Using a TOPSIS Method to Evaluate and Select AI Chatbots for Improving Customer Service Communication
Notice bibliographique
Résumé
Chatbot has become an innovation for business to connect with customers. People can communicate with technology devices in the same way they would with real people through Chatbots. Traditional Chatbots typically depend on already programmed principles and replies, while AI (artificial intelligence) Chatbots comprehend and dynamically respond to user inquiries utilizing natural language processing (NLP) and machine learning (ML). Chatbots powered by AI have an increased requirement to communicate with customers in a fast and effective way. People can communicate with technology devices like they were speaking to a real person, which are software programs that simulate human conversation which can be texts or speeches. Many criteria quantitative criteria, including frequently asked questions (FAQs), security, brands, improving efficiency, and enhancing engagement, etc., and quantitative criteria, including cost, bot analytics built-in templates and customer relationship management (CRM), etc., need to be considered when evaluating AI Chatbots for companies to enhance customer service. Moreover, criteria may have different importance. Therefore, evaluating AI Chatbots is a MCDM (multiple criteria decision making) problem. Many companies do not know how to select the most suitable one to serve their customers. To address this issue, the TOPSIS (Technique for Order Preference by Similarity to Ideal Solution), one of MCDM approaches, is used to evaluate AI Chatbots; and criteria weights will be produced by applying BWM (Best Worse Method). A numerical example will be used to present feasibility of the used method, and a comparison will be conducted to display its effectiveness.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».