Personality-Adaptive Chatbots for E-Commerce: Matching Conversational Style to User Type
Notice bibliographique
Résumé
ABSTRACT Online shopping has changed a lot thanks to AI, especially with chatbots popping up everywhere. They're supposed to make things easier, right? But honestly, most of them feel like talking to a robot – they just don't get you. That's where we wanted to shake things up. We wondered, what if a chatbot could actually understand your personality and talk to you in a way that felt natural? Imagine a chatbot that's super friendly if you're a chatty person, and keeps it short and sweet if you're more business-like. That's what we tried to build. We created a prototype chatbot for an online store that could figure out someone's personality based on how they interacted. We used a mix of simple rules and data analysis, and based it off the "Big Five" personality traits. Then, it would change its tone and style to match. We tested this out with 100 people, half using our personality-matching chatbot, and half using a regular, unchanging one. We wanted to see if people liked the personalized chatbot better. Turns out, they did! People who chatted with the personality-matching chatbot were way happier and spent more time interacting with it. They just clicked with it better. This shows that when a chatbot actually tries to understand you, it makes a huge difference. We're basically saying, chatbots shouldn't just be tools. They should feel like real conversations. And understanding someone's personality is a big part of that. We think this is the future of how we'll talk to computers online.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».