論文の概要: RoseMatcher: Identifying the Impact of User Reviews on App Updates
- arxiv url: http://arxiv.org/abs/2210.10223v4
- Date: Sun, 14 May 2023 09:47:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 14:15:54.168934
- Title: RoseMatcher: Identifying the Impact of User Reviews on App Updates
- Title（参考訳）: rosematcher: アプリの更新に対するユーザーレビューの影響を特定する
- Authors: Tianyang Liu, Chong Wang, Kun Huang, Peng Liang, Beiqi Zhang, Maya
Daneva, Marten van Sinderen
- Abstract要約: 私たちは、関連するユーザレビューとアプリリリースノートを一致させる新しい自動アプローチである$textitRoseMatcher$を紹介します。
Apple App Storeの5つのモバイルアプリから、944のリリースノートと1,046,862のユーザレビューを収集しました。
我々の評価によると、$textitRoseMatcher$はマッチしたペアを識別するためのヒット比0.718に達することができる。
- 参考スコア（独自算出の注目度）: 11.127775174373559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: $\textbf{Context}$: The release planning of mobile apps has become an area of
active research, with most studies centering on app analysis through release
notes in the Apple App Store and tracking user reviews via issue trackers.
However, the correlation between these release notes and user reviews in App
Store remains understudied. $\textbf{Objective}$: In this paper, we introduce
$\textit{RoseMatcher}$, a novel automatic approach to match relevant user
reviews with app release notes and identify matched pairs with high confidence.
$\textbf{Methods}$: We collected 944 release notes and 1,046,862 user reviews
from 5 mobile apps in the Apple App Store as research data to evaluate the
effectiveness and accuracy of $\textit{RoseMatcher}$, and conducted deep
content analysis on matched pairs. $\textbf{Results}$: Our evaluation shows
that $\textit{RoseMatcher}$ can reach a hit ratio of 0.718 for identifying
relevant matched pairs, and with the manual labeling and content analysis of
984 relevant pairs, we identify 8 roles that user reviews play in app updates
according to the relationship between release notes and user reviews in the
relevant matched pairs. $\textbf{Conclusions}$: Our findings indicate that both
app development teams and users pay close attention to release notes and user
reviews, with release notes typically addressing feature requests, bug reports,
and complaints, and user reviews offering positive, negative, and constructive
feedback. Overall, the study highlights the importance of the communication
between app development teams and users in the release planning of mobile apps,
with relevant reviews tending to be posed within a short period before and
after the release of release notes, with the average time interval between the
post time of release notes and user reviews being approximately one year.
- Abstract（参考訳）: $\textbf{Context}$: モバイルアプリのリリース計画が活発な研究領域となり、ほとんどの研究はApple App Storeのリリースノートによるアプリ分析とイシュートラッカによるユーザレビューの追跡に重点を置いている。
しかし、これらのリリースノートとapp storeのユーザーレビューの相関は未定である。
この論文では、関連するユーザーレビューとアプリリリースノートをマッチングし、高い信頼性を持つマッチしたペアを識別するための新しい自動アプローチである、$\textit{rosematcher}$を紹介します。
$\textbf{Methods}$: Apple App Storeの5つのモバイルアプリから、944のリリースノートと1,046,862のユーザレビューを収集して、$\textit{RoseMatcher}$の有効性と正確性を評価し、マッチしたペアに関する深いコンテンツ分析を行った。
関連したペアを識別するために$\textit{rosematcher}$が0.718のヒット率に達することを示し、984の関連ペアの手動ラベリングとコンテンツ分析を用いて、関連するマッチングペアにおけるリリースノートとユーザレビューの関係に基づいて、ユーザレビューがアプリアップデートで果たす8つの役割を識別した。
$\textbf{Conclusions}$: 私たちの調査結果は、アプリ開発チームとユーザの両方がリリースノートやユーザレビューに細心の注意を払っていることを示している。
全体として、調査は、モバイルアプリのリリース計画におけるアプリ開発チームとユーザ間のコミュニケーションの重要性を強調しており、関連するレビューはリリースノートのリリース前後の短い期間で実施され、リリースノートのポストタイムとユーザレビューの間の平均的な時間間隔は約1年である。
関連論文リスト
- Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。
アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。
本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
論文 参考訳（メタデータ） (2024-04-19T16:45:50Z) - Can GitHub Issues Help in App Review Classifications? [0.7366405857677226]
GitHubイシューから抽出した情報を活用することでラベル付きデータセットの拡張を支援する新しいアプローチを提案する。
以上の結果から,データ拡張にラベル付き問題を用いることで,F1スコアが6.3,機能要求が7.2に向上することが示された。
論文 参考訳（メタデータ） (2023-08-27T22:01:24Z) - Proactive Prioritization of App Issues via Contrastive Learning [2.6763498831034043]
本稿では,アプリの問題を積極的に優先順位付けする新しいフレームワークPPriorを提案する。
PPriorはトレーニング済みのT5モデルを採用し、3段階で動作する。
フェーズ1は、事前訓練されたT5モデルを、セルフ教師された方法でユーザレビューデータに適用する。
第2フェーズでは、コントラストトレーニングを活用して、ユーザレビューの汎用的かつタスクに依存しない表現を学習する。
論文 参考訳（メタデータ） (2023-03-12T06:23:10Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item
Recommendation [48.1799451277808]
本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。
まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。
そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
論文 参考訳（メタデータ） (2021-08-18T08:04:38Z) - TOUR: Dynamic Topic and Sentiment Analysis of User Reviews for Assisting
App Release [34.529117157417176]
TOURは、(i)アプリバージョンよりも新しいアプリの問題を検知し、要約し、(ii)アプリ機能に対するユーザー感情を特定し、(iii)開発者の検査を容易にするために重要なユーザーレビューを優先順位付けすることができる。
論文 参考訳（メタデータ） (2021-03-26T08:44:55Z) - Converse, Focus and Guess -- Towards Multi-Document Driven Dialogue [53.380996227212165]
本稿では,対話を指導することで,ユーザが興味を持っている対象文書をエージェントが推測できる,MD3(Multi-Document Driven Dialogue)を提案する。
GuessMovieには16,881の文書があり、それぞれが映画と関連する13,434の対話を記述している。
提案手法はいくつかの強力なベースライン法よりも優れており,人間の性能に非常に近い。
論文 参考訳（メタデータ） (2021-02-04T06:36:11Z) - An Empirical Study on User Reviews Targeting Mobile Apps' Security &
Privacy [1.8033500402815792]
本研究は,Google Play Storeのレビューを用いて,ユーザのプライバシとセキュリティ上の懸念について検討した。
このAndroidマーケットのトップ539アプリのレビュー220万件を分析した。
結果から、アプリ要求のパーミッション数が、この問題において主要な役割を担っていることは明らかでした。
論文 参考訳（メタデータ） (2020-10-11T02:00:36Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - Automating App Review Response Generation [67.58267006314415]
本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。
58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
論文 参考訳（メタデータ） (2020-02-10T05:23:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。