論文の概要: LikeThis! Empowering App Users to Submit UI Improvement Suggestions Instead of Complaints
- arxiv url: http://arxiv.org/abs/2603.04245v1
- Date: Wed, 04 Mar 2026 16:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.401377
- Title: LikeThis! Empowering App Users to Submit UI Improvement Suggestions Instead of Complaints
- Title（参考訳）: アプリのユーザーに対して、不満ではなくUIの改善提案を提出する権限を与える
- Authors: Jialiang Wei, Ali Ebrahimi Pourasad, Walid Maalej,
- Abstract要約: 我々は、GenAIベースのアプローチであるLikeThis!を提案し、対応するスクリーンショットでユーザコメントを取り、即座に複数の改善代替案を生成する。
その結果、私たちのアプローチはユーザーと開発者の双方からより良いフィードバックを得るのに役立ちます。
- 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 crucial for the evolution of mobile apps. However, research suggests that users tend to submit uninformative, vague, or destructive feedback. Unlike recent AI4SE approaches that focus on generating code and other development artifacts, our work aims at empowering users to submit better and more constructive UI feedback with concrete suggestions on how to improve the app. We propose LikeThis!, a GenAI-based approach that takes a user comment with the corresponding screenshot to immediately generate multiple improvement alternatives, from which the user can easily choose their preferred option. To evaluate LikeThis!, we first conducted a model benchmarking study based on a public dataset of carefully critiqued UI designs. The results show that GPT-Image-1 significantly outperformed three other state-of-the-art image generation models in improving the designs to address UI issues while keeping the fidelity and without introducing new issues. An intermediate step in LikeThis! is to generate a solution specification before sketching the design as a key to achieving effective improvement. Second, we conducted a user study with 10 production apps, where 15 users used LikeThis! to submit their feedback on encountered issues. Later, the developers of the apps assessed the understandability and actionability of the feedback with and without generated improvements. The results show that our approach helps generate better feedback from both user and developer perspectives, paving the way for AI-assisted user-developer collaboration.
- Abstract（参考訳）: モバイルアプリの進化にはユーザからのフィードバックが不可欠だ。
しかし、調査によると、ユーザーは非形式的、曖昧、あるいは破壊的なフィードバックを提出する傾向がある。
コードやその他の開発成果物の生成に重点を置く最近のAI4SEアプローチとは異なり、当社の作業は、ユーザに対して、アプリの改善方法に関する具体的な提案で、より優れた、より建設的なUIフィードバックを送信できるようにすることを目的としています。
我々は、GenAIベースのアプローチであるLikeThis!を提案する。これは、ユーザコメントを対応するスクリーンショットで受け取り、即座に複数の改善代替案を生成し、ユーザが好みの選択肢を簡単に選択できる。
LikeThis!を評価するために、我々はまず、慎重に批判されたUIデザインのパブリックデータセットに基づいたモデルベンチマーク研究を行った。
その結果、GPT-Image-1は、UI問題に対処する設計を改善しつつ、新しい問題を導入せずに、他の3つの最先端画像生成モデルよりも大幅に優れていた。
LikeThis!の中間ステップは、効果的な改善を達成するための鍵として設計をスケッチする前に、ソリューション仕様を生成することです。
第2に、私たちは10の本番アプリを使ってユーザスタディを実施し、15人のユーザが遭遇した問題に対するフィードバックを送信するためにLikeThis!を使っていました。
その後、アプリの開発者は、フィードバックの理解可能性と実行可能性を評価した。
その結果、私たちのアプローチはユーザーと開発者の両方の視点からフィードバックを得るのに役立ち、AIによるユーザと開発者間のコラボレーションの道を開くことが示されています。
関連論文リスト
- Improving User Interface Generation Models from Designer Feedback [9.027073356362182]
UI生成のパフォーマンス向上には,デザイナからのフィードバックが不可欠だ。
評価やランキングに基づく既存の手法は,設計者の理屈とよく一致していないことがわかった。
論文 参考訳（メタデータ） (2025-09-20T19:02:53Z) - RecGPT Technical Report [57.84251629878726]
本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。
RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。
オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-07-30T17:55:06Z) - Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling [3.847929624516339]
Lookalikeアルゴリズムは、ルックalikeユーザに基づいた新しいアイテムに対するフィードバックを拡張することで、有望なソリューションを提供する。
本稿では,次世代ユーザモデリングによるコールドスタート推薦を向上するための新しいフレームワークであるNext-User Retrievalを提案する。
本手法は,Douyinの日次アクティブユーザー数が0.0142%,+0.1144%増加し,大幅な改善を実現している。
論文 参考訳（メタデータ） (2025-06-18T08:42:01Z) - What Users Value and Critique: Large-Scale Analysis of User Feedback on AI-Powered Mobile Apps [2.352412885878654]
本稿では,AIを活用したモバイルアプリにおけるユーザフィードバックに関する総合的かつ大規模な研究について紹介する。
私たちは、14カテゴリにわたる292のAI駆動アプリのキュレートされたデータセットを活用し、Google Playから894KのAI固有のレビューを取得しています。
私たちのパイプラインは、ひとつの機能による満足度と、同じレビュー内で別の機能に対するフラストレーションの両方を表面化しています。
論文 参考訳（メタデータ） (2025-06-12T14:56:52Z) - Do MLLMs Capture How Interfaces Guide User Behavior? A Benchmark for Multimodal UI/UX Design Understanding [45.81445929920235]
WeserUI-Benchは、モデルによるUI/UX設計のマルチモーダル理解を評価するための新しいベンチマークである。
現実世界のUIイメージペアは300種類あり、それぞれが実際の企業によって大規模にテストされた2つの設計版A/Bで構成されている。
このベンチマークでは,(1)A/Bテストで検証された勝者を予測することで,より効果的なUI/UX設計を選択すること,(2)モデルの勝者が,専門家の推論に従って,その有効性を説明することができること,の2つのコアタスクをサポートする。
論文 参考訳（メタデータ） (2025-05-08T08:00:32Z) - 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) - Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳（メタデータ） (2025-02-05T17:14:45Z) - 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) - Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳（メタデータ） (2024-06-24T17:19:34Z) - Identifying User Goals from UI Trajectories [19.492331502146886]
観測されたUI軌道からタスク目標を識別する手法を提案する。
また,2つの意図記述をパラフレーズとみなすことができるかどうかを評価するための新しい評価手法を提案する。
このタスクをベンチマークするために、人間と最先端モデル、特にGPT-4とGemini-1.5 Proのパフォーマンスを比較した。
論文 参考訳（メタデータ） (2024-06-20T13:46:10Z) - 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) - ELIXIR: Learning from User Feedback on Explanations to Improve
Recommender Models [26.11434743591804]
説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。
elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。
このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
論文 参考訳（メタデータ） (2021-02-15T13:43:49Z) - 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)
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。