Analyse von automatisierten Testverfahren für die Barrie-refreiheitsprüfung von Apps im Hinblick auf den Europäischen Standard EN 301 549
Bibliographic record
Abstract
Viele Menschen mit Behinderungen stoßen immer noch auf Barrieren, die es ihnen er-schweren, Smartphone-Anwendungen zu nutzen. Die harmonisierte europäische Norm EN 301 549 legt die Anforderungen an die funktionale Barrierefreiheit von ICT-Produk-ten und -Dienstleistungen fest und beschreibt Testverfahren und Bewertungsmetho-den für jede Anforderung. Analysetools und automatisierte Testverfahren versprechen Entwickler bei der Erstellung barrierefreier Anwendungen zu unterstützen. Diese Werkzeuge unterscheiden sich in ihrer Funktionsweise, ihrer Zielgruppe und dem Zeit-punkt, an dem sie in den Entwicklungsprozess eingebunden werden können. Ziel dieser Arbeit ist es, einen Leitfaden zu erstellen, der aufzeigt, welche Kriterien nach EN 301 549 mit Hilfe von Analysewerkzeugen überprüft werden können und die Frage zu be-antworten "Wie können Analysewerkzeuge und automatisierte Testverfahren einge-setzt werden, um Barrierefreiheitstests im Hinblick auf die europäische Norm EN 301 549 zu automatisieren?".
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.045 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".