Extendiendo un marco de remediación automática de accesibilidad basado en LLMs

Abstract

A pesar de la existencia de estándares como WCAG 2.2, en la práctica la accesibilidad web sigue siendo un problema pendiente, debido a que la corrección de errores continúa siendo un proceso manual y costoso. Las herramientas actuales permiten detectar violaciones de accesibilidad con facilidad pero no realizan siempre el trabajo de modificación de código de forma apropiada. En los últimos años, los grandes modelos de lenguaje (Large Language Models, LLMs) han empezado a utilizarse como apoyo en tareas de reparación automática. En un trabajo previo desarrollamos un marco basado en LLMs capaz de corregir problemas de accesibilidad en sitios Web estáticos y aplicaciones Angular. En este trabajo ampliamos ese enfoque a React, donde el uso de JSX y la presencia de lógica embebida hacen que las modificaciones automáticas sean más delicadas. Para ello incorporamos análisis estático basados en la construcción de árboles sintácticos y un mecanismo de escritura diferencial que modifica únicamente los fragmentos necesarios y valida cada cambio mediante recompilación. La evaluación se realizó sobre 8 proyectos React, identificando 66 errores iniciales, de los cuales 62 fueron corregidos (93,94%) sin introducir problemas de construcción en los proyectos. Los resultados indican que el enfoque puede aplicarse en aplicaciones React reales sin introducir inestabilidad.