論文の概要: Banking on Feedback: Text Analysis of Mobile Banking iOS and Google App Reviews

• arxiv url: http://arxiv.org/abs/2503.11861v1
• Date: Fri, 14 Mar 2025 20:41:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:44.797226
• Title: Banking on Feedback: Text Analysis of Mobile Banking iOS and Google App Reviews
• Title（参考訳）: Banking on Feedback: モバイルバンキングiOSとGoogle Appレビューのテキスト分析
• Authors: Yekta Amirkhalili, Ho Yi Wong,
• Abstract要約: この研究は、Google PlayとiOS Appストアから収集された5つの主要なカナダの銀行からのm-bankingアプリの消費者レビューを分析した。 肯定的なレビューはユーザビリティ、信頼性、特徴を称賛する一方で、否定的なレビューはログインの問題、不具合、更新に対する不満を指摘した。 発見は、ユーザフレンドリなデザイン、安定したアップデート、より良いカスタマーサービスの重要性を浮き彫りにする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The rapid growth of mobile banking (m-banking), especially after the COVID-19 pandemic, has reshaped the financial sector. This study analyzes consumer reviews of m-banking apps from five major Canadian banks, collected from Google Play and iOS App stores. Sentiment analysis and topic modeling classify reviews as positive, neutral, or negative, highlighting user preferences and areas for improvement. Data pre-processing was performed with NLTK, a Python language processing tool, and topic modeling used Latent Dirichlet Allocation (LDA). Sentiment analysis compared methods, with Long Short-Term Memory (LSTM) achieving 82\% accuracy for iOS reviews and Multinomial Naive Bayes 77\% for Google Play. Positive reviews praised usability, reliability, and features, while negative reviews identified login issues, glitches, and dissatisfaction with updates.This is the first study to analyze both iOS and Google Play m-banking app reviews, offering insights into app strengths and weaknesses. Findings underscore the importance of user-friendly designs, stable updates, and better customer service. Advanced text analytics provide actionable recommendations for improving user satisfaction and experience.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミック以降、モバイルバンキング(m-banking)の急速な成長が金融セクターを変革させた。 この研究は、Google PlayとiOS Appストアから収集された5つの主要なカナダの銀行からのm-bankingアプリの消費者レビューを分析した。 感情分析とトピックモデリングは、レビューを肯定的、中立的、あるいは否定的なものに分類し、ユーザの好みと改善の領域を強調します。 データ前処理はPythonの言語処理ツールであるNLTKとLatent Dirichlet Allocation (LDA)を使用して行われた。 iOSのレビューではLong Short-Term Memory(LSTM)が82倍の精度で、Google PlayではMultinomial Naive Baysが77倍の精度で評価されている。 ポジティブなレビューはユーザビリティ、信頼性、特徴を称賛する一方で、ネガティブなレビューはログインの問題、不具合、アップデートに対する不満を指摘した。今回はiOSとGoogle Playの両方のm-bankingアプリのレビューを分析し、アプリの強みと弱点に関する洞察を提供する最初の研究だ。 発見は、ユーザフレンドリなデザイン、安定したアップデート、より良いカスタマーサービスの重要性を浮き彫りにする。 高度なテキスト分析は、ユーザの満足度とエクスペリエンスを改善するために実行可能なレコメンデーションを提供する。

関連論文リスト

• Prioritizing App Reviews for Developer Responses on Google Play [1.5771347525430772]
  2013年以降、Google Playは開発者がユーザーレビューに応答できるようにしてきた。 13%から18%の開発者がこのプラクティスに従事しています。 応答優先度に基づいてレビューを優先順位付けする手法を提案する。
  論文  参考訳（メタデータ） (2025-02-03T16:56:08Z)
• Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
  本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。 我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T03:43:33Z)
• 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)
• 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)
• On the Robustness of ChatGPT: An Adversarial and Out-of-distribution Perspective [67.98821225810204]
  本研究は,ChatGPTの頑健性について,敵対的視点とアウト・オブ・ディストリビューションの観点から評価する。 その結果,ほとんどの対人・OOD分類・翻訳作業において一貫した優位性を示した。 ChatGPTは対話関連テキストの理解において驚くべきパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-02-22T11:01:20Z)
• Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions [60.87845704495664]
  本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。 ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。 以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-08T00:43:36Z)
• SentiLSTM: A Deep Learning Approach for Sentiment Analysis of Restaurant Reviews [13.018530502810128]
  本稿では,レストランのクライアントが提供したレビューを肯定的,否定的な極性に分類する深層学習技術(BiLSTM)を提案する。 テストデータセットの評価の結果、BiLSTM技術は91.35%の精度で生成された。
  論文  参考訳（メタデータ） (2020-11-19T06:24:42Z)
• 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)
• 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。