Imagem da capa

Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom

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...

ver descrição completa

Autor principal: Rizo, Eduardo Henrique
Formato: Dissertação
Idioma: Português
Publicado em: Universidade Tecnológica Federal do Paraná 2020
Assuntos:
Aprendizado do computador
Classificação
Projeto de acessibilidade
Machine learning
Classification
Barrier-free design
CNPQ::CIENCIAS EXATAS E DA TERRA
Ciência da Computação
Acesso em linha: http://repositorio.utfpr.edu.br/jspui/handle/1/5169
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id riut-1-5169
recordtype dspace
spelling riut-1-51692020-09-17T06:01:10Z Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom Automatic classification of widgets and their subcomponents based on a machine learning pipeline acting on dom mutation records Rizo, Eduardo Henrique Watanabe, Willian Massami http://lattes.cnpq.br/8946276875418151 Watanabe, Willian Massami http://lattes.cnpq.br/8946276875418151 Freire, André Pimenta http://lattes.cnpq.br/8564844746819651 Corrêa, Cléber Gimenez http://lattes.cnpq.br/0521761025000380 Aprendizado do computador Classificação Projeto de acessibilidade Machine learning Classification Barrier-free design CNPQ::CIENCIAS EXATAS E DA TERRA Ciência da Computação 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. 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 à padronização ARIA, as ferramentas atuais de desenvolvimento carecem de recursos de apoio ao desenvolvedor no que tange à 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 máquina que analisa as alterações que ocorrem na estrutura Document Object Model (DOM) das páginas web. A classificação de widgets e dos seus respectivos subcomponentes é uma etapa essencial para a avaliação automática de conformidade dos mesmos em relação à especificação ARIA, bem como, para criação de mecanismos para adaptação automática da codificação HTML dos widgets para mitigar problemas de acessibilidade, assim, contribuindo com o processo de Engenharia de Software de RIAs e mantendo-as em consonância às 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 máquina proposto. Os resultados fornecem evidências de que a abordagem proposta é capaz de classificar widgets do tipo dropdown menu, suggestion box e também os seus subcomponentes, pois obteve Fmeasure médio, que é um tipo de acurácia em relação a sensibilidade dos classificadores de aprendizado de máquina, 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. 2020-09-08T00:03:47Z 2020-09-08T00:03:47Z 2019-08-07 masterThesis 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. 69 f. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2019. http://repositorio.utfpr.edu.br/jspui/handle/1/5169 por openAccess application/pdf Universidade Tecnológica Federal do Paraná Cornelio Procopio Brasil Programa de Pós-Graduação em Informática UTFPR
institution Universidade Tecnológica Federal do Paraná
collection RIUT
language Português
topic Aprendizado do computador
Classificação
Projeto de acessibilidade
Machine learning
Classification
Barrier-free design
CNPQ::CIENCIAS EXATAS E DA TERRA
Ciência da Computação
spellingShingle Aprendizado do computador
Classificação
Projeto de acessibilidade
Machine learning
Classification
Barrier-free design
CNPQ::CIENCIAS EXATAS E DA TERRA
Ciência da Computação
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
description 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.
format Dissertação
author Rizo, Eduardo Henrique
author_sort Rizo, Eduardo Henrique
title Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
title_short Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
title_full Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
title_fullStr Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
title_full_unstemmed Classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
title_sort classificação automática de widgets e seus subcomponentes por meio de um pipeline de aprendizado de máquina atuando em registros de mutações do dom
publisher Universidade Tecnológica Federal do Paraná
publishDate 2020
citation 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. 69 f. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2019.
url http://repositorio.utfpr.edu.br/jspui/handle/1/5169
_version_ 1805298386274877440
score 10,814766

Registros relacionados