AI 正在接手一批无障碍工作:为盲与低视力用户描述图片,为聋与听障观众生成直播字幕,给屏幕阅读器用户当随叫随到的向导,替开发者审计应用界面的无障碍错误。这些任务有一个共同的、容易被忽略的结构:服务的接收者,恰恰是最难核对输出对错的人。图片描述写得准不准,看不到图片的人没有办法直接确认;字幕漏没漏一句话,听不到声音的人没有办法直接确认。本文对照读了 2021 年到 2026 年的六份摘要级材料,覆盖图片描述、字幕、屏幕阅读器三个子域,问一个问题:无障碍工作交给 AI 之后,评测的度量和验证的安排跟上了吗?
## 描述人物,写不写是政策问题
2021 年 5 月挂出的一篇论文(期刊信息栏所载:AIES '21)研究了用计算机视觉自动生成替代文本(alt text,供屏幕阅读器朗读的图片文字描述)的公司面临的伦理困境,主案例是 Facebook 的自动替代文本工具。论文聚焦的不是识别精度,而是身份类别:种族、性别、年龄这些信息写不写进描述,是公司的政策决定。论文对照了另一套做法,博物馆界的人工描述传统:描述文化藏品时写什么,由馆方决定。比较两套政策之后,作者提炼出一个分析框架,用来刻画政策选择背后的顾虑。论文的结论照录:考察了两种看似能绕开部分顾虑的策略之后,没有轻松的办法避开用计算机视觉自动生成替代文本带来的规范困境。
## 描述图片,正确之外还有有用
2024 年 9 月挂出的一篇论文处理另一个问题:怎样的描述才有用。盲与低视力(BLV)用户通过文字描述访问网页图片;新一代视觉到语言模型(如 GPT-4V)已经能按需生成详细描述,但既有工具只对图片本身做孤立描述,不考虑图片所在网页的语境,而先前研究与指南都指出,这类用户的信息偏好取决于图片的语境。研究者做了一个 Chrome 扩展,自动抽取网页上下文,交给 GPT-4V 生成带语境的描述,并请 12 名 BLV 参与者对照评估:带语境的描述被频繁偏好,在质量、可想象性、相关性、合理性四项上评分显著更高;全体参与者表示未来想用它,并点名网购、社交媒体、新闻、个人兴趣博客等场景。
两篇论文问的不是同一个问题:2021 年那篇问「该写什么」,这是规范问题;2024 年这篇问「怎样写才有用」,这是语境问题。两个问题都不是「识别得准不准」(本文综合)。
## 字幕的度量并不中立
2026 年 9 月挂出的一篇论文(摘要页栏所载:ACM ASSETS 2026 接收)把度量本身放上检验台。直播电视字幕常有错误与时序问题,让聋与听障(DHH)观众难以跟上对白。研究团队做了一项美国大规模在线调查:216 名经过验证的 DHH 参与者提交 302 份回复,累计 4,832 个数据点;视频取自 70 段直播电视录像池,分四个条件:原始录制的电视字幕(延迟最多 7-12 秒)、与音频同步的电视字幕、与音频同步的自动语音识别(ASR)字幕、平均延迟两秒的 ASR 字幕。所有字幕都用三种自动度量评估:词错误率(WER)、ACE2、NER,并与观众对字幕质量和内容理解的主观评分对照。
结果分两层。第一层:观众给电视字幕和 ASR 字幕的评分相近。第二层:三种自动度量对电视字幕与观众评分呈中度到高度相关,对 ASR 字幕的相关性却低得多,作者的措辞是「远非技术中立」。另外,字幕延迟显著影响观看体验,电视端典型的 7-12 秒延迟尤其严重。
同一套度量,换一种被测量的字幕技术,与用户判断的相关性就系统性变化(本文概括)。度量选型本身是带立场的决定;而显著影响观看体验的延迟,不在词错误率的口径之内(本文判断)。
## 向导的缺口
2026 年 1 月挂出的一篇论文(摘要页栏所载:ACM CHI 2026 条件接收)看向操作环节。主流界面为视觉设计,屏幕阅读器用户面临陡峭的学习曲线和频繁的障碍。既有支持有两个缺口:教程主要面向明眼用户,人工协助无法实时到位。论文提出 AskEase,一个按需 AI 助手,提供逐步的、对屏幕阅读器友好的操作指导,通过管理多个来源的上下文推断用户意图,给出贴合当下情境的指导。在 12 名屏幕阅读器用户的被试内研究中,任务成功率显著提升,感知负荷(体力需求、努力、挫败三个维度)下降。样本量 12,照实记录。
## 统一底座的提案
2026 年 7 月挂出的一篇论文关注更底层的问题:AI 代理怎么「看见」界面。与图形界面交互的大语言模型代理,感知界面状态靠两条路:原始截图,或平台专属的无障碍应用接口。论文指出两条路对辅助应用都有缺陷:截图缺少屏幕阅读器需要的语义角色与关系;平台接口(Windows UI Automation、macOS Accessibility、Android AccessibilityService、网页 ARIA)每个都要单独集成。提案是用模型上下文协议(MCP)做统一的传输与模式层:一个 MCP 无障碍服务器以平台无关的表示暴露与 ARIA 对齐的角色、标签、状态、可聚焦元素层级,另设资源模型让用户的无障碍偏好跨会话持久保存。三个研究问题围绕协议可扩展性、无障碍树与截图感知之间的延迟和语义保真权衡、持久偏好档案的支持。作者自我定位照录:这份工作是概念框架加对比分析,不是实证实现。MCP 协议本身的治理与生态,本系列此前另有专篇,这里只记录它作为无障碍代理候选底座的身份。
## 审计员的覆盖率
2025 年 4 月挂出的一篇论文(摘要页栏所载:CHI 2025)让 AI 当审计员。许多移动应用存在无障碍缺陷,把使用者排除在潜在好处之外;基于规则的检查器能在开发早期发现错误,但能发现的错误类型受限。论文提出 ScreenAudit:用大语言模型遍历应用屏幕、抽取元数据与转写文本、找出既有检查器漏掉的屏幕阅读器无障碍错误。六位无障碍专家(其中一位是屏幕阅读器用户)对 14 个应用屏幕的报告做了评估:ScreenAudit 平均覆盖率 69.2%,一款广泛使用的检查器只有 31.3%;专家反馈认为它的反馈质量更高、覆盖屏幕阅读器无障碍的面向更多,对开发者有实际价值。
把这一节和向导那节放在一起看:屏幕阅读器用户的支持原先靠教程与人工协助,现在指导、底座、审计三个环节都出现了 AI 的身影,而 AI 的输出又需要被验证(本文综合)。
## 三个判断
第一,共性瓶颈在「怎样算好」的定义与度量,不在生成能力(本文综合)。三个子域各自撞上同一堵墙:字幕度量对被测技术不中立(2026 年实证),替代文本的「准确」回答不了「该写什么」(2021 年)也回答不了「怎样才有用」(2024 年),规则检查器 31.3% 的覆盖率被大语言模型审计的 69.2% 反衬(2025 年)。生成一侧的进步是真实的,大语言模型连审计都做得比规则检查器覆盖更广;但三处的共同形态,是自动度量与用户判断的系统性分歧,换更强的生成模型不会自动消除分歧,因为分歧出在评测一侧,「什么算好」还没有与用户判断一致的定义。
第二,验证的分布是不对称的(本文判断)。明眼用户拿到错误答案,看一眼屏幕就能核对;看不到原件的用户没有办法目视核对描述是否属实,听不到声音的用户没有办法逐句核对字幕是否完整。AI 接手无障碍工作,实际上把验证工作转移给了最没有能力验证的用户。用 AI 审计 AI 能到达的界面、用 AI 替代人工向导,是把验证再外包给另一个 AI;这个递归没有闭合,只是转移。一个耐人寻味的细节:2025 年那篇审计论文里,覆盖率的数字最终由六位人类专家评出,审计的最后一环仍然落在人身上。看不见的东西,恰恰是最需要有人核对的东西。
第三,价值冲突没有技术解,规范决定权的归属还没有想清楚(本文判断)。描述人物时写不写种族、性别、年龄,2021 年论文考察过两种看似能绕开的策略,结论是没有轻松的办法避开规范困境;统一接口能统一格式,统一不了「该描述什么」。描述里写什么、在什么语境里写,眼下由公司政策、馆方规范和系统设计选择分别回答;「AI 怎样支持不同使用者」这个问题里,「不同」二字的重量正在于此,不同的使用者需要不同的答案,而给出答案的机制掌握在单方手里。
## 不同读者能带走什么
给无障碍从业者与开发者:度量选型是价值决定。字幕评估至少要分技术报告度量与用户判断的相关性,界面审计不要把检查器通过当成无障碍通过;69.2% 对 31.3% 这两个数字提醒覆盖率差距能有多大。给产品团队:语境是有用性的组成部分,同一张图在网购、社媒、新闻里需要的描述不同,把描述写好要先回答这张图在这个页面里做什么;身份属性写不写进描述,把这个决定明确写进产品政策,而不是留给模型的默认行为。给 AI 研究者:评测缺口是三个子域的共性瓶颈,自动度量与用户判断的相关性要分技术、分场景报告,「远非技术中立」可以作为无障碍域自动度量的基线预期。给普通读者:下次看到自动生成的图片描述或直播字幕,你可以扫一眼它们在不在;而真正依赖它们的人做不了这个扫一眼的动作,验证被转移给了最没有能力验证的人,这个安排值得所有人重新想一遍。
口径与边界:本文六项来源均为 arXiv 摘要级材料,全文未获取,摘要未载的内容不写。会议状态仅按摘要页栏目所载照录:字幕度量一篇载 ACM ASSETS 2026 接收,向导一篇载 ACM CHI 2026 条件接收,审计一篇载 CHI 2025,价值冲突一篇按期刊信息栏载 AIES '21;其余两篇(MCP 标准化提案、语境感知图片描述)无会议栏,本文不对其发表状态作断言,也不由 DOI 信息反推会议名。日期为各摘要页的挂出日期。两项研究的参与者恰同为 12 名,分别是 BLV 用户对照研究与屏幕阅读器用户被试内研究,样本量照实记录,互不混写。三项 W3C 官方页面在资料抓取时访问被拒或不存在,本文未引用任何标准组织动向。利益冲突:六份摘要页均无披露栏,本文不作有无断言。作者姓名不入正文,论文以挂出年份与会议栏指称。度量名称除 WER 给出中文译名外,ACE2 与 NER 按摘要所载缩写呈现;「经过验证的参与者」照录摘要措辞,筛选细节摘要未载,本文不展开;系统名 AskEase 与 ScreenAudit 按原文呈现。MCP 协议在本篇仅作无障碍代理候选底座的事实性提及,其治理与生态不展开;本篇的评测讨论限于无障碍场景,与通用模型评测不是一回事。译法:DHH 译「聋与听障」,BLV 译「盲与低视力」,alt text 译「替代文本」,首现均附英文或缩写。
来源:arXiv 摘要页六枚:2609.11408《Are Caption Metrics Broken? Latency, Deaf and Hard of Hearing User Ratings, and Bias across Technologies》,2026 年 9 月 10 日,ASSETS 2026 接收(https://arxiv.org/abs/2609.11408);2105.12754《Computer Vision and Conflicting Values: Describing People with Automated Alt Text》,2021 年 5 月 26 日,期刊信息栏 AIES '21;2409.03054《Context-Aware Image Descriptions for Web Accessibility》,2024 年 9 月 4 日;2601.18092《From Struggle to Success: Context-Aware Guidance for Screen Reader Users in Computer Use》,2026 年 1 月 26 日,CHI 2026 条件接收;2608.24898《MCP-Driven Accessibility Tree Standardization for AI-Powered Screen Reader Agents》,2026 年 7 月 13 日;2504.02110《ScreenAudit: Detecting Screen Reader Accessibility Errors in Mobile Apps Using Large Language Models》,2025 年 4 月 2 日,CHI 2025