Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/5299| Título: | Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do DOM |
| Título(s) alternativo(s): | Automatic classification of widgets and their subcomponents based on a machine learning pipeline acting on dom mutation records |
| Autor(es): | Rizo, Eduardo Henrique |
| Orientador(es): | Watanabe, Willian Massami |
| Palavras-chave: | Aprendizado do computador Classificação Projeto de acessibilidade Machine learning Classification Barrier-free design |
| Data do documento: | 7-Ago-2019 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | RIZO, Eduardo Henrique. Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom. 2019. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2019. |
| Resumo: | Com o advento da Web 2.0 e do movimento Asynchronous JavaScript and XML (AJAX), os desenvolvedores de sites web intensificaram o uso de mecanismos de interação sofisticados, denominados de widgets, para composição da interface de usuário das aplicações Ricas de Internet (RIAs). Apesar desse fato melhorar a usabilidade e navegabilidade dos sites web, muitos widgets são atualmente implementados sem a devida preocupação com o uso das padronizações de acessibilidade especificadas pela Accessible Rich Internet Applications (ARIA), o que pode torna-los não acessíveis para pessoas com deficiência. Não obstante a padronização ARIA, as ferramentas atuais de desenvolvimento carecem de recursos de apoio ao desenvolvedor no que tange a disponibilização¸ de funções automatizadas para detecção de não conformidades dos widgets para com as regras de acessibilidade da ARIA, o que também contribui para o seu pouco uso. Portanto, esta dissertação de mestrado apresenta uma abordagem para classificar automaticamente widgets do tipo dropdown menu, suggestion box e seus respectivos subcomponentes, por meio de um pipeline de aprendizado de maquina que analisa as alterações que ocorrem na estrutura Document Object Model (DOM) das paginas web. A classificação de widgets e dos seus respectivos subcomponentes e uma etapa essencial para a avaliação automática de conformidade dos mesmos em relação a especificação ARIA, bem como, para criação de mecanismos para adaptação ao automática da codificação ao HTML ˜ dos widgets para mitigar problemas de acessibilidade, assim, contribuindo com o processo de Engenharia de Software de RIAs e mantendo-as em consonância as especificações da ARIA. Para validação, foi conduzido um estudo experimental com 34 dos 50 sites web mais acessados nos EUA, para avaliar a efetividade do pipeline de aprendizado de maquina proposto. Os resultados fornecem evidencias de que a abordagem proposta e capaz de classificar widgets do tipo dropdown menu, suggestion box e também os seus subcomponentes, pois obteve Fmeasure médio, que é um tipo de acurância em relação a sensibilidade dos classificadores de aprendizado de maquina, de 0,967 e 0,894 respectivamente. Os resultados também sugerem que o desenvolvimento de artefatos de software que identifiquem automaticamente widgets e seus subcomponentes, podem prover subsídios para ferramentas automáticas de avaliação de acessibilidade conforme as regras da ARIA, bem como para ferramentas de adaptação automática de código HTML para acessibilidade, contribuindo para o processo de engenharia web de aplicações acessíveis. |
| Abstract: | Since the emergence of Web 2.0 advent and the Asynchronous JavaScript and XML (AJAX) movement, web site developers have stepped up the use of sophisticated interaction mechanisms, called widgets, to design Rich Internet Applications (RIA) user interfaces. Despite the fact improves the usability and navigability of web sites, many widgets are currently implemented without the accessibility design solutions standardized in the Accessible Rich Internet Applications (ARIA) specification and hence they may be not accessible to disabled people. Notwithstanding the ARIA standardization, current development tools lack support in providing automated functions to detect nonconformities of widgets accessibility to the ARIA rules, which also contribute to its little use. Therefore, this master’s dissertation presents an approach to automatically classifying widgets type of dropdown menu, suggestion box and their respective subcomponents, through a machine learning pipeline that analyzes the changes that occur in the Document Object Model (DOM) structure of the web pages. Classifying widgets and their subcomponents is an essential step for automatic evaluation of ARIA conformance and HTML code adaptation to mitigate accessibility issues, contributing to the Software Engineering process of RIAs and keeping them in line with ARIA specifications. The proposal validation was performed by an experimental study with 34 of the 50 most visited web sites in the USA to evaluate the effectiveness of the proposed machine learning pipeline. The results provide evidence that the proposed approach is able to classify widgets with dropdown menu, suggestion box and their subcomponents with F-measure metric, that is a kind of accuracy regarding the sensitivity of machine learning classifiers, about 0.967 and 0.894 respectively. The results also suggest that the development of software artifacts that automatically identify widgets and their subcomponents, can provide subsidies for automatic accessibility evaluation tools in conformance with ARIA rules, as well as tools for automatic HTML code adaptation for accessibility, contributing to the process of web engineering accessible applications. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/5299 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Informática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| CP_PPGI_M_Rizo,_Eduardo_Henrique_2019.pdf | 2,14 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.