論文の概要: Testaro: Efficient Ensemble Testing for Web Accessibility
- arxiv url: http://arxiv.org/abs/2309.10167v2
- Date: Fri, 22 Sep 2023 15:28:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 07:22:12.178896
- Title: Testaro: Efficient Ensemble Testing for Web Accessibility
- Title(参考訳): Testaro: Webアクセシビリティのための効率的なアンサンブルテスト
- Authors: Jonathan Robert Pool
- Abstract要約: TestaroはオープンソースのNPMパッケージで、8つのツールのアンサンブルによって定義された約650のルールでコンプライアンスをチェックする。
デモの参加者はテッサロの仕事を作り、それらを実行し、統一されたレポートを生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As automated web accessibility testing tools become enriched with new and
improved tests, it can be impractical to leverage those advances. Each tool
offers unique benefits, but effectively using multiple tools would require
integrating them into a uniform testing and reporting scheme. Such integration
is complex, because tools vary in what they try to detect, what they actually
detect, and how they classify, describe, and report defects. Consequently,
testers typically use only one tool.
Testaro is a novel open-source NPM package that checks compliance with about
650 rules defined by an ensemble of 8 tools: alfa, Axe, Equal Access, HTML
CodeSniffer, Nu Html Checker, QualWeb, Testaro, and WAVE.
Attendees at the demonstration will, within 5 minutes, create jobs for
Testaro, run them, and generate unified reports documenting more accessibility
issues than any single tool can discover.
- Abstract(参考訳): 自動Webアクセシビリティテストツールが新しく改良されたテストで豊かになるにつれて、これらの進歩を活用することは現実的ではない。
それぞれのツールは独自のメリットを提供するが、複数のツールを効果的に使用するためには、それらを統一的なテストとレポートのスキームに統合する必要がある。
このような統合は複雑で、ツールが検出しようとするもの、実際に検出するもの、どのように欠陥を分類、記述、報告するかによって異なります。
その結果、テスターは通常1つのツールのみを使用します。
TestaroはオープンソースのNPMパッケージで、alfa、Axe、Equal Access、HTML CodeSniffer、Nu Html Checker、QualWeb、Testaro、WAVEという8つのツールのアンサンブルによって定義された約650のルールでコンプライアンスをチェックする。
デモの参加者は5分以内に、Testaroのジョブを作成し、実行し、単一のツールが発見できる以上にアクセシビリティの問題を示す統一レポートを生成する。
関連論文リスト
- Observation-based unit test generation at Meta [52.4716552057909]
TestGenは、アプリケーション実行中に観察された複雑なオブジェクトのシリアライズされた観察から作られたユニットテストを自動的に生成する。
TestGenは518のテストを本番環境に投入し、継続的統合で9,617,349回実行され、5,702の障害が見つかった。
評価の結果,信頼性の高い4,361のエンドツーエンドテストから,少なくとも86%のクラスでテストを生成することができた。
論文 参考訳(メタデータ) (2024-02-09T00:34:39Z) - TestSpark: IntelliJ IDEA's Ultimate Test Generation Companion [15.13443954421825]
本稿では,IntelliJ IDEA用のプラグインであるTestSparkを紹介する。
TestSparkは、生成された各テストを容易に修正して実行し、それらをプロジェクトワークフローに統合することを可能にする。
論文 参考訳(メタデータ) (2024-01-12T13:53:57Z) - EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。
トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2024-01-11T15:45:11Z) - GitAgent: Facilitating Autonomous Agent with GitHub by Tool Extension [81.44231422624055]
さまざまなタスクを実行できる外部ツールを備えた大規模言語モデル(LLM)に焦点が当てられている。
本稿では,GitHubから自動ツール拡張を実現するエージェントであるGitAgentを紹介する。
論文 参考訳(メタデータ) (2023-12-28T15:47:30Z) - ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。
フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
論文 参考訳(メタデータ) (2023-10-26T21:57:21Z) - Automatic Generation of Test Cases based on Bug Reports: a Feasibility
Study with Large Language Models [4.318319522015101]
既存のアプローチは、単純なテスト(例えば単体テスト)や正確な仕様を必要とするテストケースを生成する。
ほとんどのテスト手順は、テストスイートを形成するために人間が書いたテストケースに依存しています。
大規模言語モデル(LLM)を活用し,バグレポートを入力として利用することにより,この生成の実現可能性を検討する。
論文 参考訳(メタデータ) (2023-10-10T05:30:12Z) - Do Automatic Test Generation Tools Generate Flaky Tests? [12.813573907094074]
テスト生成ツールが生成するフレキなテストの頻度と性質はほとんど不明である。
EvoSuite(Java)とPynguin(Python)を使ってテストを生成し、各テストは200回実行します。
この結果から, フレキネスは開発者の手書きテストと同様, 生成テストでも一般的であることが判明した。
論文 参考訳(メタデータ) (2023-10-08T16:44:27Z) - AXNav: Replaying Accessibility Tests from Natural Language [14.131076040673351]
大規模言語モデル(LLM)は、UIの自動化を含む様々なタスクに使用されている。
本稿では,自然言語ベースのアクセシビリティテストワークフローの要件について検討する。
手動アクセシビリティテスト(例えばVoiceOver''のショー検索)を入力として、LLMとピクセルベースのUI理解モデルを組み合わせてテストを実行するシステムを構築します。
論文 参考訳(メタデータ) (2023-10-03T20:37:58Z) - Tool Documentation Enables Zero-Shot Tool-Usage with Large Language
Models [90.96816639172464]
大規模言語モデル(LLM)は、ツールの使用のデモを提供することで、新しいツールを使用するように教えられている。
デモよりも、ツールドキュメンテーションの使用、個々のツール使用方法の説明を推奨します。
論文 参考訳(メタデータ) (2023-08-01T17:21:38Z) - ChatUniTest: A Framework for LLM-Based Test Generation [17.296369651892228]
本稿では,自動ユニットテスト生成フレームワークChatUniTestを提案する。
ChatUniTestには、アダプティブな焦点コンテキスト機構が組み込まれている。
評価の結果,ChatUniTest は TestSpark と EvoSuite よりも高い性能を示した。
論文 参考訳(メタデータ) (2023-05-08T15:12:07Z) - BiasTestGPT: Using ChatGPT for Social Bias Testing of Language Models [73.29106813131818]
テスト文は限られた手動テンプレートから生成されるか、高価なクラウドソーシングを必要とするため、現時点ではバイアステストは煩雑である。
ソーシャルグループと属性の任意のユーザ指定の組み合わせを考慮し、テスト文の制御可能な生成にChatGPTを使うことを提案する。
本稿では,HuggingFace上にホストされているオープンソースの総合的バイアステストフレームワーク(BiasTestGPT)について紹介する。
論文 参考訳(メタデータ) (2023-02-14T22:07:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。