LADar: uno strumento basato su LLM per rilevare le violazioni dell'accessibilità web

Abstract

L’accessibilità web è importante per garantire che tutte le persone, inclusi gli utenti con disabilità, possano utilizzare i siti web senza barriere. Le Web Content Accessibility Guidelines forniscono regole chiare per costruire siti web accessibili. Tuttavia, molti siti web non rispettano ancora completamente queste linee guida. Gli strumenti automatici esistenti possono individuare alcuni problemi, ma spesso non riescono a rilevare questioni complesse o dinamiche e richiedono ancora la revisione da parte di esperti umani.

Questa tesi introduce LADar, un agente automatico basato su LLM per la valutazione dell’accessibilità dei siti web. Il sistema combina un Large Language Model con controlli basati su regole per valutare le pagine web. LADar analizza la pagina web visualizzata nel browser e decide quali test di accessibilità devono essere eseguiti in base al contenuto e alla struttura della pagina. A differenza di un processo fisso basato su regole, LADar sceglie le azioni in modo dinamico, permettendo una valutazione più mirata e flessibile.

LADar è stato testato su esempi ad-hoc e su siti web reali, e i risultati sono stati confrontati con quelli ottenuti da strumenti più tradizionali, come axe-core e Lighthouse. La valutazione mostra che LADar è in grado di individuare alcuni problemi di accessibilità che gli strumenti tradizionali non riescono a rilevare completamente, in particolare quelli legati al comportamento dinamico delle pagine.

Questo studio mostra che combinare il ragionamento degli LLM con regole chiare di accessibilità può migliorare i test automatici di accessibilità web e supportare lo sviluppo di strumenti di auditing più intelligenti.

Web accessibility is important to make sure that all people, including users with disabilities, can use websites without barriers. The Web Content Accessibility Guidelines give clear rules for building accessible websites. However, many websites still do not fully follow these rules. Existing automatic tools can find some problems, but they often miss complex or dynamic issues and still need human review.

In this thesis, we present LADar, an LLM-based accessibility auditing agent. The system combines a Large Language Model with rule-based checks to evaluate web pages. It analyzes the rendered page and decides which accessibility tests should be executed based on the page content and structure. Unlike a fixed step-by-step process, LADar chooses actions dynamically, which allows a more focused and flexible evaluation.

LADar was tested on controlled examples and real-world websites, and the results were compared with well-known tools such as axe-core and Lighthouse. The evaluation shows that LADar can detect some accessibility problems that traditional tools do not fully capture, especially concerning dynamic page behavior.

This study shows that combining LLM reasoning with clear accessibility rules can improve automatic web accessibility testing and support the development of smarter auditing tools.