多模態大型語言模型在配置器使用者介面可用性分析中的應用
arXiv - Human-Computer InteractionSebastian Lubos, Alexander Felfernig, Damian Garber, Adnan Kralji\'c, Tarik Kralji\'c, Viet-Man Le, Thi Ngoc Trang Tran, Gerhard Leitner, Julian Schwazer, Doris Suppan, Reinhard Willfort, Ivan Dukic, Jeremias Fuchs, Manuel Henrich
本文證明多模態大型語言模型能自動化評估配置器介面，並提供具體可改進建議，顯著降低人力成本。
AI 幫你先抓重點
AI 重點 1
MLLM可在大規模配置器環境中自動化可用性評估，減少人工審查時間。
滑鼠懸停看 AI 判斷理由
此洞察顯示AI工具能在設計階段即時發現問題，讓設計師能快速迭代，提升產品品質與使用者滿意度。
AI 重點 2
配置器專屬的18項評估準則提供可量化的評分框架，促進跨團隊溝通。
滑鼠懸停看 AI 判斷理由
此框架將抽象的可用性概念轉化為具體指標，幫助開發者、測試人員與業務人員在同一語言下討論改進方向，降低誤解。
核心研究發現
- 1
透過文獻綜合，作者提出18項專屬於配置器的可用性評估準則。
- 2
在16個實際配置器上應用MLLM，模型能準確識別可用性問題並給出嚴重程度評分。
- 3
研究顯示MLLM提供的改進建議在領域知識上具有高度相關性，雖需人工驗證，但整體分析效率提升顯著。
對教育工作者的啟發
對於教育科技產品設計者而言，可先將MLLM納入可用性評估流程，利用18項評估準則快速生成問題清單與嚴重程度，並將結果輸出至設計迭代會議。此方法可在早期階段即發現介面瓶頸，減少後期修正成本。建議將MLLM分析結果與人工驗證結合，形成混合式評估模式；同時將評估指標納入CI/CD pipeline，確保每次版本更新都經過自動化可用性檢查。最後，將評估報告以可視化圖表呈現，方便跨部門溝通，提升產品整體使用者滿意度。
原始文獻資訊
- 英文標題：
- Usability Analysis of Configurator User Interfaces with Multimodal Large Language Models
- 作者：
- Sebastian Lubos, Alexander Felfernig, Damian Garber, Adnan Kralji\'c, Tarik Kralji\'c, Viet-Man Le, Thi Ngoc Trang Tran, Gerhard Leitner, Julian Schwazer, Doris Suppan, Reinhard Willfort, Ivan Dukic, Jeremias Fuchs, Manuel Henrich
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。