論文の概要: On the Automated Processing of User Feedback

• arxiv url: http://arxiv.org/abs/2407.15519v1
• Date: Mon, 22 Jul 2024 10:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 15:21:11.559815
• Title: On the Automated Processing of User Feedback
• Title（参考訳）: ユーザフィードバックの自動処理について
• Authors: Walid Maalej, Volodymyr Biryuk, Jialiang Wei, Fabian Panse,
• Abstract要約: ユーザフィードバックは、要件エンジニアリング、ユーザインターフェース設計、ソフトウェアエンジニアリングにとって、ますます重要な情報ソースとなります。 フィードバックの可能性を最大限に活用するためには、解決すべき主な課題が2つあります。 ベンダーは大量のフィードバックデータに対処しなければならない。 第二に、ベンダーはさまざまなフィードバックの質に対処しなければならない。
• 参考スコア（独自算出の注目度）: 7.229732269884235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User feedback is becoming an increasingly important source of information for requirements engineering, user interface design, and software engineering in general. Nowadays, user feedback is largely available and easily accessible in social media, product forums, or app stores. Over the last decade, research has shown that user feedback can help software teams: a) better understand how users are actually using specific product features and components, b) faster identify, reproduce, and fix defects, and b) get inspirations for improvements or new features. However, to tap the full potential of feedback, there are two main challenges that need to be solved. First, software vendors must cope with a large quantity of feedback data, which is hard to manage manually. Second, vendors must also cope with a varying quality of feedback as some items might be uninformative, repetitive, or simply wrong. This chapter summarises and pipelines various data mining, machine learning, and natural language processing techniques, including recent Large Language Models, to cope with the quantity and quality challenges. We guide researchers and practitioners through implementing effective, actionable analysis of user feedback for software and requirements engineering.
• Abstract（参考訳）: ユーザからのフィードバックは,要件エンジニアリングやユーザインターフェース設計,ソフトウェアエンジニアリング全般において,ますます重要な情報ソースになりつつある。 現在では、ソーシャルメディア、製品フォーラム、アプリストアで、ユーザからのフィードバックがほとんど利用でき、簡単にアクセスできるようになっている。 過去10年間で、ユーザーからのフィードバックがソフトウェアチームに役立つことが研究で示されている。 a) ユーザが特定の製品機能やコンポーネントを実際にどのように使っているかをよりよく理解する。 b) 欠陥を迅速に識別し、再生し、修正し、 b) 改善や新機能に対するインスピレーションを得る。 しかし、フィードバックの可能性を最大限に活用するためには、解決すべき主な課題が2つあります。 まず、ソフトウェアベンダは大量のフィードバックデータに対処しなければなりません。 第二に、ベンダーはさまざまなフィードバックの質に対処しなければならない。 この章は、さまざまなデータマイニング、機械学習、および最近のLarge Language Modelsを含む自然言語処理技術をまとめてパイプライン化し、量と品質の課題に対処します。 我々は,ソフトウェアや要件工学のユーザフィードバックを効果的かつ実効的に分析することで,研究者や実践者を指導する。

関連論文リスト

• AllHands: Ask Me Anything on Large-scale Verbatim Feedback via Large Language Models [34.82568259708465]
  Allhandsは、自然言語インタフェースによる大規模なフィードバック分析のために設計された革新的な分析フレームワークである。 LLMは、精度、堅牢性、一般化、ユーザフレンドリー性を高める大きな言語モデルである。 Allhandsは、テキスト、コード、テーブル、イメージを含む、包括的なマルチモーダルレスポンスを提供する。
  論文  参考訳（メタデータ） (2024-03-22T12:13:16Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [50.067342343957876]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Extracting Self-Consistent Causal Insights from Users Feedback with LLMs and In-context Learning [11.609805521822878]
  Microsoft Windows Feedback Hubは、パワーやバッテリなどの重要なトピックを含む、幅広い分野の顧客からのフィードバックを受け取るように設計されている。 ユーザのフィードバックをテレメトリ信号に関連付けるために,Double Machine Learning(DML)を活用している。 私たちのアプローチでは、既知の問題を抽出し、新しいバグを発見し、バグにつながるイベントのシーケンスを特定できます。
  論文  参考訳（メタデータ） (2023-12-11T20:12:46Z)
• Inclusiveness Matters: A Large-Scale Analysis of User Feedback [7.8788463395442045]
  Reddit、Google Play Store、Twitterの3つの人気オンラインソースからのユーザーフィードバックを、世界で最も人気のあるアプリ50に活用しています。 社会・技術基盤理論のアプローチを用いて,3つの情報源にまたがる23,107の投稿を分析し,1,211の包括性関連投稿を同定した。 本研究は、最も人気のあるアプリやオンラインソースからの包括性に関するユーザフィードバックを詳細に分析する。
  論文  参考訳（メタデータ） (2023-11-02T04:05:46Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• Mining Reddit Data to Elicit Students' Requirements During COVID-19 Pandemic [2.5475486924467075]
  本稿では,問題自体に関するフィードバックの収集に焦点をあてて,要件適用のシフトを提案する。 高等教育機関における新型コロナウイルスパンデミック時の学生要件に関するケーススタディを行った。 要求文を識別するために,複数の機械学習と自然言語処理技術を用いた。
  論文  参考訳（メタデータ） (2023-07-26T14:26:16Z)
• A large language model-assisted education tool to provide feedback on open-ended responses [2.624902795082451]
  本稿では,大規模言語モデル (LLM) をインストラクター定義基準でガイドし,オープンエンド質問に対する応答を自動化するツールを提案する。 本ツールでは,素早いパーソナライズされたフィードバックを提供することで,学生が知識を迅速にテストし,改善すべき領域を特定できる。
  論文  参考訳（メタデータ） (2023-07-25T19:49:55Z)
• Continually Improving Extractive QA via Human Feedback [59.49549491725224]
  本研究では,人間のフィードバックによる抽出質問応答(QA)システムの改善を継続的に進める。 多様な設定の下で何千ものユーザインタラクションを含む実験を行い、時間とともにフィードバックからの学習の理解を広げます。
  論文  参考訳（メタデータ） (2023-05-21T14:35:32Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)

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。