Frühere Methoden zur Generierung von Personas basierten hauptsächlich auf manuellen Annahmen, was die automatisierte Identifizierung von systemweiten Schmerzpunkten erschwerte und häufig den Umfang auf tatsächliche Anfrager beschränkte, die Feedback gegeben haben. Um diese Einschränkungen zu beheben, stellen wir einen Rahmen vor, der Benutzerprotokolle und Anfragedaten kombiniert, um Personas auf eine automatisiertere Weise zu erstellen, indem Verhaltensmuster und Schmerzpunkte integriert werden. Der Rahmen besteht aus drei Phasen: Clustering von Benutzern mit k-means, Analyse dieser Cluster mit PrefixSpan, Random Forests und BiLSTM-Modellen, um Schmerzpunkte sowohl für tatsächliche als auch potenzielle Anfrager zu identifizieren (d.h. tatsächliche Anfrager - Benutzer, die Feedback gegeben haben - und potenzielle Anfrager - Benutzer, die sich nicht an die Entwickler bezüglich von Problemen gewandt haben), und Entwicklung von Personas durch große Sprachmodelle. Eine Fallstudie zu japanischer B2B-SaaS-Software, die 574 Benutzer und 3,5 Millionen Protokolle umfasste, zeigte, dass die generierten Personas in der Regel leicht zu konzipieren waren und die identifizierten Schmerzpunkte überzeugend und umsetzbar waren, was ihre Bedeutung für die Anleitung von Softwareverbesserungen unterstrich.
Sera et al. (Do,) haben diese Frage untersucht.