta, A. F., Kertész, J., & Iñiguez, G. (2022). Opinion dynamics in social networks: From models to data.
arXiv preprint arXiv:2201.01322.
10. Xu, H., Xu, M., Deng, X., & Wang, B. (2025). Sentiment Diffusion in Online Social Networks: A Survey from
the Computational Perspective. ACM Computing Surveys.
11. Mujahid, Muhammad, et al. "Sentiment analysis and topic modeling on tweets about online education during
COVID-19." Applied Sciences 11.18 (2021): 8438.
12. El Alaoui, I., Gahi, Y., Messoussi, R., Chaabi, Y., Todoskoff, A., & Kobi, A. (2018). A novel adaptable
approach for sentiment analysis on big social data. Journal of Big Data, 5(1), 1-18.
13. Chakraborty, K., Bhatia, S., Bhattacharyya, S., Platos, J., Bag, R., & Hassanien, A. E. (2020). Sentiment
Analysis of COVID-19 tweets by Deep Learning Classifiers-A study to show how popularity is affecting accuracy in
social media. Applied Soft Computing, 97, 106754.
14. Zhou, Lili. Optimisation design of distance education resource recommendation system based on hierarchical
linear model. International Journal of Continuing Engineering Education and Life Long Learning 32.6 (2022): 681-698.
15. Zhou, H., Jiang, S., & Liu, X. (2021). Regression analysis of intelligent education based on linear mixed effect
model. Journal of Ambient Intelligence and Humanized Computing, 1-13.
