論文の概要: Designing Customer Feedback for Subscription Boxes

• arxiv url: http://arxiv.org/abs/2610.34726v1
• Date: Mon, 26 Oct 2026 02:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.684273
• Title: Designing Customer Feedback for Subscription Boxes
• Title（参考訳）: サブスクリプションボックスの顧客フィードバック設計
• Abstract要約: 本研究では,質問すべき候補項目と形式について検討する。 デザインは、真に最高のアイテムを選ばず、損失した期待値によって判断される。 事前のプラットフォーム不確実性は、それを拡大し、アンケートを波で送るべきである。
• 参考スコア（独自算出の注目度）: 2.9380070831260867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Problem definition: Subscription box services often ask customers for ratings before choosing what to send. Responses are scarce, and longer questionnaires and finer scales lower completion. We study which candidate items a questionnaire should ask about, and in what format, when the platform then selects a fixed number of them. A design is judged by the expected value lost by not selecting the truly best items. Methodology/results: We approximate each ordinal rating by a Gaussian signal carrying its information at the cutoff between selected and unselected items. As equal numbers of responses per item grow, the ratio of this proxy's loss to the exact loss tends to one. With 1 to 100 responses per item, the two are within about 7 percent. Averaging the information over the prior instead can misstate the loss by about half. For an item far from the cutoff, the value of responses grows slowly at first and then faster, so our envelope rule values responses in blocks. In simulations with a correct prior it lowers the loss by 15 to 81 percent relative to an even spread, and on MovieLens ratings by 6 to 25 percent. Under the proxy, with responses allocated optimally, formats are ranked exactly by one number, the expected information per customer asked. Choosing the format this way comes within about 2 percent of the best on average. Managerial implications: Feedback should go to items whose place in the selection is unclear. Planning helps most when the platform's prior beliefs are informative and right. A platform unsure of its prior should widen it and send the questionnaire in waves. Calibrated on MovieLens ratings, a five-point answer carries about 1.7 times the information of a like/dislike answer, so at equal length the finer scale is better when it cuts completion by less than about 40 percent.
• Abstract（参考訳）: 問題定義: サブスクリプションボックスサービスは、何を送信するかを選択する前に、顧客に評価を求めることが多い。 回答は乏しく、アンケートが長くなり、より細かな尺度が完成度を下げる。 質問対象の候補項目について検討し,どの形式でプラットフォームが一定数の候補を選択するかを検討した。 デザインは、真に最高のアイテムを選ばず、損失した期待値によって判断される。 方法: 選択した項目と未選択項目の切り離し時にその情報を運ぶガウス信号により, 各順序付けの格付けを近似する。 アイテム毎の応答数が等しいほど、このプロキシの損失と正確な損失の比率は1になる傾向にある。 1件につき1～100件の回答があり、2件は約7%以内だ。 事前情報を平均化すれば、損失を約半分まで減らすことができる。 カットオフから遠く離れた項目では、レスポンスの値は最初はゆっくりと増加し、次に速くなります。 正しい事前のシミュレーションでは、損失は偶発的な拡散に対して15～81パーセント減少し、MovieLensの格付けは6～25%低下する。 プロキシの下では、最適なレスポンスを割り当てると、フォーマットが正確に1つの番号でランク付けされる。 この方法でフォーマットを選択すると、平均して最高の2%の範囲に収まる。 マネージャの意味: フィードバックは、選択の場所が不明な項目に進むべきです。 計画は、プラットフォームの以前の信念が情報的かつ正しいときに最も役立ちます。 事前のプラットフォーム不確実性は、それを拡大し、アンケートを波で送るべきである。 MovieLensの格付けでは、5ポイントの解答はlike/dislikeの約1.7倍の情報を持っているため、同じ長さの場合には、完成度を40%以下に下げる方が、より細かいスケールの方が優れている。

関連論文リスト

• Consider, Then Choose: Order-Invariant Decisions in System One Models [15.157325954348245]
  システム1モデルは、1つのフォワードパスで型付き質問に答え、同じ入力に対して同じ答えを約束します。 答えは選択肢の順序に依存し、数が増えるにつれてますます増えていき、循環的なシフトを平均化することで、取り除くことなく、この依存を減らす。 我々は、$textbfRunoff$を提案し、その選択を考慮し、選択し、いくつかの候補を保持するために各選択肢を単独でスコアし、各候補がすべての位置を占めるリストでそれらを比較します。 トレーニングを必要とせず、2つのフォワードパスで実行でき、その答えはオプションオーダーに依存しない。
  論文  参考訳（メタデータ） (2026-10-13T12:02:46Z)
• Overwhelmed by Choice: Studying LLM Decision Making at Scale [70.45144023754595]
  候補数の増加に伴い,複数選択および候補選択の評価を体系的に評価した。 タスク間での相当な精度劣化、戦略の推進、モデルスケールが見られます。 階層分割と置換に基づく推論は、HotpotQAとMIMICで約20パーセントの精度をN=160$で向上する。
  論文  参考訳（メタデータ） (2026-09-26T17:33:04Z)
• LAVOIR: Teaching a Single-Pass Decision Encoder When and What to Ask with Amortized Value of Information [0.0]
  LAVOIRでは,解答オプションの隣の入力に欠落した情報(スロット)の候補を配置する。 見えるスキーマの決定はベイズ天井と統計的に区別できない。 ABCDの実際の会話では、LAVOIRが要求する8.3ポイントの精度が向上し、そうでなければそのままにしておく。
  論文  参考訳（メタデータ） (2026-09-25T02:31:02Z)
• Algorithmic Persuasion Through Simulation [51.23082754429737]
  本研究では、送信者が受信機にバイナリアクションを取るよう説得するベイズ説得ゲームについて検討する。 送信者は、製品の品質などの世界の(実価値の高い)状態について通知されるが、受信者の信念やユーティリティに関する情報は限られている。 顧客の調査やユーザスタディ、最近のAIの進歩によって、送信側は受信者についてより深く学ぶことができるようになりました。
  論文  参考訳（メタデータ） (2023-11-29T23:01:33Z)
• What if you said that differently?: How Explanation Formats Affect Human Feedback Efficacy and User Perception [53.4840989321394]
  我々は,QAモデルが生成した有理性の効果を分析し,その答えを支持する。 ユーザに対して,様々な形式で誤った回答とそれに対応する有理性を提示する。 このフィードバックの有効性を,文脈内学習を通じて評価する。
  論文  参考訳（メタデータ） (2023-11-16T04:26:32Z)
• Peering Through Preferences: Unraveling Feedback Acquisition for Aligning Large Language Models [32.843361525236965]
  スパースフィードバックが大規模言語モデルのアライメントと評価に与える影響を解析する。 評価やランク付けの好みは、人間とAIのアノテータの双方で60%と大きく異なっています。 本研究は,言語モデルの現実的有用性を評価する手法において,重要なギャップを浮き彫りにした。
  論文  参考訳（メタデータ） (2023-08-30T07:35:32Z)
• Improving Selective Visual Question Answering by Learning from Your Peers [74.20167944693424]
  VQA(Visual Question Answering)モデルは、間違っていた場合の回答を控えるのに苦労する可能性がある。 本稿では,複数モーダル選択関数の学習におけるLearning from Your Peers (LYP) アプローチを提案する。 提案手法では,学習データの異なるサブセットに基づいて訓練されたモデルの予測を,選択的VQAモデルの最適化のターゲットとして利用する。
  論文  参考訳（メタデータ） (2023-06-14T21:22:01Z)
• Reranking Overgenerated Responses for End-to-End Task-Oriented Dialogue Systems [71.33737787564966]
  エンド・ツー・エンド(E2E)タスク指向対話システム(ToD)は、いわゆる「いいね! 本稿では,システムによって当初過剰に生成された応答リストから高品質な項目を選択する方法を提案する。 本研究では,最先端のE2E ToDシステムを2.4BLEU,3.2ROUGE,2.8 METEORで改善し,新たなピーク値を得た。
  論文  参考訳（メタデータ） (2022-11-07T15:59:49Z)
• Meaningful Answer Generation of E-Commerce Question-Answering [77.89755281215079]
  eコマースポータルでは、製品関連の質問に対する回答を生成することが重要な課題となっている。 本稿では,MPAG(Meaningful Product Answer Generator)と呼ばれる新しい生成ニューラルモデルを提案する。 MPAGは、製品レビュー、製品属性、プロトタイプの回答を考慮に入れて、安全な回答問題を緩和します。
  論文  参考訳（メタデータ） (2020-11-14T14:05:30Z)

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。