The Evolving Role of Large Language Models in UX Design: A Bibliometric Analysis Study
Notice bibliographique
Résumé
Context: The advent of large language models (LLMs) have changed the way artificial intelligence interacts with users by understanding and generating natural language. In the field of user experience (UX) design, they open up new ways to improve design processes, support user-centered approaches, and create more inclusive and personalized digital experiences. However, there is still limited research that looks closely at how LLMs are used in UX design. Objective: The primary role of this study is to explore how academic research is addressing the integration of large language models to UX Design. It focuses on identifying current themes, how researchers are working together, and how the focus of the studies has changed over time. Method: This bibliometrics study is based on 42 research papers published between 2022 and 2025, selected from the databases: SpringerLink, IEEE Xplore, ScienceDirect, ACM Digital Library, Scopus, Web of Science, Arxiv, and Dimensions by using the PRISMA method. Tools like Bibliometrix and RStudio were used to analyze publication trends, citation patterns, and the main topics covered in the literature. Results: The findings show that research on LLMs and UX has grown quickly in recent years, especially after the release of tools like ChatGPT. Most of the publications originate from researchers in the USA, China, and Canada. The most common topics include chatbots, co-creation with AI, personalization, and accessibility issues such as fairness and transparency. A few papers were cited often, but many received limited attention, showing that the field is still developing. Conclusion: This analysis synthesizes early research trends in LLM-driven UX design, revealing growing academic interest. Findings highlight the need for deeper investigation into how these models enable inclusive and user-centered solutions, while underscoring the value of cross-disciplinary collaboration between AI and UX fields to advance design innovation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,252 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,101 | 0,198 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».