في عالم الذكاء الاصطناعي، يمثل اختبار واجهات المستخدم (GUI Testing) إحدى أكثر التحديات إثارة للفضول. خصوصية هذه العملية تكمن في أنه يجب على الوكلاء الذكيين (MLLM agents) العمل بشكل مستقل، والبحث عن العيوب في التطبيقات دون استخدام نصوص اختباريه محددة مسبقاً.لكن، مع الأسف، تواجه أدوات التقييم الحالية أوجه قصور عدة.

أولاً، تركز المعايير الحالية بشكل شبه كامل على عيوب التفاعل، مما يعني أن العيوب المتعلقة بالعرض (Display Defects) تبقى خارج نطاق التقييم. ثانياً، تُرسم بروتوكولات التقييم اعتماداً على توضيحات العيوب المحددة مسبقاً، مما يختصر عملية الاختبار في حكم نهائي واحد يتضمن أنواع الفشل بشكل نوعي مختلف.

للتغلب على هذه التحديات، تم تقديم GUITestScape، وهو معيار تفاعلي يغطي 61 تطبيقاً حقيقياً على نظام Android ويشمل 508 عيباً محددًا مسبقاً تتنوع بين أنواع التفاعل والعرض. ويصدر عن ذلك أداة جديدة تُعرف باسم GUIJudge، وهي مقياس مفتوح يُقَيم المسار الاختباري للوكيل ويحلل قدراته بشكل مستقل ودقيق.

أظهرت التجارب أن GUIJudge يتمتع بإمكانيات موثوقة لتقييم الأداء تفوق حدود التوضيحات المسبقة، حيث كان أداؤه أفضل بكثير من جميع المعايير الحالية. وكشف التقييم على GUITestScape أن الاكتشاف لا يزال نقطة الاختناق الحرجة بالنسبة للنماذج الحالية لكلا النوعين من العيوب. كما أن دمج أدوات التحقق من GUIJudge في الوكلاء الحاليين يعزز بشكل كبير أداء أكشافهم دون الحاجة لإعادة تدريبهم.

هذا الابتكار هو خطوة هائلة نحو تحسين اختبارات واجهات المستخدم، مما يفتح المجال أمام أدوات اختبار أكثر فعالية ودقة في قياس جودة البرمجيات.