Analysis of Behavioral Factors and Motivations Affecting Microtransaction Decision-Making Among University Students Using the CatBoost Algorithm
Keywords:
Online Gaming Platform, Microtransaction, Machine Learning, CatBoostAbstract
This research aims to analyze the behavioral and motivational factors influencing microtransactions or in-game purchases on online gaming platforms among university students, as well as to evaluate the performance of the CatBoost model. The data collection instrument was a questionnaire comprising five key sections: gaming behavior characteristics, behavioral and motivational rating scales, economic decision-making, additional quantitative data, and satisfaction with in-game top-ups. The experimental results, evaluated through cross-validation and a confusion matrix, demonstrated that the CatBoost model achieved 93.13% accuracy, 93.75% sensitivity, 92.50% specificity, and an F1-score of 93.17%. These findings indicate that integrating behavioral and motivational factors with the CatBoost model provides a viable alternative for classifying microtransactions on online gaming platforms.
References
[1] ไตรภพ คำสัตย์ และ สิทธิชัย ฝรั่งทอง, “ส่วนประสมทางการตลาดที่ผู้เล่นเกมออนไลน์ใช้ตัดสินใจซื้อเกมออนไลน์,” วารสารวิทยาการจัดการ มหาวิทยาลัยราชภัฏธนบุรี, ปีที่ 5, ฉบับที่ 1, หน้า 18-31, 2566. [ออนไลน์]. Available: https://so10.tci-thaijo.org/index.php/msdru/article/view/545
[2] พิมลพรรณ บุญยะเสนา และ สุขุม พันธุ์ณรงค์, “การวิเคราะห์พฤติกรรมการใช้จ่ายเงินของเด็กและเยาวชนที่ติดเกมส์: กรณีศึกษาเยาวชนในพื้นที่จังหวัดเชียงใหม่และลำพูน,” วารสารศรีนครินทรวิโรฒวิจัยและพัฒนา (สาขามนุษยศาสตร์และสังคมศาสตร์), ปีที่ 3, ฉบับที่ 5, หน้า 51-62, 2554. [ออนไลน์]. Available: https://so04.tci-thaijo.org/index.php/swurd/article/view/32573
[3] ธวัชชัย เอกสันติ, “เกมออนไลน์กับเด็กและเยาวชนไทย,” วารสารวิจัยสาธารณสุขศาสตร์ มหาวิทยาลัยขอนแก่น, ปีที่ 3, ฉบับที่ 3, หน้า 93-100, 2553. [ออนไลน์]. Available: https://he01.tci-thaijo.org/index.php/kkujphr/article/view/118825
[4] ฌายิน หนูฤทธิ์ และ วศินี หนุนภักดี, “ปัจจัยที่ส่งผลต่อความตั้งใจซื้อแบทเทิลพาสเพื่อบริโภคสินค้าเสมือนในเกมออนไลน์,” The Journal of Design, Management and Technology Innovation, ปีที่ 1, ฉบับที่ 1, หน้า 29-38, 2566. [ออนไลน์]. Available: https://so07.tci-thaijo.org/index.php/innovation/article/view/2464
[5] ณัฐวุฒิ แถมเงิน และคณะ, “การเรียนรู้ของเครื่องเพื่อทำนายระดับความรุนแรงของความผิดปกติของความยืดหยุ่นปอดของพนักงานโรงงาน,” วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, ปีที่ 43, ฉบับที่ 2, หน้า 84-95, 2567. [ออนไลน์]. Available: https://li01.tci-thaijo.org/index.php/scimsujournal/article/view/259404
[6] ชัชวาลย์ ศรีมนตรี และ ธนรัฐ โชติพันธ์, “การพัฒนาแบบจำลองการเรียนรู้ของเครื่องแบบบูสติ้งเพื่อจำแนกโรคเบาหวานขึ้นจอประสาทตาโดยใช้คุณสมบัติซีมเล็ตเวฟเลตส์,” วารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม มหาวิทยาลัยกาฬสินธุ์, ปีที่ 5, ฉบับที่ 1, หน้า 44-60, 2569. [ออนไลน์]. Available: https://li01.tci-thaijo.org/index.php/sci_01/article/view/270174. DOI: 10.14456/ksti.2026.4.
[7] J. Lin, “Application of machine learning in predicting consumer behavior and precision marketing,” PLOS ONE, vol. 20, no. 5, Art. no. e0321854, 2025. DOI: 10.1371/journal.pone.0321854.
[8] D. Liu, H. Huang, H. Zhang, X. Luo, and Z. Fan, “Enhancing customer behavior prediction in e-commerce: A comparative analysis of machine learning and deep learning models,” Applied and Computational Engineering, vol. 55, pp. 181-195, 2024. DOI: 10.54254/2755-2721/55/20241475.
[9] R. Sifa, F. Hadiji, J. Runge, A. Drachen, K. Kersting, and C. Bauckhage, “Predicting purchase decisions in mobile free-to-play games,” in Proceedings of the Eleventh AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (AIIDE-15), Santa Cruz, CA, USA, 2015, vol. 11, no. 1, pp. 79-85. DOI: 10.1609/aiide.v11i1.12788.
[10] M. S. Azad, S. S. Khan, R. Hossain, R. Rahman, and S. Momen, “Predictive modeling of consumer purchase behavior on social media: Integrating theory of planned behavior and machine learning for actionable insights,” PLOS ONE, vol. 18, no. 12, Art. no. e0296336, 2023. DOI: 10.1371/journal.pone.0296336.
[11] E. Deniz and S. Çökekoğlu Bülbül, “Predicting customer purchase behavior using machine learning models,” Information Technology in Economics and Business, vol. 1, no. 1, pp. 1-6, 2024. DOI: 10.69882/adba.iteb.2024071.
[12] L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, “CatBoost: Unbiased boosting with categorical features,” in Advances in Neural Information Processing Systems 31 (NeurIPS 2018), Montréal, Canada, 2018, pp. 6639-6649. https://proceedings.neurips.cc/paper/2018/hash/14491b756b3a51daac41c24863285549-Abstract.html
[13] R. Kohavi, “A study of cross-validation and bootstrap for accuracy estimation and model selection,” in Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI), Montreal, Quebec, Canada: Morgan Kaufmann, 1995, pp. 1137-1143. https://www.ijcai.org/Proceedings/95-2/Papers/016.pdf
[14] อนุพงศ์ สุขประเสริฐ, คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio, พิมพ์ครั้งที่ 4, มหาสารคาม: สาขาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ สำนักพิมพ์มหาวิทยาลัยมหาสารคาม, 2564. หน้า 245-252.
Downloads
Published
How to Cite
Issue
Section
Categories
License
Copyright (c) 2026 Journal of Engineering and Industrial Technology, Kalasin University
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ของวารสาร
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นลิขสิทธิ์ของวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารศูนย์ดัชนีการอ้างอิงวารสารไทยก่อนเท่านั้น
