Resumen:Garantizar la accesibilidad web es crucial para promover el bienestar social, la justicia y la igualdad en los espacios digitales; sin embargo, la gran mayoría de las interfaces de usuario de sitios web siguen sin cumplir con las normas, debido en parte a la naturaleza no escalable y de uso intensivo de recursos de las prácticas de auditoría actuales. Si bien WCAG-EM ofrece una metodología estructurada para la evaluación de la conformidad del sitio, implica grandes esfuerzos humanos y carece de apoyo práctico para la ejecución a escala. En este trabajo, presentamos un marco de auditoría, AAA, que pone en funcionamiento WCAG-EM a través de un modelo de asociación entre humanos y IA. AAA se basa en dos innovaciones clave: GRASP, un método de muestreo multimodal basado en gráficos que garantiza una cobertura de página representativa mediante incorporaciones aprendidas de señales visuales, textuales y relacionales; y MaC, un copiloto multimodal basado en un modelo de lenguaje grande que apoya a los auditores mediante razonamiento intermodal y asistencia inteligente en tareas de alto esfuerzo. Juntos, estos componentes permiten una auditoría de accesibilidad web escalable de extremo a extremo, lo que brinda a los auditores humanos asistencia mejorada por IA para lograr un impacto en el mundo real. Además, aportamos cuatro conjuntos de datos novedosos diseñados para comparar las etapas centrales del proceso de auditoría. Amplios experimentos demuestran la eficacia de nuestros métodos, proporcionando información de que los modelos de lenguaje a pequeña escala pueden servir como expertos capaces cuando se ajustan con precisión.
Publicado originalmente en export.arxiv.org el 5 de noviembre de 2025.
Ver fuente original
