論文の概要: Contextual Associations Between Webpage Elements for Web Accessibility: An Empirical Study

• arxiv url: http://arxiv.org/abs/2606.27506v1
• Date: Thu, 25 Jun 2026 19:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.308079
• Title: Contextual Associations Between Webpage Elements for Web Accessibility: An Empirical Study
• Title（参考訳）: WebアクセシビリティのためのWebページ要素間のコンテキスト関連性:実証的研究
• Abstract要約: 本稿では、リンク予測を用いて、アクセシビリティツリーからウェブページ要素間の文脈的関連を復元できるかどうかを考察する。 我々は、Trancoのトップミリオンリストに階層化された35のウェブサイト上に、人間による注釈付きコンテキストアソシエーションのデータセットを構築し、ページごとに3つの独立したアノテータを配置する。
• 参考スコア（独自算出の注目度）: 2.6813717321945103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: [Context] Screen reader users navigating webpages by element list often encounter accessible names such as "Read more" that are valid under the W3C Accessible Name and Description Computation specification but uninterpretable in isolation. The surrounding elements that would make these names meaningful exist in the page but are not linked to the target by any mechanism. No prior work has empirically studied how to select which surrounding elements are contextually relevant to a given target. [Objective] This registered report investigates whether human-perceived contextual associations between webpage elements can be recovered from the accessibility tree using link prediction, and whether the learned associations generalize across websites. [Method] We will construct a dataset of human-annotated contextual associations on 35 websites, stratified across the Tranco top-million list, with three independent annotators per page. Each page is represented as a graph derived from its accessibility tree, augmented with spatial and semantic features from the DOM and CSS. We compare four machine learning models (MLP, GCN, GAT, and SEAL) against two heuristic baselines under leave-one-site-out cross-validation with a pre-registered statistical framework, using Hit@K and MRR. [Results] We have conducted a five-site author-annotated pilot study to establish the pipelines and parameterize the power simulation, with pilot Hit@10 ranging from 0.16 to 0.85 across four learned models and 0.08 to 0.30 across two heuristic baselines. The final results will be reported after the planned experiments and analyses are completed. [Conclusion] The study contributes a human-annotated dataset of contextual associations on webpages, an empirical evaluation of link prediction for context selection on accessibility-tree graphs, and a cross-site generalization analysis.
• Abstract（参考訳）: [コンテキスト] Webページを要素リストでナビゲートするスクリーンリーダーユーザは、W3C Accessible Name and Description Computation仕様の下で有効だが、独立して解釈できない"Read More"のようなアクセス可能な名前に遭遇することが多い。 これらの名前を意味のあるものにする周辺要素は、ページに存在するが、いかなるメカニズムによってもターゲットにリンクされていない。 先行研究では、どの周囲の要素が特定の対象に文脈的に関連しているかを実証的に研究していない。 [目的]本報告では,Webページ要素間のコンテキスト関連が,リンク予測を用いてアクセシビリティツリーから復元可能かどうか,学習関連がWebサイト全体に一般化するか否かを調査する。 [方法]Trancoのトップミリオンリストに3つの独立したアノテータを配置した35のWebサイト上で,人間のアノテートしたコンテキストアソシエーションのデータセットを構築する。 各ページはアクセシビリティツリーから派生したグラフとして表現され、DOMとCSSの空間的および意味的な特徴で拡張される。 我々は,MLP,GCN,GAT,SEALの4つの機械学習モデルと,Hit@KとMRRを用いた事前登録された統計フレームワークを用いて,一箇所のクロスバリデーションの下での2つのヒューリスティックベースラインを比較した。 結果]5つの著者によるパイロットスタディを行い,パイプラインの確立と電力シミュレーションのパラメータ化を行い,Hit@10は4つの学習モデルで0.16～0.85,そして2つのヒューリスティックベースラインで0.08～0.30であった。 最終結果は、計画された実験と分析が完了した後で報告される。 [結論]本研究は,Webページ上のコンテキスト関連データベース,アクセシビリティツリーグラフ上のコンテキスト選択のためのリンク予測の実証的評価,およびクロスサイト一般化分析に貢献する。

関連論文リスト

• ACAT: A Collaborative Platform for Efficient Aspect-Based Sentiment Dataset Annotation [2.2798212772395616]
  ACAT(Aspect-based sentiment analysis Collaborative Tool)は、4つのABSAシナリオをサポートするWebベースのプラットフォームである。 コアコントリビューションは、共同アノテーションを調整するETL(Extract, Transform, Load)パイプラインの自動化だ。 ACATは、すべてのタスクで31.58秒、生のIAAが0.78から0.86までの平均的なアノテーションタイムを達成している。
  論文  参考訳（メタデータ） (2026-06-02T20:16:54Z)
• LLMbench: A Comparative Close Reading Workbench for Large Language Models [0.0]
  LLMbenchは、大規模言語モデル(LLM)の出力を比較検討するためのブラウザベースのワークベンチである。 本稿では、ツールのアーキテクチャ、その6つのモード、その設計の根拠を説明し、現在人文科学やAIの社会科学的読解に不足しているログ確率データが、生成型AIモデルの重要な研究のための重要なリソースである、と論じる。
  論文  参考訳（メタデータ） (2026-04-16T20:32:13Z)
• SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning [48.376164461507244]
  本稿では,SCRIBES (SCRIpt-Based Semi-Structured Content extract at Web-Scale) を紹介する。 各ページを個別に処理するのではなく、SCRIBESは構造的に類似したWebページのグループに適用可能な再利用可能な抽出スクリプトを生成する。 実験の結果,本手法はスクリプト品質が13%以上向上し,GPT-4oでは4%以上向上することがわかった。
  論文  参考訳（メタデータ） (2025-10-02T09:27:15Z)
• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• Text-Driven Neural Collaborative Filtering Model for Paper Source Tracing [1.124958340749622]
  PST(Paper Source Tracing)タスクは、与えられた学術論文に対する重要な参照の識別を自動化することを目的としている。 このフレームワークでは、最終的な予測を生成するために、Neural Collaborative Filtering(NCF)モデルを採用している。 本手法は平均精度(MAP)測定値で0.37814のスコアを達成し,ベースラインモデルを上回っ,全参加チームで11位となった。
  論文  参考訳（メタデータ） (2024-07-25T02:48:56Z)
• CiteFusion: An Ensemble Framework for Citation Intent Classification Harnessing Dual-Model Binary Couples and SHAP Analyses [1.6695303704829412]
  CiteFusionは、SciCiteとACL-ARCという2つのベンチマークデータセット上のマルチクラスCitation Intent Classificationタスクに対処する。 実験の結果、CiteFusionは最先端のパフォーマンスを達成し、Macro-F1スコアはSciCiteで89.60%、ACL-ARCで76.24%であった。 我々は、SciCiteで開発されたCiteFusionモデルを利用して、引用意図を分類するWebベースのアプリケーションをリリースする。
  論文  参考訳（メタデータ） (2024-07-18T09:29:33Z)
• Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
  TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。 我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
  論文  参考訳（メタデータ） (2023-12-21T11:45:28Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• A Graph Representation of Semi-structured Data for Web Question Answering [96.46484690047491]
  本稿では、半構造化データとそれらの関係の構成要素の体系的分類に基づいて、Webテーブルとリストのグラフ表現を提案する。 本手法は,最先端のベースラインに対してF1スコアを3.90ポイント向上させる。
  論文  参考訳（メタデータ） (2020-10-14T04:01:54Z)

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。