論文の概要: ScreenAudit: Detecting Screen Reader Accessibility Errors in Mobile Apps Using Large Language Models

• arxiv url: http://arxiv.org/abs/2504.02110v1
• Date: Wed, 02 Apr 2025 20:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:35.231320
• Title: ScreenAudit: Detecting Screen Reader Accessibility Errors in Mobile Apps Using Large Language Models
• Title（参考訳）: ScreenAudit: 大規模言語モデルを用いたモバイルアプリの画面アクセシビリティエラーの検出
• Authors: Mingyuan Zhong, Ruolin Chen, Xia Chen, James Fogarty, Jacob O. Wobbrock,
• Abstract要約: ScreenAuditは、モバイルアプリの画面を横切り、メタデータと書き起こしを抽出し、スクリーンリーダーアクセシビリティエラーを特定するように設計されたシステムである。 以上の結果から,ScreenAuditの平均カバレッジは69.2%であり,広く使用されているアクセシビリティチェッカーでは31.3%に過ぎなかった。
• 参考スコア（独自算出の注目度）: 16.056030925238684
• License:
• Abstract: Many mobile apps are inaccessible, thereby excluding people from their potential benefits. Existing rule-based accessibility checkers aim to mitigate these failures by identifying errors early during development but are constrained in the types of errors they can detect. We present ScreenAudit, an LLM-powered system designed to traverse mobile app screens, extract metadata and transcripts, and identify screen reader accessibility errors overlooked by existing checkers. We recruited six accessibility experts including one screen reader user to evaluate ScreenAudit's reports across 14 unique app screens. Our findings indicate that ScreenAudit achieves an average coverage of 69.2%, compared to only 31.3% with a widely-used accessibility checker. Expert feedback indicated that ScreenAudit delivered higher-quality feedback and addressed more aspects of screen reader accessibility compared to existing checkers, and that ScreenAudit would benefit app developers in real-world settings.
• Abstract（参考訳）: 多くのモバイルアプリはアクセスできないため、潜在的な利益から人々を排除することができる。 既存のルールベースのアクセシビリティチェッカーは、開発初期にエラーを識別することで、これらの障害を軽減することを目的としているが、検出可能なエラーの種類には制約がある。 モバイルアプリの画面を横切り、メタデータとテキストを抽出し、既存のチェッカーが見落としているスクリーンリーダーアクセシビリティエラーを識別するLLM方式のシステムであるScreenAuditを提案する。 アクセシビリティの専門家を6名採用し、14のユニークなアプリスクリーンでScreenAuditのレポートを評価しました。 以上の結果から,ScreenAuditの平均カバレッジは69.2%であり,広く使用されているアクセシビリティチェッカーでは31.3%に過ぎなかった。 専門家のフィードバックによると、ScreenAuditは高品質なフィードバックを提供し、既存のチェッカーと比べてスクリーンリーダーアクセシビリティの多くの側面に対処している。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Real-Time Pill Identification for the Visually Impaired Using Deep Learning [31.747327310138314]
  本稿では,視覚障害者と視覚障害者をリアルタイムに識別する深層学習型モバイルアプリケーションの開発と実装について検討する。 本アプリケーションは,モバイルデバイス上でのリアルタイム画像処理により,さまざまな薬種を正確に認識し,区別することを目的としている。
  論文  参考訳（メタデータ） (2024-05-08T03:18:46Z)
• MotorEase: Automated Detection of Motor Impairment Accessibility Issues in Mobile App UIs [8.057618278428494]
  MotorEaseは、モバイルアプリのUIにおけるアクセシビリティの問題を特定し、運動不足のユーザに影響を与える。 コンピュータビジョンとテキスト処理技術を適用して、アプリUI画面のセマンティック理解を可能にする。 違反を90%の精度で識別でき、偽陽性率は9%未満である。
  論文  参考訳（メタデータ） (2024-03-20T15:53:07Z)
• GenAudit: Fixing Factual Errors in Language Model Outputs with Evidence [64.95492752484171]
  GenAudit - 文書基底タスクの事実チェック LLM 応答を支援するためのツール。 GenAuditは、レファレンス文書でサポートされていないクレームを修正したり削除したりすることでLCMレスポンスを編集することを提案し、また、サポートしているように見える事実の参照から証拠を提示する。 GenAuditは、さまざまなドメインから文書を要約する際に、8つの異なるLCM出力でエラーを検出することができる。
  論文  参考訳（メタデータ） (2024-02-19T21:45:55Z)
• Towards Automated Accessibility Report Generation for Mobile Apps [14.908672785900832]
  アプリケーションアクセシビリティーレポート全体を生成するシステムを提案する。 様々なデータ収集方法(アプリクローリング、手動記録など)と既存のアクセシビリティスキャナを組み合わせる。
  論文  参考訳（メタデータ） (2023-09-29T19:05:11Z)
• Understanding Mobile App Reviews to Guide Misuse Audits [17.71313286969027]
  アプリレビューを活用して、悪用可能なアプリとその誤用を可能にする機能を特定します。 虐待者や被害者の物語は、主に過去の誤用に焦点を当てているのに対し、第三者の物語は、主に誤用の可能性を示す物語を識別している。 合計156個の悪用可能なアプリが誤用を助長していることを確認した。
  論文  参考訳（メタデータ） (2023-03-19T23:43:36Z)
• Aurora Guard: Reliable Face Anti-Spoofing via Mobile Lighting System [103.5604680001633]
  紙写真やデジタルビデオの高解像度レンダリングリプレイに対する反偽造は、未解決の問題だ。 オーロラガード(Aurora Guard, AG)と呼ばれる, シンプルだが効果的な顔保護システムを提案する。
  論文  参考訳（メタデータ） (2021-02-01T09:17:18Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• Decentralized Privacy-Preserving Proximity Tracing [50.27258414960402]
  DP3TはSARS-CoV-2の普及を遅らせるための技術基盤を提供する。 システムは、個人やコミュニティのプライバシーとセキュリティのリスクを最小限にすることを目的としている。
  論文  参考訳（メタデータ） (2020-05-25T12:32:02Z)
• Unblind Your Apps: Predicting Natural-Language Labels for Mobile GUI Components by Deep Learning [21.56849865328527]
  10,408のAndroidアプリの分析によると、77%以上のアプリがラベルを欠落している。 画像ベースボタンのラベルを自動的に予測するディープラーニングベースモデルであるLabelDroidを開発した。 実験の結果,我々のモデルでは正確な予測が可能であり,生成したラベルは実際のAndroid開発者よりも高品質であることがわかった。
  論文  参考訳（メタデータ） (2020-03-01T02:31:26Z)

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。