Exploring user retention in enhance VR: a comprehensive analysis using predictive models and clustering

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Odizzio, Catalina
• dc.contributor.author Pissinis, Agostina
• dc.date.accessioned 2023-11-22T16:45:58Z
• dc.date.available 2023-11-22T16:45:58Z
• dc.date.issued 2023-07
• dc.description Treball fi de màster de: Master's Degree in Data Science: Data Science for Decision Making Program. Curs 2022-2023ca
• dc.description Tutors: Hannes Mueller i Jesús Cerquides
• dc.description.abstract This study delves into understanding and predicting user engagement in Enhance VR, a virtual reality cognitive training application, through data-driven approaches. The dataset encompasses de-identified user data including demographic characteristics, mood and session related variables. Initial data exploration involves descriptive statistics, data visualization, and inferential statistics, assessing correlations between attributes and their effects on engagement and performance. Machine learning models including Random Forests and Gradient Boosting are developed to predict user engagement levels. K-Prototypes clustering is employed for segmentation, identifying distinct user groups based on behavioral and demographic attributes. This research informs the strategic design and content delivery of Enhance VR by identifying distinct user groups and predicting engagement patterns.ca
• dc.description.abstract Este estudio profundiza en la comprensión y predicción del compromiso del usuario en Enhance VR, una aplicación de entrenamiento cognitivo de realidad virtual, a través de un enfoque basado en datos. El conjunto de datos abarca usuarios no identificados, incluyendo características demográficas, de ánimo y relacionadas con sesiones. La exploración inicial de datos comprende estadísticas descriptivas, visualizaciones y estadísticas inferenciales, evaluando correlaciones entre atributos y sus efectos en el compromiso y rendimiento. Se desarrollan modelos de aprendizaje automático, Random Forest y Gradient Boosting entre otros, para predecir el nivel de compromiso del usuario. Empleamos K-Prototypes para la segmentación, identificando grupos distintos de usuarios basados en atributos conductuales y demográficos. Esta investigación informa el diseño estratégico y la entrega de contenido de Enhance VR al identificar distintos grupos de usuarios y predecir patrones de compromiso.
• dc.format.mimetype application/pdf*
• dc.identifier.uri http://hdl.handle.net/10230/58358
• dc.language.iso engca
• dc.rights This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International Licenseca
• dc.rights.accessRights info:eu-repo/semantics/openAccessca
• dc.rights.uri https://creativecommons.org/licenses/by-nc-nd/4.0ca
• dc.subject.keyword Predictive modeling
• dc.subject.keyword Machine learning
• dc.subject.keyword User segmentation
• dc.subject.keyword Modelado predictivo
• dc.subject.keyword Aprendizaje automático
• dc.subject.keyword Segmentación de usuarios
• dc.subject.other Treball de fi de màster – Curs 2022-2023ca
• dc.title Exploring user retention in enhance VR: a comprehensive analysis using predictive models and clusteringca
• dc.type info:eu-repo/semantics/masterThesisca