User Feedback from Tweets vs App Store Reviews: An Exploratory Study of Frequency, Timing and Content
Notice bibliographique
Résumé
Context: User feedback on apps is essential for gauging market needs and maintaining a competitive edge in the mobile apps development industry. App Store Reviews have been a primary resource for this feedback, however, recent studies have observed that Twitter is another potentially valuable source for this information. Objective: The objective of this study is to assess user feedback from Twitter in terms of timing as well as content and compare with the App Store reviews. Method: This study employs various text analysis and Natural Language Processing methods such as semantic analysis and Latent Dirichlet Allocation (LDA) to analyze tweets and App Store Reviews. Additionally, supervised learning classifiers are used to classify them as semantically similar tweet and App Store reviews. Results: In spite of a difference in the magnitude between tweets and App Store Review counts, frequency analysis shows that bug report and feature request are discussed mostly on Twitter first as the number of Tweets during the reporting time reached the peak a few days earlier. Likewise, timing analysis on a set of 426 tweets and 2,383 reviews (which are bug reports and feature requests) show that approximately 15% appear on Twitter first. Of these 15% tweets, 72% are related to functional or behavioural aspects of the mobile app. Content analysis shows that user feedback in tweets mostly focuses on critical issues related to the feature failure and improper functionality. Conclusion: The results of this investigation show that the Twitter is not only a strong contender for useful information but also a faster source of information for mobile app improvement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».