論文の概要: Continuous Experimentation and Human Factors An Exploratory Study
- arxiv url: http://arxiv.org/abs/2311.00560v1
- Date: Wed, 1 Nov 2023 14:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 13:15:57.760688
- Title: Continuous Experimentation and Human Factors An Exploratory Study
- Title（参考訳）: 連続実験と人的要因の探索的研究
- Authors: Amna Pir Muhammad, Eric Knauss, Jonas B\"argman, and Alessia Knauss
- Abstract要約: ツールやシステムの成功は、ユーザのニーズと期待を満たす能力に大きく依存しています。
ユーザ中心の設計アプローチは、ヒューマンファクターに焦点をあてて、開発プロセスにおけるヒューマン要素の優先順位付けによって注目を集めている。
- 参考スコア（独自算出の注目度）: 4.419836325434071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In todays rapidly evolving technological landscape, the success of tools and
systems relies heavily on their ability to meet the needs and expectations of
users. User-centered design approaches, with a focus on human factors, have
gained increasing attention as they prioritize the human element in the
development process. With the increasing complexity of software-based systems,
companies are adopting agile development methodologies and emphasizing
continuous software experimentation. However, there is limited knowledge on how
to effectively execute continuous experimentation with respect to human factors
within this context. This research paper presents an exploratory qualitative
study for integrating human factors in continuous experimentation, aiming to
uncover distinctive characteristics of human factors and continuous software
experiments, practical challenges for integrating human factors in continuous
software experiments, and best practices associated with the management of
continuous human factors experimentation.
- Abstract（参考訳）: 今日の急速に発展する技術的状況において、ツールやシステムの成功は、ユーザのニーズや期待に応える能力に大きく依存している。
ユーザ中心のデザインアプローチは、人的要因に注目して、開発プロセスにおいて人的要素を優先するものとして注目を集めています。
ソフトウェアベースのシステムの複雑さが増す中、企業はアジャイル開発方法論を採用し、継続的なソフトウェア実験を強調している。
しかしながら、この文脈における人間的要因に関して、継続的な実験を効果的に実行する方法についての知識は限られている。
本研究では,連続実験における人的要因の統合に関する探索的定性的研究を行い,人的要因と連続ソフトウェア実験の特徴を明らかにすること,連続ソフトウェア実験における人的要因の統合に関する実践的課題,連続人的因子実験の管理に関するベストプラクティスについて述べる。
関連論文リスト
- Unveiling the Role of Expert Guidance: A Comparative Analysis of User-centered Imitation Learning and Traditional Reinforcement Learning [0.0]
本研究では,従来の強化学習法と比較して,模倣学習の性能,堅牢性,限界について検討する。
この研究から得られた洞察は、人間中心の人工知能の進歩に寄与する。
論文 参考訳（メタデータ） (2024-10-28T18:07:44Z) - ConSiDERS-The-Human Evaluation Framework: Rethinking Human Evaluation for Generative Large Language Models [53.00812898384698]
生成型大規模言語モデル(LLM)の人間による評価は多分野にわたる作業であるべきだと論じる。
認知バイアスが、流動的な情報や真理をいかに説明するか、そして、認識の不確実性が、Likertのような評価スコアの信頼性にどのように影響するかを強調します。
本稿では,ConSiDERS-The-Human評価フレームワークを提案する。一貫性,スコーリング基準,差別化,ユーザエクスペリエンス,責任,スケーラビリティの6つの柱からなる。
論文 参考訳（メタデータ） (2024-05-28T22:45:28Z) - Developing and Evaluating a Design Method for Positive Artificial
Intelligence [0.6138671548064356]
AI for Good"の開発は、複雑な人間の価値とシステムの整合性に関する課題を提起する。
本稿では,このギャップに対処するPositive AI設計手法を提示し,評価する。
この方法は、幸福な願望を具体的な実践に翻訳する人間中心のプロセスを提供する。
論文 参考訳（メタデータ） (2024-02-02T15:31:08Z) - Interactive Multi-Objective Evolutionary Optimization of Software
Architectures [0.0]
人間をループに入れることで、検索ベースのソフトウェアエンジニアリング分野に新たな課題がもたらされる。
本稿では,人間の判断を探索プロセスに統合するための基礎として,インタラクティブな進化的計算がいかに役立つかを考察する。
論文 参考訳（メタデータ） (2024-01-08T19:15:40Z) - BO-Muse: A human expert and AI teaming framework for accelerated
experimental design [58.61002520273518]
我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。
我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
論文 参考訳（メタデータ） (2023-03-03T02:56:05Z) - A Domain-Agnostic Approach for Characterization of Lifelong Learning
Systems [128.63953314853327]
「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。
この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
論文 参考訳（メタデータ） (2023-01-18T21:58:54Z) - Taxonomy of A Decision Support System for Adaptive Experimental Design
in Field Robotics [19.474298062145003]
本研究では,人間の意思決定能力を増幅し,フィールド実験における意思決定の原則を実現するための意思決定支援システム(DSS)を提案する。
我々は、人工知能とインテリジェントDSSを含む研究を含むDSS文献の事例と傾向を用いて、分類学を構築し、提示する。
論文 参考訳（メタデータ） (2022-10-15T23:28:30Z) - L2Explorer: A Lifelong Reinforcement Learning Assessment Environment [49.40779372040652]
強化学習ソリューションは、トレーニングされたデータ配布以外の新しいタスクに晒されると、あまり一般化しない傾向があります。
生涯学習エクスプローラー(L2Explorer)を用いた継続的強化学習開発と評価のための枠組みを導入する。
L2Explorerは新しいUnityベースのファーストパーソンな3D探索環境で、複雑な評価カリキュラムに構造化されたタスクやタスクのバリエーションを生成するために継続的に再構成することができる。
論文 参考訳（メタデータ） (2022-03-14T19:20:26Z) - Lifelong Learning Metrics [63.8376359764052]
DARPA Lifelong Learning Machines (L2M) プログラムは、人工知能(AI)システムの進歩を目指している。
本論文は、生涯学習シナリオを実行するエージェントのパフォーマンスの構築と特徴付けのためのフォーマリズムを概説する。
論文 参考訳（メタデータ） (2022-01-20T16:29:14Z) - Assessing Human Interaction in Virtual Reality With Continually Learning
Prediction Agents Based on Reinforcement Learning Algorithms: A Pilot Study [6.076137037890219]
本研究では,人間と学習の継続する予測エージェントの相互作用が,エージェントの能力の発達とともにどのように発達するかを検討する。
我々は、強化学習(RL)アルゴリズムから学習した予測が人間の予測を増大させる仮想現実環境と時間ベースの予測タスクを開発する。
以上の結果から,人的信頼はエージェントとの早期の相互作用に影響され,信頼が戦略的行動に影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2021-12-14T22:46:44Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳（メタデータ） (2021-06-10T15:49:58Z)
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。