一篇新的arXiv论文调查了启发式评估与基于语言模型(LM)的移动用户界面质量评估之间的差异。研究人员构建了一个包含15,000个移动界面屏幕的大型数据集,并收集了来自六名启发式评分员和三款开源语言模型的超过270,000个评分。研究发现,启发式评分与LM评分之间的一致性持续较弱,kappa分数通常低于0.15。尽管这种差异表明存在系统性偏差和弱协变,而非完全缺乏关联,但LM评分与界面结构属性的相关性不如启发式评分。 AI
影响 强调了当前LLM在细致的定性评估方面的局限性,表明需要进一步研究以实现可靠的自动化UI评估。
排序理由 学术论文,详细介绍了研究及其发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →