Leveraging Latent Dirichlet Allocation for Feature Extraction in User Comments: Enhancements to User-Centered Design in Indonesian Financial Technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The burgeoning Financial Technology (FinTech) sector in Indonesia, while witnessing a surge in user base, contends with limitations in system functionalities and service offerings.The extraction of latent features from user comments is imperative for the identification of these inadequacies, serving as a catalyst for innovation and delivering advantages to both consumers and developers of FinTech applications.This study employs Latent Dirichlet Allocation (LDA) algorithm, an intelligent probabilistic model, to discern and extract underlying topics within narratives found in user comments on FinTech platforms.In this approach, words within each topic are ranked according to their respective probabilities.Through the LDA algorithm, ten salient topics, each comprising ten keywords, have been identified.These topics coalesce into three broad categories: system improvements in applications, services that are out of sync with the system, and service satisfaction.The coherence of the topics has been quantitatively assessed, with an average score of 0.564, indicative of substantial coherence.Findings from the LDA model are integrated into the User-Centered Design (UCeD) framework, wherein the algorithm streamlines the UCeD's evaluative and abstraction processes, as well as the grouping of user necessities.This integration aids FinTech management teams in pinpointing pertinent user feedback, thereby facilitating the refinement of application development.
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.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| 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 découle