BAGEL：一种自动检测基于导航的网络可访问性障碍的方法，针对键盘用户

文献标题

BAGEL: An Approach to Automatically Detect Navigation-Based Web Accessibility Barriers for Keyboard Users

文献信息

• 主题领域: Web无障碍技术/软件测试
• 关键词: Web Accessibility, WCAG, Keyboard Navigation, Software Testing, UI Accessibility

研究背景与问题

• 发现问题或挑战:

  1. 键盘导航对于许多残疾用户来说至关重要，但许多现代网站在键盘可用性方面不符合Web无障碍指南(WCAG)。
  2. JavaScript动态更新可能未正确呈现给键盘用户，导致导航失败（KNF）。
  3. 现有静态分析技术不足以揭示导航问题。

• 重要性: 网站的设计缺陷阻碍了键盘用户有效导航，影响了全球15%残疾人的信息获取和服务使用。

• 研究动机与相关工作: 近51%的残疾用户依赖网络作为生活的生命线，但只有不到4%的顶级网站满足最广泛采用的WCAG标准。本研究旨在解决键盘导航相关的可访问性缺陷，并相比已有的检测工具提供更高的精度和召回率。

解决方案

• 提出方法: 提出一种名为BAGEL的自动检测导航问题的方法，通过动态网络爬取技术检测键盘导航失败（KNF）。

• 创新之处:

  1. 首次正式定义和建模键盘导航失败（KNF）；
  2. 全自动KnF检测技术，超过现有工具的性能；
  3. 借助视觉语义模型分析UI的导航行为。

• 实施步骤与关键技术:

  1. KFFG建模:
     • 创建键盘导航模型以表示键盘用户在UI中的焦点导航流；
     • 动态爬取网页，模拟用户键盘操作(如Tab切换)；
  2. 语义聚类:
     • 使用DBSCAN密度聚类将页面元素聚类为相似的功能集；
  3. 视觉聚类分析:
     • 通过截图对比分析聚焦时的视觉差异，检测焦点指示是否明显；
  4. KNF检测:
     • 使用模型分析导航顺序是否直观；
     • 检测页面跳转的非预期焦点变化；
     • 查找焦点视觉性不足问题。

研究成果

• 具体成果:

  1. BAGEL工具实现了键盘导航障碍的自动检测，平均F1分值达90%；
  2. 在20个实际网页上进行了实验，证明了BAGEL在检测KNF方面的高精度和召回率。

• 与现有解决方案的优势: 相比现有无障碍扫描工具(BAGEL相较如WAVE和QualWeb等)，对导航障碍的检测更为细化，避免了传统静态分析工具的高误报率和低召回率。

• 实验或评估结果:

  • BAGEL比其他工具多检测到KNFs且错误率更低；
  • 该工具耗时平均约8分钟，比现有工具的实时性略低，但精度更高；
  • 检测的KNFs包括无序导航、超出预期的页面跳转和不可见键盘焦点。

• 局限性与未来方向:

  • 局限: 僅处理单一页面的初始状态，无法分析动态加载内容。
  • 未来方向: 集成更完整的爬取机制以探索页面深层内容，与其他浏览器兼容以检测跨浏览器可访问性问题。