An Advanced Forecasting Model Leveraging Emotion‐Gesture Correlation to Predict Returning Visitors Surpasses Visit Duration as a Predictive Factor
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
This research paper explores the effectiveness of user emotional experience as a predictor for future returning of the user to the website. Traditional web analytics have been limited in their ability to accurately capture the nuances of user experiences. Methods like eye tracking, speech tracking, and surveys, while insightful, often suffer from being overly intrusive, leading to biased results. This study introduces a state of the art, nonintrusive method of measuring user experience: touch‐gesture based emotion measurement. This technique leverages the subconscious nature of touch gestures to gather emotional data, allowing for a more authentic and unbiased user interaction with websites. To leverage this method, we first gained explicit data collection consent and gathered browsing data from 164,527 users across a 1‐year period on a Canadian e‐commerce website visited from a touchscreen device. While the sample size is significantly large, the sample is primarily made up of visitors from Canada, which could limit generalization of the findings. Using this data, we implemented an AI model which predicts whether a user is likely to return to the website or not, primarily based on their emotional touch gestures on their first visit with an accuracy of 91.7%. This approach not only enhances our understanding of user engagement but also opens new avenues for optimizing user experience in untested digital spaces such as e‐learning and mental health.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 découle