International Journal of Human-Computer Interaction· 2026Q1
mUXSmellDetection: Mobil Uygulamalarda Otomatik UX Koku Tespiti İçin LLM Destekli Bir Çerçeve
mUXSmellDetection: An LLM-Assisted Framework for Automated UX Smell Detection in Mobile Apps
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir çerçeve olan mUXSmellDetection, çalışma zamanı günlüklerini, ekran görüntülerini ve kod meta verilerini analiz ederek Android uygulamalarındaki 40 standart UX kokusunu otomatik olarak tespit etmek için LLM'leri (GPT-5 %91.67 F1-skoru elde etti) kullanır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- mUXSmellDetection, Android uygulamalarında otomatik UX koku tespiti için katalog odaklı, çok modlu bir çerçevedir.
- Tanımlanmış tespit kurallarına sahip 40 standartlaştırılmış UX kokusu kataloğu kullanır.
- Çerçeve, çalışma zamanı günlüklerini, GUI ekran görüntülerini ve Java AST kod meta verilerini entegre eder.
- Tespit için LLM'ler (GPT-4o, GPT-5, GPT-5 Thinking) kullanıldı; GPT-5, uzman temellerine karşı %94.29 Kesinlik, %89.19 Geri Çağırma ve %91.67 F1-skoru elde etti.
- Çok modlu kanıt entegrasyonu, ölçeklenebilir ve pratik otomatik UX koku tespitini mümkün kılar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Mobile applications increasingly support critical services, making high-quality user experience (UX) essential. Nevertheless, scalable UX evaluation remains challenging because it relies on expert judgment and heterogeneous evidence. This study introduces mUXSmellDetection, a catalog-driven, multi-modal framework for automated UX smell detection in Java-based Android applications. A Mobile UX Smells Catalog was developed, comprising 40 standardized UX smells with explicit detection rules and evidence requirements. The framework integrates runtime interaction logs collected through hybrid in-app and system-level logging, GUI screenshots, and Java AST-based code metadata, which are transformed into structured prompts for large language models (LLMs). The approach was evaluated on ten real-world Android applications using GPT-4o, GPT-5, and GPT-5 Thinking. Detection results were compared to an expert baseline established by three UX experts. GPT-5 achieved the highest overall performance, with 94.29% Precision, 89.19% Recall, and 91.67% F1-score. These findings indicate that multi-modal evidence enables scalable and practical automated UX smell detection.
Yazarların özeti; kaynağından alınmıştır. International Journal of Human-Computer Interaction, 2026 · DOI ↗
Devamı Pofolia uygulamasında
Çıkarımlar ve makaleye soru sorma; ilgi alanına göre her gün yeni özetler. Ücretsiz.
Web'de giriş yaparak açAlan: Bilgisayar Bilimi Uygulamaları
Computer Science ApplicationsComputer Science