Recopilando Datos de UI Móvil Moderna para Aplicaciones Mejoradas

Las apps móviles son ahora una parte grande de nuestras vidas, y hay un interés creciente en crear herramientas y estudios basados en las interfaces de usuario (UIs) móviles. Estas UIs incluyen los Elementos que vemos en nuestras pantallas, como botones, cuadros de texto e imágenes. Para mejorar cómo entendemos y diseñamos estas interfaces, tener acceso a Conjuntos de datos de alta calidad es crucial. Sin embargo, muchos conjuntos de datos existentes son viejos o de mala calidad, lo que los hace menos útiles para las aplicaciones actuales.

Este artículo habla de un nuevo método para recopilar datos de UIs móviles de apps de Android usando tecnología avanzada. Nos enfocamos en recoger Diseños de UIs frescos y relevantes que reflejen estilos y tendencias modernas. Al utilizar técnicas mejoradas para filtrar datos malos y conseguir ayuda humana para revisar los datos, creamos un conjunto de datos más robusto. Esperamos que esto proporcione un recurso valioso para futuras investigaciones y avances en la comprensión de las UIs móviles.

#La Necesidad de Conjuntos de Datos de Alta Calidad

A medida que las apps se vuelven más centrales en nuestras actividades diarias, la demanda de herramientas efectivas e investigación que dependa de las UIs móviles ha aumentado. Aplicaciones como la detección de elementos de UI, mejora de diseños de pantalla y etiquetado de íconos dependen mucho de buenos datos de UI. Los conjuntos de datos actuales a menudo no cumplen porque pueden haber sido recopilados hace años, lo que lleva a discrepancias entre lo que los usuarios experimentan ahora y lo que los investigadores estudian.

Uno de los conjuntos de datos más utilizados, Rico, incluye más de 66,000 UIs de muchas apps pero no se ha actualizado desde principios de 2017. Esto significa que los diseños están desactualizados, y usarlos podría llevar a un mal rendimiento en la modelación de apps modernas. Además, hay problemas significativos con los datos en Rico, como ruido por superposición y duplicados, lo que complica el proceso de modelado.

Para abordar estos problemas, presentamos un método para recopilar UIs de alta calidad de nuevas apps de Android. Usando herramientas avanzadas y validación humana, creamos un conjunto de datos fresco que refleja las tendencias más recientes en diseño de UIs.

#Recolección Automatizada de Datos

Nuestro enfoque se centra en recopilar UIs recientes explorando automáticamente apps de Android. Usamos una tecnología inspirada en modelos de lenguaje avanzados que puede facilitar la exploración similar a la humana de las apps. En este proceso, el modelo interactúa con la app como si fuera un usuario, recopilando varios elementos de UI.

Para maximizar la calidad de nuestro conjunto de datos, primero desplegamos un rastreador web para recopilar las apps más populares de Google Play Store. El rastreador web está diseñado para navegar eficientemente por varias apps y capturar los datos de UI relevantes.

Luego, mientras el modelo interactúa con cada app, recopila capturas de pantalla de la UI y su información estructural. Sin embargo, este proceso puede generar un cierto nivel de datos ruidosos. Para mitigar esto, utilizamos técnicas probadas para filtrar los datos de mala calidad antes de realizar la recolección final.

Finalmente, involucramos a anotadores humanos para revisar los datos recopilados, asegurando aún más que el conjunto de datos final sea de alta calidad. Este enfoque combinado Automatizado y manual nos permite recopilar un amplio rango de diseños modernos de UI.

#Resumen del Conjunto de Datos

Nuestro conjunto de datos comprende 18,132 UIs únicas recopiladas de 3,300 apps de Android repartidas en varias categorías. El uso exitoso de herramientas automatizadas y validación humana resultó en una colección bien curada. Este conjunto de datos representa estilos de diseño modernos y se espera que esté más alineado con las experiencias actuales de los usuarios en comparación con conjuntos de datos más antiguos.

Con la ayuda de este conjunto de datos, podemos apoyar dos tareas esenciales en modelado de UI: detectar elementos de UI y recuperar pantallas de UI similares. Estas tareas pueden ayudar a los desarrolladores a crear mejores aplicaciones que se alineen con las expectativas de los usuarios.

#Importancia de la Detección de Elementos de UI

La detección de elementos de UI es crucial para mejorar cómo funcionan y aparecen las apps para los usuarios. Este proceso implica identificar diferentes elementos de UI en una pantalla y entender sus roles. Una detección precisa puede ayudar a mejorar la accesibilidad, las pruebas y hasta el desarrollo futuro de nuevas apps.

Al usar nuestro conjunto de datos, podemos entrenar modelos de detección que superen a los construidos a partir de conjuntos de datos desactualizados. Esta mejora probablemente se deba a la naturaleza moderna y limpia de nuestros datos, que reflejan prácticas de diseño actuales.

A través de nuestros experimentos con el conjunto de datos, observamos un mejor rendimiento en varias clases de elementos de UI. Esto es una clara indicación de que usar un conjunto de datos fresco lleva a mejores resultados en la tarea de detección de elementos de UI.

#Recuperación de UI e Inspiración de Diseño

La recuperación de UI implica encontrar ejemplos de diseño similares basados en una consulta específica. Esto es particularmente útil para diseñadores que buscan inspiración o para aquellos que comparan alternativas de diseño. La capacidad de recuperar diseños de UI relevantes puede llevar a elecciones de diseño más informadas y fomentar la creatividad.

Usando nuestro conjunto de datos, hemos realizado pruebas de usuarios para evaluar la efectividad de nuestra funcionalidad de recuperación de UI. Los participantes recibieron consultas y se les pidió que evaluaran la relevancia de los ejemplos de diseño generados tanto de nuestro conjunto de datos como del más antiguo conjunto de datos Rico.

Los resultados mostraron que nuestro conjunto de datos proporcionó ejemplos de diseño más relevantes y modernos, convirtiéndolo en un mejor recurso para diseñadores. La capacidad de aprovechar las tendencias contemporáneas de UI ayuda a los diseñadores a mantenerse al día con las necesidades y expectativas cambiantes de los usuarios.

#Desafíos y Ruido en Conjuntos de Datos de UI

A pesar de nuestros mejores esfuerzos para crear un conjunto de datos limpio, identificamos ciertos tipos de ruido y errores en nuestros datos recopilados. Estos incluyen problemas como UIs parcialmente renderizadas, elementos superpuestos y diseños duplicados. Abordar estos problemas es esencial para mantener la integridad de nuestro conjunto de datos.

Para entender mejor los desafíos que enfrentan los conjuntos de datos existentes, realizamos un pequeño estudio sobre el conjunto de datos Rico. Esta investigación reveló un alto porcentaje de ruido, enfatizando la necesidad de datos frescos y de alta calidad como los nuestros.

Para asegurar la calidad de nuestro conjunto de datos, empleamos técnicas bien establecidas de eliminación de ruido y dependimos de anotadores humanos para identificar y marcar datos problemáticos. Este enfoque en múltiples capas nos ha ayudado a minimizar la presencia de ruido y mejorar la calidad general de los datos.

#Discusión de Hallazgos Clave

A lo largo de nuestro proceso de investigación y recolección de datos, descubrimos varios aspectos importantes sobre los diseños modernos de UI. En primer lugar, hay una clara tendencia hacia una mayor atractivo visual y diseños amigables. Las UIs modernas priorizan la simplicidad y legibilidad, guiando a los usuarios más efectivamente a través de sus tareas.

Además, nuestros hallazgos indican que los diseños de interacción están volviéndose más intuitivos, permitiendo a los usuarios completar tareas más eficientemente. Esto es especialmente notable en áreas como la configuración de fechas, donde los diseños han sido optimizados para una interacción más suave.

La tipografía, que fue un aspecto pasado por alto en el diseño, ahora está recibiendo más atención. Una tipografía bien elegida puede captar la atención de los usuarios y ayudar a transmitir mensajes claramente, contribuyendo significativamente a la experiencia general del usuario.

#Aplicaciones Futuras y Direcciones de Investigación

El conjunto de datos que hemos compilado abre numerosas avenidas para futuras investigaciones. Como hemos demostrado, puede apoyar diversas tareas de modelado, y anticipamos que proporcionará ideas valiosas en otras áreas como la resumición de pantallas y las interacciones automatizadas de usuarios.

En el futuro, planeamos explorar la intersección del diseño de UI móvil y el comportamiento del usuario. Comprender cómo los usuarios interactúan con diferentes elementos de UI puede allanar el camino para desarrollar interfaces de usuario más personalizadas e inteligentes.

Además, expandir nuestros esfuerzos de recolección de conjuntos de datos para incluir UIs de otras plataformas, como iOS y aplicaciones web, podría proporcionar una comprensión más completa de las prácticas de diseño de UI en diversos entornos.

#Conclusión

En resumen, hemos introducido un nuevo método para recopilar datos de UI móviles de alta calidad que reflejan los estándares de diseño contemporáneo. Nuestro proceso automatizado, combinado con la validación humana, garantiza que el conjunto de datos sea robusto y valioso para futuras investigaciones.

A medida que la tecnología móvil continúa evolucionando, mantener conjuntos de datos actualizados es esencial para entender las interfaces de usuario y mejorar las herramientas y aplicaciones disponibles para los usuarios. Al compartir nuestro conjunto de datos con la comunidad de investigación, esperamos impulsar más avances en el diseño y funcionalidad de las aplicaciones móviles, llevando finalmente a una mejor experiencia de usuario para todos.