Automatic Classification of Apps Reviews for Requirement Engineering: Exploring The Customer’s Need from The Healthcare Application
| المؤلف الرئيسي: | AlKilani, Nadeem (Author) |
|---|---|
| مؤلفين آخرين: | Hanani, Abualsoud (Advisor) |
| التاريخ الميلادي: |
2019
|
| موقع: | بيرزيت |
| الصفحات: | 1 - 81 |
| رقم MD: | 1015569 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة بيرزيت |
| الكلية: | كلية الهندسة والتكنولوجيا |
| الدولة: | فلسطين |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
11
| المستخلص: |
مع التطور المستمر لتطبيقات الهواتف الذكية، وتوفر الملايين من التطبيقات على المتاجر، يوجد هناك عدد كبير جدا من التعليقات المفيدة من مستخدمي هذه الأجهزة، الذين يقومون بإبداء آرائهم البناءة من أجل تحسين هذه البرامج في النسخ الجديدة وهذا ما يتيح الفرصة للشركات المبرمجة لهذه التطبيقات لتحسين هذه البرامج والاهتمام بزبائنهم لتلبية حاجاتهم المستمرة والمتجددة. ولكن كما هو معروف من الصعب جدا القيام بقراءة وتنظيم وتصنيف هذه التعليقات بالطريقة التقليدية وهي الطريقة اليدوية حيث إنها تحتاج وقتا كبيرا جدا وتحتاج أيضا إلى مبلغ ضخم من المال وباستخدام خوارزميات تقليدية تفتقر للجودة. ومع تطور علم البيانات والتعامل مع البيانات الضخمة التي تحوي كما كبيرا جدا من المعلومات، قمنا في هذه الرسالة بتطبيق آليات حديثة للتعامل مع آراء مستخدمي هذه التطبيقات الصحية للهواتف الذكية، وذلك للعمل على تصنيف هذه البيانات إلى خمسة أقسام رئيسية كالتالي: إذا كان المشترك يعطي تقريرا عن مشكلة في البرنامج أو يريد إضافة ميزة جديدة أو بطؤ في البرنامج أو أن المشترك يشكو من دقة بيانات البرنامج أو وجود ثغرة أمنية في البرنامج، وفي نفس الوقت قمنا بتصنيف شعور المستخدم حول التطبيق الصحي ماإذا كان راض عنه أو غير راض أو بين ذلك. واجهنا تحدي كبير جدا بجمع قرابة ال 7500 تعليق حقيقي من خلال 10 تطبيقات صحية للهواتف الذكية وقمنا من خلال خبراء فنيين بعمل تصنيف يدوي لهذه التعليقات بحيث تم تعليم الخوارزميات المستخدمة لعمل نمط معين من خلاله يتم تصنيف البيانات الجديدة بشكل تلقائي. وبعد القيام بعدة تجارب مختلفة من توليفات دقيقة حصلنا على دقة تصنيف تصل d إلى ٨٧% في خوارزمية Multi-nominal Naïve Bays بالنسبة لشعور الأشخاص حول التطبيق استخدم من قبلهم و88% في المجموعة الثانية من التصنيفات التي تهتم بتصنيف متطلبات المستخدم. ومع التحسين المستمر للبيانات واستخدام الخوارزمية المناسبة ومع التوليف المناسب حصلنا على نتيجة ٩٠% من دقة تصنيف التعليقات الجديدة وبشكل تلقائي. من الجدير بالذكر، أن دقة التصنيف كانت أكبر كلما كانت جودة البيانات أكبر، ومدققة من أكثر من خبير في نفس الوقت. أيضا عندما تم إلغاء التحيز لمجموعة معينة من البيانات وجعل جميع المجموعات من البيانات متساوية، حصلنا على نتيجة ٩٦% من الدقة في شعور المستخدمين و٨٩% في المجموعة الثانية من التصنيفات التي تهتم بتصنيف متطلبات المستخدم. |
|---|
عناصر مشابهة
-
Automatic Classification of Apps Reviews for Requirement Engineering: Exploring the Customer’s Need from the Healthcare Applications
بواسطة: Al Kilani, Nadeem منشور: (2019) -
A Review of Smart Phones Dermoscopy
بواسطة: Al Ali, Samar منشور: (2012) -
Measuring the Role of Customers’ Involvement on the Relationship between Effort Expectancy and Intention to Use Mobile Applications
بواسطة: Tolba, Walaa Hesham منشور: (2022) -
Measuring the Role of Customers’ Involvement on the Relationship between Performance Expectancy and Intention to Use Mobile Applications
بواسطة: Tolba, Walaa Hesham منشور: (2022) -
Enhancing Mobile Application Development by Using Personalization model
بواسطة: Elamin, Haysam E. منشور: (2016)
