Buchumschlag

Catching UX Flaws in Code: Leveraging LLMs to Identify Usability Flaws at the Development Stage

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Platt, Nolan, Luchs, Ethan, Nizamani, Sehrish
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence Human-Computer Interaction
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI for Better UX in Computer-Aided Engineering: Is Academia Catching Up with Industry Demands? A Multivocal Literature Review
von: Uulu, Choro Ulan, et al.
Veröffentlicht: (2025)

Detecting UX smells in Visual Studio Code using LLMs
von: Rodriguez, Andrés, et al.
Veröffentlicht: (2026)

Investigating Multimodal Large Language Models to Support Usability Evaluation
von: Lubos, Sebastian, et al.
Veröffentlicht: (2025)

CodeAlignBench: Assessing Code Generation Models on Developer-Preferred Code Adjustments
von: Mehralian, Forough, et al.
Veröffentlicht: (2025)

Untold Stories: Unveiling the Scarce Contributions of UX Professionals to Usability Issue Discussions of Open Source Software Projects
von: Sanei, Arghavan, et al.
Veröffentlicht: (2025)

Can Developers Prompt? A Controlled Experiment for Code Documentation Generation
von: Kruse, Hans-Alexander, et al.
Veröffentlicht: (2024)

Instruct or Interact? Exploring and Eliciting LLMs' Capability in Code Snippet Adaptation Through Prompt Engineering
von: Zhang, Tanghaoran, et al.
Veröffentlicht: (2024)

Professional Software Developers Don't Vibe, They Control: AI Agent Use for Coding in 2025
von: Huang, Ruanqianqian, et al.
Veröffentlicht: (2025)

Pre-Filtering Code Suggestions using Developer Behavioral Telemetry to Optimize LLM-Assisted Programming
von: Awad, Mohammad Nour Al, et al.
Veröffentlicht: (2025)

Vibe Coding as a Reconfiguration of Intent Mediation in Software Development: Definition, Implications, and Research Agenda
von: Meske, Christian, et al.
Veröffentlicht: (2025)

LLMs' Reshaping of People, Processes, Products, and Society in Software Development: A Comprehensive Exploration with Early Adopters
von: Tabarsi, Benyamin, et al.
Veröffentlicht: (2025)

How Coding Agents Fail Their Users: A Large-Scale Analysis of Developer-Agent Misalignment in 20,574 Real-World Sessions
von: Tang, Ningzhi, et al.
Veröffentlicht: (2026)

Coding with Eyes: Visual Feedback Unlocks Reliable GUI Code Generating and Debugging
von: Liu, Zhilin, et al.
Veröffentlicht: (2026)

Is Vibe Coding the Future? An Empirical Assessment of LLM Generated Codes for Construction Safety
von: Uddin, S M Jamil
Veröffentlicht: (2026)

Accodemy: AI Powered Code Learning Platform to Assist Novice Programmers in Overcoming the Fear of Coding
von: Aamina, M. A. F., et al.
Veröffentlicht: (2025)

Dynamic Framework for Collaborative Learning: Leveraging Advanced LLM with Adaptive Feedback Mechanisms
von: Tahir, Hassam, et al.
Veröffentlicht: (2026)

Interaction2Code: Benchmarking MLLM-based Interactive Webpage Code Generation from Interactive Prototyping
von: Xiao, Jingyu, et al.
Veröffentlicht: (2024)

Using an LLM to Help With Code Understanding
von: Nam, Daye, et al.
Veröffentlicht: (2023)

More Code, Less Reuse: Investigating Code Quality and Reviewer Sentiment towards AI-generated Pull Requests
von: Huang, Haoming, et al.
Veröffentlicht: (2026)

Generative AI for CAD Automation: Leveraging Large Language Models for 3D Modelling
von: Kumar, Sumit, et al.
Veröffentlicht: (2025)

An Exploratory Study of ML Sketches and Visual Code Assistants
von: Gomes, Luís F., et al.
Veröffentlicht: (2024)

CentaurEval: Benchmarking Human-in-the-Loop Value in Agentic Coding
von: Luo, Hanjun, et al.
Veröffentlicht: (2025)

Envisioning the Next-Generation AI Coding Assistants: Insights & Proposals
von: Nghiem, Khanh, et al.
Veröffentlicht: (2024)

CosmoCore Affective Dream-Replay Reinforcement Learning for Code Generation
von: Ravindran, Santhosh Kumar
Veröffentlicht: (2025)

"My productivity is boosted, but ..." Demystifying Users' Perception on AI Coding Assistants
von: Lyu, Yunbo, et al.
Veröffentlicht: (2025)

EyeTrans: Merging Human and Machine Attention for Neural Code Summarization
von: Zhang, Yifan, et al.
Veröffentlicht: (2024)

ChatGPT on the Road: Leveraging Large Language Model-Powered In-vehicle Conversational Agents for Safer and More Enjoyable Driving Experience
von: Bond, Yeana Lee, et al.
Veröffentlicht: (2025)

EyeMulator: Improving Code Language Models by Mimicking Human Visual Attention
von: Zhang, Yifan, et al.
Veröffentlicht: (2025)

Optimizing LLM Code Suggestions: Feedback-Driven Timing with Lightweight State Bounds
von: Awad, Mohammad Nour Al, et al.
Veröffentlicht: (2025)

Evaluating the Quality of Code Comments Generated by Large Language Models for Novice Programmers
von: Fan, Aysa Xuemo, et al.
Veröffentlicht: (2024)

Dynamic Code Orchestration: Harnessing the Power of Large Language Models for Adaptive Script Execution
von: Del Vecchio, Justin, et al.
Veröffentlicht: (2024)

Agentic Metacognition: Designing a "Self-Aware" Low-Code Agent for Failure Prediction and Human Handoff
von: Xu, Jiexi
Veröffentlicht: (2025)

"I'm Not Reading All of That": Understanding Software Engineers' Level of Cognitive Engagement with Agentic Coding Assistants
von: Catalan, Carlos Rafael, et al.
Veröffentlicht: (2026)

The SPACE of AI: Real-World Lessons on AI's Impact on Developers
von: Houck, Brian, et al.
Veröffentlicht: (2025)

TableTalk: Scaffolding Spreadsheet Development with a Language Agent
von: Liang, Jenny T., et al.
Veröffentlicht: (2025)

Human-AI Experience in Integrated Development Environments: A Systematic Literature Review
von: Sergeyuk, Agnia, et al.
Veröffentlicht: (2025)

Stakeholder Participation for Responsible AI Development: Disconnects Between Guidance and Current Practice
von: Kallina, Emma, et al.
Veröffentlicht: (2025)

Prompts Are Programs Too! Understanding How Developers Build Software Containing Prompts
von: Liang, Jenny T., et al.
Veröffentlicht: (2024)

How Developers Interact with AI: A Taxonomy of Human-AI Collaboration in Software Engineering
von: Treude, Christoph, et al.
Veröffentlicht: (2025)

The Impact of LLM-Assistants on Software Developer Productivity: A Systematic Review and Mapping Study
von: Mohamed, Amr, et al.
Veröffentlicht: (2025)