論文の概要: The use of new technologies to support Public Administration. Sentiment
analysis and the case of the app IO
- arxiv url: http://arxiv.org/abs/2301.03848v1
- Date: Tue, 10 Jan 2023 08:41:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 17:04:05.044181
- Title: The use of new technologies to support Public Administration. Sentiment
analysis and the case of the app IO
- Title(参考訳): 行政を支えるために新しい技術を使うこと。
感情分析とapp ioの場合
- Authors: Vincenzo Miracula and Antonio Picone
- Abstract要約: App IOは、イタリアのPA向けに開発されたアプリである。市民がPAと対話し、まだデジタル化されていないサービスを得るのに役立つ。
市民からは好意的に認められず、批判されている。
こうした悪いレビューの根源を見つけたかったので、カスタムコードの自動ツールを使ってモバイルアプリストアからフィードバックを取り除きました。
悪いレビューの原因を理解するために、感情分析と感情検出の両方を実行するために、2つの機械学習モデルをトレーニングしました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: App IO is an app developed for the Italian PA. It is definitely useful for
citizens to interact with the PA and to get services that were not digitized
yet. Nevertheless, it was not perceived in a good way by the citizens and it
has been criticized. As we wanted to find the root that caused all these bad
reviews we scraped feedback from mobile app stores using custom-coded automated
tools and - after that - we trained two machine learning models to perform both
sentiment analysis and emotion detection to understand what caused the bad
reviews.
- Abstract(参考訳): App IOはイタリアのPA向けに開発されたアプリだ。
市民がPAと対話し、まだデジタル化されていないサービスを入手することは、間違いなく有用である。
しかし、市民からは好意的な評価を受けておらず、批判されている。
これらの悪いレビューの原因を探すために、私たちはモバイルアプリストアからのフィードバックをカスタムコード化された自動化ツールを使って取り上げ、その後、悪いレビューの原因を理解するために感情分析と感情検出の両方を実行するために2つの機械学習モデルをトレーニングしました。
関連論文リスト
- Revisiting Android App Categorization [5.805764439228492]
そこで本研究では,既存のAndroidアプリのカテゴリ化アプローチを,新たな基盤構造データセットを用いて包括的に評価する。
本稿では,記述に基づく手法とAPKに基づく手法の両方において,既存の手法の性能を効果的に上回る2つの革新的な手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T08:25:34Z) - Explanation Needs in App Reviews: Taxonomy and Automated Detection [2.545133021829296]
アプリレビューでユーザによって表現される説明の必要性について検討する。
8つのアプリから1,730のアプリレビューを手作業でコーディングし、説明要求の分類を導きました。
ベスト分類器は、4つの異なるアプリの486種類の説明の必要性を認識し、重み付けされたFスコアは86%である。
論文 参考訳(メタデータ) (2023-07-10T06:48:01Z) - User Driven Functionality Deletion for Mobile Apps [10.81190733388406]
機能を増やしてソフトウェアを進化させるのは理解が難しく、使うのが難しくなります。
機能が多すぎると、使いやすさ、保守性、リソース消費に簡単に影響を与えます。
以前の研究によると、機能の削除は一般的であり、時にはユーザレビューによって引き起こされる。
論文 参考訳(メタデータ) (2023-05-30T19:56:54Z) - What Do End-Users Really Want? Investigation of Human-Centered XAI for
Mobile Health Apps [69.53730499849023]
説明可能なAI(XAI)を評価するために,ユーザ中心のペルソナ概念を提案する。
分析の結果,ユーザの人口統計や性格,説明のタイプ,影響説明の嗜好が示された。
私たちの洞察は、対話的で人間中心のXAIを実践的な応用に近づけます。
論文 参考訳(メタデータ) (2022-10-07T12:51:27Z) - 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) - Projection Mapping Implementation: Enabling Direct Externalization of
Perception Results and Action Intent to Improve Robot Explainability [62.03014078810652]
既存の非言語的手がかり、例えば目視や腕の動きに関する研究は、ロボットの内部状態を正確に示さないかもしれない。
状態をロボットの動作環境に直接投影することは、直接的で正確でより健全であるという利点がある。
論文 参考訳(メタデータ) (2020-10-05T18:16:20Z) - 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) - Mind the GAP: Security & Privacy Risks of Contact Tracing Apps [75.7995398006171]
GoogleとAppleは共同で,Bluetooth Low Energyを使用した分散型コントラクトトレースアプリを実装するための公開通知APIを提供している。
実世界のシナリオでは、GAP設計は(i)プロファイリングに脆弱で、(ii)偽の連絡先を生成できるリレーベースのワームホール攻撃に弱いことを実証する。
論文 参考訳(メタデータ) (2020-06-10T16:05:05Z) - 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) - IART: Intent-aware Response Ranking with Transformers in
Information-seeking Conversation Systems [80.0781718687327]
我々は、情報探索会話におけるユーザ意図パターンを分析し、意図認識型ニューラルレスポンスランキングモデル「IART」を提案する。
IARTは、ユーザ意図モデリングと言語表現学習とTransformerアーキテクチャの統合の上に構築されている。
論文 参考訳(メタデータ) (2020-02-03T05:59:52Z)
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。