FeedAIde: Guiding App Users to Submit Rich Feedback Reports by Asking Context-Aware Follow-Up Questions
作者: Ali Ebrahimi Pourasad, Meyssam Saghiri, Walid Maalej
分类: cs.SE, cs.AI, cs.HC
发布日期: 2026-03-04
备注: Accepted for publication at the 13th International Conference on Mobile Software Engineering and Systems (MOBILESoft) 2026
💡 一句话要点
提出FeedAIde以解决用户反馈报告不完整问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 用户反馈 上下文感知 多模态学习 生成AI 移动应用 用户体验 报告生成
📋 核心要点
- 现有的用户反馈机制常常导致用户提交模糊的反馈，缺乏必要的上下文信息，影响开发者的理解与响应。
- FeedAIde通过上下文感知的方式，利用多模态大型语言模型，提出自适应的后续问题，帮助用户生成更丰富的反馈报告。
- 实验结果表明，FeedAIde在用户反馈的易用性和帮助性上优于传统反馈表，且显著提高了报告的完整性和质量。
📝 摘要（中文）
用户反馈对移动应用的成功至关重要，但用户报告的内容与开发者的需求往往存在差距。研究表明，用户常常提交模糊的反馈，遗漏重要的上下文细节，导致报告不完整和耗时的澄清讨论。为了解决这一挑战，本文提出了FeedAIde，这是一种上下文感知的互动反馈方法，通过利用多模态大型语言模型的推理能力，支持用户在报告过程中。FeedAIde捕获上下文信息，如问题出现的截图，并利用这些信息提出自适应的后续问题，以便与用户共同完善包含开发者所需信息的丰富反馈报告。我们在一款健身应用上实现了FeedAIde，并对其进行了评估。与应用的简单反馈表相比，参与者认为FeedAIde更易用且更有助于反馈报告。两位行业专家对54份报告的评估显示，FeedAIde提高了bug报告和功能请求的质量，特别是在完整性方面。我们的研究结果表明，上下文感知的生成AI驱动的反馈报告有潜力提升用户体验，并增加开发者的信息价值。
🔬 方法详解
问题定义：本文旨在解决用户在移动应用中提交反馈时，常常缺乏必要上下文信息的问题。现有的反馈机制导致用户报告模糊，开发者难以理解和处理。
核心思路：FeedAIde通过上下文感知的方式，利用多模态大型语言模型的推理能力，提出针对性的后续问题，帮助用户更好地描述问题，从而生成更完整的反馈报告。
技术框架：FeedAIde的整体架构包括上下文信息捕获模块、用户交互模块和反馈报告生成模块。首先捕获用户提供的上下文信息，然后通过交互引导用户回答后续问题，最后生成完整的反馈报告。
关键创新：FeedAIde的主要创新在于其上下文感知能力和自适应问答机制，能够根据用户的具体情况动态调整问题，与传统的静态反馈表形成鲜明对比。
关键设计：在技术细节上，FeedAIde使用了多模态输入，包括文本和图像信息，设计了特定的问答策略，以确保用户能够提供尽可能多的相关信息。
🖼️ 关键图片
📊 实验亮点
实验结果显示，与传统的简单反馈表相比，参与者对FeedAIde的易用性和帮助性评分更高。此外，行业专家对54份报告的评估表明，FeedAIde显著提高了bug报告和功能请求的完整性，提升幅度明显。
🎯 应用场景
FeedAIde的潜在应用场景包括移动应用开发、用户体验优化和客户支持等领域。通过提升用户反馈的质量，开发者能够更有效地理解用户需求，从而改进产品功能和用户体验。未来，该技术有望在更多行业中推广，促进用户与开发者之间的有效沟通。
📄 摘要（原文）
User feedback is essential for the success of mobile apps, yet what users report and what developers need often diverge. Research shows that users often submit vague feedback and omit essential contextual details. This leads to incomplete reports and time-consuming clarification discussions. To overcome this challenge, we propose FeedAIde, a context-aware, interactive feedback approach that supports users during the reporting process by leveraging the reasoning capabilities of Multimodal Large Language Models. FeedAIde captures contextual information, such as the screenshot where the issue emerges, and uses it for adaptive follow-up questions to collaboratively refine with the user a rich feedback report that contains information relevant to developers. We implemented an iOS framework of FeedAIde and evaluated it on a gym's app with its users. Compared to the app's simple feedback form, participants rated FeedAIde as easier and more helpful for reporting feedback. An assessment by two industry experts of the resulting 54 reports showed that FeedAIde improved the quality of both bug reports and feature requests, particularly in terms of completeness. The findings of our study demonstrate the potential of context-aware, GenAI-powered feedback reporting to enhance the experience for users and increase the information value for developers.