Leveraging User Feedback for Requirements Through Trend and Narrative Analysis
Notice bibliographique
Résumé
With the rapid rise of new mediums and surge of user discussion regarding software products, it is increasingly important to consider these user concerns to fulfill user needs, otherwise users may opt for alternatives. Traditional requirements elicitation approaches relied on interviews and surveys with stakeholders to elicit key and important requirements. Despite the advances from recent studies to leverage the “crowd” via increased involvement of crowd based discussions, we still lack empirical structured guidance and approaches to handle feedback from multiple sources and synthesize the themes that emerge from these sources. As providing feedback becomes more accessible for users, managing the volume of feedback is correspondingly challenging. Since development resources are often limited, organizations need to make trade-offs between different user concerns. Gaining more insights on the themes and the trends of these themes from feedback should help organizations conduct these requirement trade-offs. To better explain the emergent trends of user feedback, I use the concept of narratives from economics to explain the phenomenon of what and when users change in their user discussions. Narrative analysis can help explain the causes of feedback trends, which can support organizations determining the priority and validity of various themes from feedback. In this work, I describe my preliminary findings which indicate the profound role that trends and narratives in user feedback have on user perception and concerns. My work has shown that feedback sources, like social media, can provide an avenue to identify requirements. Finally, I outline my plan towards developing a framework to identify trends and narratives, and a tool to support automated identification of requirements in the form of user stories.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».