桥接可访问性测试解释差距：通过大型语言模型生成同情且法律感知的错误报告
软件工程
2026-03-26 v1 人机交互
摘要
现代自动化可访问性测试工具在移动应用方面显著提高了界面违规的检测能力, 但其对整改的影响仍有限。一个关键原因是现有工具通常产生低层次、技术性输出, 难以供非专业利益相关者（如产品经理和设计师）解释实际用户伤害和合规风险。本文提出了 \textsc{HEAR} (\underline{H}uman-c\underline{E}ntered \underline{A}ccessibility \underline{R}eporting), 一个桥接这种解释差距的框架, 通过将原始可访问性错误报告转化为具有同情心和针对利益相关者的叙事。给定现有可访问性测试工具的输出, \textsc{HEAR} 首先通过语义切片和视觉 grounding 重构 UI 上下文, 然后动态注入匹配每种违规类型的残障-oriented personas, 最后进行多层推理以解释物理障碍、功能阻断以及相关法律或合规 concerns。我们在来自四个流行 Android 应用程序收集的真实世界可访问性问题上对该框架进行评估, 并进行了为期 N=12 的用户研究。结果表明, \textsc{HEAR} 生成事实依据的报告, 并在与原始技术日志相比, 在提升感同情、紧迫感、说服力和法律风险意识方面显著提高, 同时对认知负担几乎没有额外增加。
引用
@article{arxiv.2603.23828,
title = {Bridging the Interpretation Gap in Accessibility Testing: Empathetic and Legal-Aware Bug Report Generation via Large Language Models},
author = {Ryoya Koyama and Zhiyao Wang and Devi Karolita and Jialong Li and Kenji Tei},
journal= {arXiv preprint arXiv:2603.23828},
year = {2026}
}