在应用评论中自动分类Kano模型因素
软件工程
2023-03-08 v1
摘要
[背景与动机] 借助Kano模型进行需求评估是常见做法。正如原作者所建议，这些评估通过访谈利益相关者并询问其对某功能良好实现时的满意度水平，以及功能未实现或实现不佳时的不满意度水平来完成。[问题] 通过访谈评估耗时、昂贵，且只能捕获有限利益相关者的意见。[主要思路/结果] 我们研究从大量用户反馈（即应用评论）中提取Kano模型因素（基本需求、性能因素和兴奋型需求）的可能性。我们在2592条评论集上实现、训练并测试了若干分类器。在10折交叉验证中，基于BERT的分类器表现最佳，准确率为0.928。为评估分类器泛化能力，我们额外在另一独立包含1622条应用评论的集合上测试，最佳分类器准确率降至0.725。我们还表明误分类与人类对标签的分歧相关。[贡献] 我们的方法是从大量用户反馈中识别Kano模型因素的轻量且自动化的替代方案。该方法有限的准确率源于应用评论相较全面访谈缺失上下文信息这一固有问题，这也使人类难以正确提取这些因素。
引用
@article{arxiv.2303.03798,
title = {Automatically Classifying Kano Model Factors in App Reviews},
author = {Michelle Binder and Annika Vogt and Adrian Bajraktari and Andreas Vogelsang},
journal= {arXiv preprint arXiv:2303.03798},
year = {2023}
}