MétaCan
Menu
Retour à la cohorte
Enregistrement W4412510185 · doi:10.4236/jsea.2025.187016

AI-Powered Personalization in SuperApps: International Case Studies on User Engagement

2025· article· en· W4412510185 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Software Engineering and Applications · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPersonalizationComputer scienceUser engagementHuman–computer interactionWorld Wide WebEngineering

Résumé

récupéré en direct d'OpenAlex

The proliferation of SuperApps—integrated digital platforms offering a suite of services such as messaging, e-commerce, payments, and transportation—has redefined how users interact with technology. Central to the success of these platforms is artificial intelligence (AI)-powered personalization, which enables highly adaptive, user-centric experiences. This research investigates the mechanisms, strategies, and outcomes of AI-driven personalization within SuperApps and its influence on user engagement. Drawing upon a multidisciplinary literature review and international case studies from industries such as retail, finance, and telecommunications, this paper examines how AI techniques—including machine learning, deep learning, and natural language processing—facilitate real-time data processing, predictive modeling, and content adaptation. The findings highlight that personalization significantly enhances key engagement metrics, such as click-through rates, conversion rates, and user retention. Case examples from organizations such as H&M, Kanetix, and the Bank of Montreal illustrate how ethical AI implementation, cross-channel integration, and explainable recommendation systems contribute to improved consumer trust and operational performance. The study also addresses critical challenges, including data privacy, algorithmic bias, and the tension between personalization and user autonomy. Recommendations are proposed for mitigating these risks through responsible AI governance, privacy-by-design frameworks, and transparency-enhancing practices. By synthesizing practical and academic insights, this paper contributes to the emerging body of knowledge on AI integration in digital ecosystems. It offers actionable strategies for developers, marketers, and policymakers to harness AI responsibly in SuperApps. Furthermore, it outlines future research directions in explainable AI, behavioral economics, and multimodal personalization, ultimately aiming to shape more inclusive, secure, and engaging digital platforms globally.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,870
Score d'incertitude au seuil0,226

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,325
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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