論文の概要: FeedAIde: Guiding App Users to Submit Rich Feedback Reports by Asking Context-Aware Follow-Up Questions
- arxiv url: http://arxiv.org/abs/2603.04244v1
- Date: Wed, 04 Mar 2026 16:31:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.400539
- Title: FeedAIde: Guiding App Users to Submit Rich Feedback Reports by Asking Context-Aware Follow-Up Questions
- Title（参考訳）: FeedAIde: コンテキスト対応のフォローアップ質問に対して、アプリのユーザにリッチなフィードバックレポートの提出を促す
- Authors: Ali Ebrahimi Pourasad, Meyssam Saghiri, Walid Maalej,
- Abstract要約: 本研究では,文脈認識型対話型フィードバック手法FeedAIdeを提案する。
FeedAIdeは、問題が発生したスクリーンショットなどのコンテキスト情報をキャプチャする。
適応的なフォローアップ質問に使用して、リッチなフィードバックレポートをユーザと共同で洗練する。
- 参考スコア（独自算出の注目度）: 6.85181982998051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User feedback is essential for the success of mobile apps, yet what users report and what developers need often diverge. Research shows that users often submit vague feedback and omit essential contextual details. This leads to incomplete reports and time-consuming clarification discussions. To overcome this challenge, we propose FeedAIde, a context-aware, interactive feedback approach that supports users during the reporting process by leveraging the reasoning capabilities of Multimodal Large Language Models. FeedAIde captures contextual information, such as the screenshot where the issue emerges, and uses it for adaptive follow-up questions to collaboratively refine with the user a rich feedback report that contains information relevant to developers. We implemented an iOS framework of FeedAIde and evaluated it on a gym's app with its users. Compared to the app's simple feedback form, participants rated FeedAIde as easier and more helpful for reporting feedback. An assessment by two industry experts of the resulting 54 reports showed that FeedAIde improved the quality of both bug reports and feature requests, particularly in terms of completeness. The findings of our study demonstrate the potential of context-aware, GenAI-powered feedback reporting to enhance the experience for users and increase the information value for developers.
- Abstract（参考訳）: モバイルアプリの成功にはユーザからのフィードバックが不可欠です。
調査によると、ユーザは曖昧なフィードバックを提出し、重要なコンテキストの詳細を省略することが多い。
これは不完全な報告と時間を要する明確化の議論につながります。
この課題を解決するために,マルチモーダル大規模言語モデルの推論機能を活用することで,ユーザを報告プロセス中に支援するコンテキスト認識型対話型フィードバックアプローチであるFeedAIdeを提案する。
FeedAIdeは、問題が発生したスクリーンショットなどのコンテキスト情報をキャプチャし、それを適応的なフォローアップ質問に使用して、開発者に関連する情報を含むリッチなフィードバックレポートをユーザと共同で作成する。
We implemented a iOS framework of FeedAIde and evaluation it on a gym's app with its users。
アプリのシンプルなフィードバックフォームと比較して、参加者はFeedAIdeをフィードバックを報告しやすく、より役に立つと評価した。
2人の業界専門家による54件の報告書の評価によると、FeedAIdeはバグレポートと機能要求の両方の品質を、特に完全性の観点から改善した。
本研究は, ユーザエクスペリエンスの向上と開発者の情報価値向上を目的とした, 文脈認識, GenAI によるフィードバックレポートの可能性を示すものである。
関連論文リスト
- User Feedback in Human-LLM Dialogues: A Lens to Understand Users But Noisy as a Learning Signal [59.120335322495436]
ユーザ-LLM会話ログのユーザフィードバックを分析し、そのようなフィードバックの発生時期と理由について考察する。
第2に、このような暗黙のユーザフィードバックから学習信号を抽出することについて研究する。
論文 参考訳（メタデータ） (2025-07-30T23:33:29Z) - Mobile Application Review Summarization using Chain of Density Prompting [1.90298817989995]
モバイルアプリレビューを要約するために,LLM(Large Language Models)を活用しています。
我々は、OpenAI GPT-4を誘導するために、Chain of Density(CoD)プロンプトを使用し、抽象的で、意味的に密で、容易に解釈可能な要約を生成する。
論文 参考訳（メタデータ） (2025-06-17T05:17:21Z) - Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。
本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
論文 参考訳（メタデータ） (2025-04-29T06:37:30Z) - From Voice to Value: Leveraging AI to Enhance Spoken Online Reviews on the Go [21.811104609265158]
音声入力によるレビューを提供するモバイルアプリケーションであるVocalizerを開発した。
調査の結果,AIエージェントを頻繁に利用し,レビューに詳細な情報を加えることができた。
また、インタラクティブなAI機能によって、ユーザーの自己効力感やレビューをオンラインで共有する意欲が向上することを示す。
論文 参考訳（メタデータ） (2024-12-06T21:59:47Z) - 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) - 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) - RefuteBench: Evaluating Refuting Instruction-Following for Large Language Models [17.782410287625645]
本稿では,質問応答,機械翻訳,電子メール作成などのタスクをカバーするベンチマークRefuteBenchを提案する。
評価の目的は、モデルが反響命令の形で肯定的にフィードバックを受けられるか、会話を通してユーザー要求に一貫して従えられるかを評価することである。
論文 参考訳（メタデータ） (2024-02-21T01:39:56Z) - 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) - Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。
CRS開発の主な課題を5つの方向にまとめます。
これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
論文 参考訳（メタデータ） (2021-01-23T08:53:15Z) - 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。