Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Marco de prototipado automatizado de interfaces de usuario que integra principios de diseño cognitivo y visual para mejorar la usabilidad y la claridad del diseño

122 visualizaciones

⸱

DOI:

10.3791/71071

⸱

14 de agosto de 2026

 , 

En este artículo

Resumen

Este estudio presenta un marco automatizado para la prototipación de interfaces de usuario que integra principios de diseño cognitivo, modelado perceptual del color y aprendizaje profundo. El sistema mejora la accesibilidad, la claridad del diseño, la armonía del color y la coherencia entre pantallas, lo que resulta en diseños de interfaz coherentes y centrados en el usuario.

Resumen

El diseño eficaz de interfaces de usuario (UI) requiere un equilibrio armonioso entre atractivo visual, usabilidad cognitiva y consistencia de diseño. Sin embargo, los enfoques actuales de generación automática de interfaces se centran principalmente en la apariencia visual o en la detección de componentes, y carecen de un marco unificado que integre principios cognitivos, inteligencia del color y razonamiento estructural. Además, los métodos existentes presentan limitaciones en la generalización del diseño, baja interpretabilidad, selección estática de colores e inconsistencia de comportamiento entre pantallas. En este contexto, este trabajo propone un marco automatizado para la creación de prototipos de interfaces que integra la detección de componentes basada en la red neuronal convolucional con regiones más rápidas (Faster R-CNN) y un modelado del color perceptual guiado por el espacio de color uniforme CIECAM02 (CAM02-UCS), enriquecido con principios cognitivos y de diseño visual. Se utiliza Faster R-CNN para identificar componentes de la interfaz e inferir estructuras jerárquicas a partir de conjuntos de datos de interfaces a gran escala. Un módulo mejorado de generación de color analiza imágenes de marca o de referencia para garantizar paletas cromáticas perceptualmente uniformes, armónicas y compatibles con la usabilidad, empleando CAM02-UCS. Estas salidas se optimizan además mediante reglas de diseño cognitivo, incluyendo agrupación gestáltica, leyes de Fitts y Hick, espaciado basado en la atención y modelado de jerarquía visual, con el fin de generar automáticamente diseños de interfaz refinados y orientados a tareas. Los experimentos realizados en los conjuntos de datos RICO, ENRICO y Guo sobre colores en interfaces muestran que el sistema propuesto alcanza una precisión del 92,4 % en la detección de componentes, mejora la claridad del diseño y la precisión del orden de lectura en un 18,7 %, y genera paletas de color valoradas como un 24,5 % más armónicas por diseñadores, en comparación con los métodos de referencia. Las evaluaciones de usuarios también indican una reducción del 31 % en la carga cognitiva percibida y un aumento del 28 % en la consistencia del diseño entre pantallas. Estos resultados demuestran que combinar la comprensión estructural basada en aprendizaje profundo con modelado del color fundamentado en la percepción y principios de diseño cognitivo produce prototipos de interfaz altamente eficientes, estéticamente coherentes y fáciles de usar. Este marco establece un enfoque novedoso, integral y centrado en el ser humano para la creación automatizada de prototipos de interfaces inteligentes.

Introducción

Las interfaces gráficas de usuario (GUI) sirven como un medio fundamental de comunicación entre los seres humanos y los sistemas informáticos, influyendo significativamente en la usabilidad, accesibilidad y experiencia general del usuario (UX)1,2. Los sistemas de software modernos dependen de interfaces intuitivas y visualmente atractivas para atraer y retener usuarios. Tradicionalmente, el diseño de interfaces implica crear diseños gráficos que posteriormente son traducidos en código de front-end por ingenieros. Sin embargo, las diferencias en los protocolos específicos de cada plataforma entre sistemas opera....

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio utiliza conjuntos de datos de acceso público y no involucra sujetos humanos ni animales.

El marco propuesto de prototipado automatizado de interfaces de usuario integra la comprensión estructural basada en aprendizaje profundo, la modelización de color perceptualmente uniforme y principios de diseño cognitivo para generar prototipos de interfaz coherentes y centrados en el usuario. La metodología comienza con una arquitectura Faster R-CNN entrenada en los conjuntos de datos RICO y ENRICO para detectar componentes de interfaz de usuario y extraer sus relaciones jerárquicas, lo que permite una interpretación precisa de diversas d....

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

El marco propuesto para prototipado automático de interfaces de usuario (UI) fue evaluado utilizando un conjunto de datos integrado de 5.128 pantallas de UI provenientes de tres fuentes: 4.000 imágenes de RICO, 1.000 pantallas de ENRICO y 128 muestras de UI con anotaciones de color del Conjunto de Datos UI Color de Guo. Este conjunto de datos combinado proporciona un punto de referencia bien equilibrado para evaluar la precisión en la detección de componentes, la claridad estructural del diseño, la consistencia entre múl.......

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Los hallazgos demuestran mejoras estadísticamente significativas en usabilidad, organización estructural y calidad perceptual (p < 0,05), confirmando la eficacia de incorporar principios de diseño cognitivo en la prototipación automatizada de interfaces de usuario. A diferencia de los sistemas tradicionales de generación de interfaces que dependen principalmente de la detección visual o de heurísticas basadas en reglas, el marco propuesto integra agrupamiento gestáltico, modelado de jerarquías, restricciones de espac.......

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses.

Agradecimientos

Los autores agradecen el apoyo académico e institucional brindado por Wuhan College of Foreign Languages & Asuntos Exteriores, Universidad Keimyung y Instituto de Comercio e Idiomas Extranjeros de Shanghái durante la realización de esta investigación.

....

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
CPU (Procesador)AMD Ryzen 9 7950X (16 núcleos, 32 hilos, 4.5–5.7 GHz)Advanced Micro Devices (AMD), EE. UU.Ryzen 9 7950X
CUDA ToolkitVersión 11.8NVIDIA Corporation, EE. UU.CUDA Toolkit 11.8
cuDNNVersión 8.9NVIDIA Corporation, EE. UU.cuDNN v8.9
Faster R-CNNModelo de detección de objetos (con red de propuesta de regiones)Meta AI Research / Detectron2Entorno Detectron2
MatplotlibVersión 3.7Equipo de desarrollo de Matplotlibv3.7.0
GPU NVIDIA RTX 4090Tarjeta gráfica de 24 GB GDDR6XNVIDIA Corporation, Santa Clara, CA, EE. UU.RTX 4090
NumPyVersión 1.24Desarrolladores de NumPyv1.24.0
OpenCVVersión 4.8Fundación OpenCVv4.8.0
PyTorchVersión 2.0Fundación PyTorch (Meta AI)v2.0.0
ResNet-50 con FPNCNN base con red de pirámide de característicasMicrosoft Research / Detectron2ResNet-50-FPN
Scikit-learnVersión 1.3Desarrolladores de Scikit-learnv1.3.0
SciPyVersión 1.10Comunidad SciPyv1.10.0
Memoria del sistema (RAM)64 GB DDR5Corsair / Kingston (o equivalente)Kit DDR5 de 64 GB
Sistema operativo UbuntuVersión 22.04 LTSCanonical Ltd., Reino UnidoUbuntu 22.04 LTS

Referencias

  1. Weingerl P. Automated image-based user interface color theme generation. Appl Sci. 2024;14:2850.
  2. Feng Z, Fang J, Cai B, Zhang Y. Guis2Code: Computer vision tool to generate code automatically from graphical user interface sketches. In: Proc Int Conf Artif Neural Netw; 2021; p. 53–65.
  3. Chen C, Zhang X, Yang Y, Li Y. GalleryDC: Design search knowledge discovery through auto-created GUI component gallery. Proc ACM Hum Comput Interact. 2019;3:1–22.
  4. Chen J, et al. Object detection for graphical user interface: Old-fashioned deep learning combination. In: Proc ACM Eur Softw Eng Conf Symp Found Softw Eng; 2020; p. 1202–1214.
  5. Xie M, ....

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Prototipado automatizado de UIprincipios de diseño cognitivoFaster R-CNNdetección de componentesmodelado de color perceptivoCAM02-UCSagrupación de Gestaltusabilidad de la interfaz de usuario