Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do DOM
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Cornelio Procopio |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Informática
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/5299 |
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. |