فراتر از تاییدیه خودکار: چرا متن جایگزین (Alt Text) شما همچنان مشکل‌ساز است؟

در چشم‌انداز دیجیتال امروز، بسیاری از سازمان‌ها برای اطمینان از رعایت استانداردهای دسترسی‌پذیری (Accessibility)، به اسکنرهای خودکار متکی هستند. این ابزارها با بررسی کدهای صفحه، وجود ویژگی‌های لازم را تایید می‌کنند، اما یک شکاف بحرانی میان «گذراندن» یک بررسی خودکار و ارائه یک متن جایگزین (Alt Text) باکیفیت و معنادار وجود دارد. در حالی که ابزارهای خودکار می‌توانند حضور یک نامِ قابل دسترس را تایید کنند، اما اغلب در تشخیص متن‌های بی‌فایده، عمومی یا گمراه‌کننده ناتوان هستند [S1]. این مقاله به بررسی محدودیت‌های فنی بررسی‌های خودکار، ضرورت دوگانه متن جایگزین برای کاربران انسانی و سیستم‌های هوش مصنوعی، خطرات «شمولیت خودکار» و بهترین روش‌های مهندسی برای بهبود کیفیت متن جایگزین می‌پردازد.

شکست بررسی‌های خودکار مبتنی بر «حضور»

بیشتر بررسی‌کننده‌های خودکار دسترسی‌پذیری به‌گونه‌ای طراحی شده‌اند که صرفاً وجود ویژگی alt را در کد بررسی کنند، نه کیفیت محتوای موجود در آن را [S1]. این مسئله باعث ایجاد یک احساس امنیت کاذب می‌شود؛ چرا که چندین نوع متن بی‌فایده می‌توانند به‌راحتی از این بررسی‌های مبتنی بر حضور عبور کنند:

• نام فایل‌ها و جای‌نگارها (Placeholders): توصیفاتی مانند alt="IMG_2847.png" یا alt="TODO" از نظر فنی در کد حضور دارند، اما هیچ ارزشی برای کاربران فراهم نمی‌کنند [S1].
• اصطلاحات عمومی: کلماتی نظیر "image"، "logo" یا "picture showing" اغلب به‌عنوان موارد تاییدشده شناسایی می‌شوند، در حالی که در توصیف محتوای واقعی تصویر ناتوان هستند [S1, S3].
• توصیفات مبهم یا تکراری: عباراتی مانند "chart showing growth" (نموداری که رشد را نشان می‌دهد) یا "dashboard screenshot" (اسکرین‌شات داشبورد) فاقد آن دقت و جزئیاتی هستند که برای دسترسی‌پذیری واقعی لازم است [S3].
• کپشن‌های تکراری: ابزارهای خودکار اغلب مواردی را که در آن‌ها یک متن جایگزین عمومی (مثلاً "3/5 stars") در چندین آیکون یا تصویر مجاور تکرار شده است، تشخیص نمی‌دهند [S1].

علاوه بر این، تشخیص تکرار یک چالش مهندسی پیچیده است. ابزارهای سنتی اغلب بر ترتیب Document Object Model (DOM) تکیه می‌کنند، اما تشخیص مؤثر مستلزم رویکردی آگاه از چیدمان (Layout-aware) است. برای مثال، یک لوگوی هدر و یک لوگوی فوتر ممکن است در کد HTML دارای متن جایگزین یکسانی باشند اما از نظر بصری فاصله زیادی از هم داشته باشند؛ یک اسکنر پیشرفته باید برای تعیین اینکه آیا تصاویر بر اساس نزدیکی آن‌ها در صفحه، بخشی از یک «مجموعه تکراری» هستند یا خیر، از مقایسه جعبه‌های محدودکننده (Bounding boxes) استفاده کند [S1].

نقش دوگانه متن جایگزین: انسان‌ها و ماشین‌ها

یک متن جایگزین باکیفیت، همزمان به دو گروه مخاطب متفاوت اما هم‌پوشان خدمت می‌کند: کاربران انسانی که از فناوری‌های کمکی استفاده می‌کنند و سیستم‌های یادگیری ماشین که در حال پیمایش وب هستند.

الف) دسترسی‌پذیری انسانی و انطباق قانونی

برای کاربران نابینا و کم‌بینا، متن جایگزین راه اصلی برای تفسیر محتوای بصری از طریق صفحه‌خوان‌ها (Screen readers) است [S3, S4]. یک متن جایگزین مؤثر، «دسترسی معادل به معنا» را فراهم می‌کند و به کاربران اجازه می‌دهد بدون دیدن تصویر، هدف و بافت (Context) آن را درک کنند [S4].

از منظر حقوقی نیز، متن جایگزین یک کنترل مستند برای انطباق با استانداردهای دسترسی‌پذیری محسوب می‌شود. استانداردهای انطباق مانند WCAG 2.1 Success Criterion 1.1.1، وجود متن جایگزین برای تمام محتواهای غیرمتنی را الزامی می‌دانند و استاندارد Section 508 نیز این الزامات را به آژانس‌های فدرال و پیمانکاران گسترش داده است [S3].

ب) کاربرد برای ماشین‌ها: زمینه‌سازی هوش مصنوعی و SEO

در عصر جستجوهای مبتنی بر هوش مصنوعی، متن جایگزین به یک سیگنال حیاتی برای «زمینه‌سازی هوش مصنوعی» (AI grounding) و ارجاع‌دهی تبدیل شده است [S3]. از آنجایی که مدل‌های زبانی بزرگ (LLMs) نمی‌توانند تصاویر را دقیقاً مانند انسان‌ها «ببینند»، آن‌ها برای موارد زیر به متن جایگزین متکی هستند:

• رفع ابهام معنایی: تشخیص اینکه آیا یک داشبورد مربوط به SEO است، یا دسترسی‌پذیری و یا کیفیت محتوا [S3].
• شناسایی موجودیت‌ها (Entities): شناسایی ابزارها یا برندهای خاص (مثلاً استفاده از عبارت "Siteimprove Accessibility module" به‌جای یک عبارت عمومی مثل "accessibility tool") تا به هوش مصنوعی کمک شود موجودیت‌ها را در میان محتواها تطبیق دهد [S3].
• تأیید ادعاها: اجازه دادن به هوش مصنوعی برای بررسی اینکه آیا یک اسکرین‌شات واقعاً از ادعاهای مطرح شده در متن اطراف خود پشتیبانی می‌کند یا خیر [S3].

توصیفات دقیق، توانایی سیستم‌های هوش مصنوعی را در استخراج و ارجاع به اطلاعات صحیح بهبود می‌بخشند که این امر مستقیماً بر میزان دیده شدن یک برند در خلاصه‌های تولید شده توسط هوش مصنوعی و نتایج جستجو تأثیر می‌گذارد [S3].

خطرات «شمولیت خودکار»

ظهور متن‌های جایگزین تولید شده توسط هوش مصنوعی، پدیده‌ای را به وجود آورده است که به آن «شمولیت خودکار» (Automated inclusion) می‌گویند؛ یعنی استفاده از الگوریتم‌ها برای ایجاد ظاهرِ دسترسی‌پذیری، بدون سرمایه‌گذاری در نیروی انسانی یا زیرساخت‌های لازم [S4]. این رویکرد خطرات قابل توجهی به همراه دارد:

• فقدان هدفمندی: مدل‌های هوش مصنوعی پیکسل‌ها و الگوها را تحلیل می‌کنند، اما درک نمی‌کنند که چه چیزی در یک بافت خاص از نظر «احساسی برجسته» یا «از نظر عملکردی مهم» است [S4].
• ابهام و کلی‌گویی: هوش مصنوعی اغلب به سمت توصیفات «کمترین سطح مشترک» می‌رود؛ مانند "Image may contain: outdoor, dog, person, grass" (تصویر ممکن است شامل: فضای باز، سگ، شخص، چمن باشد). این نوع توصیف، توهمِ دسترسی را ایجاد می‌کند بدون اینکه کاربر را به معنای واقعی به اطلاعات برساند [S4].
• توهم (Hallucinations): مدل‌های مولد مستعد «توهم» هستند؛ یعنی با اطمینان ویژگی‌های بصری را توصیف می‌کنند که اصلاً وجود ندارند. این مسئله می‌تواند منجر به از بین رفتن اعتماد کاربر شود، به‌ویژه زمانی که کاربر به یک توصیف گمراه‌کننده تکیه کرده باشد [S4].
• انطباق نمایشی (Performative Compliance): اتکا به خودکارسازی می‌تواند باعث شود شرکت‌ها فرآیندهای دستی را کم‌اهمیت جلوه دهند و با دسترسی‌پذیری به‌جای آنکه به‌عنوان یک اصل طراحی تحول‌آفرین برخورد کنند، مانند یک «تیکِ تایید» در لیست وظایف به آن نگاه کنند [S4].

بهترین روش‌های مهندسی و گردش کار

برای عبور از بررسی‌های ساده‌ی «حضور»، سازمان‌ها باید رویکردی چندلایه را برای تضمین کیفیت متن جایگزین پیاده‌سازی کنند.

استراتژی‌های پیاده‌سازی فنی

GitHub پلاگینی برای بهبود کیفیت متن جایگزین در Accessibility Scanner خود توسعه داده است که از دو روش متمایز استفاده می‌کند [S1]:

1. قوانین قطعی (Deterministic Rules): پنج قانون مبتنی بر رشته (String-based) که به‌صورت پیش‌فرض و بدون وابستگی به هوش مصنوعی اجرا می‌شوند تا خطاهای آشکار مانند نام فایل‌ها یا جای‌نگارها را شناسایی کنند [S1].
2. ادغام با مدل‌های بینایی (اختیاری): یک قانون اختیاری که محتوای تصویر و بافت صفحه را از طریق GitHub Models برای یک مدل بینایی ارسال می‌کند تا قضاوت‌های کیفی انجام شود [S1].

برای جلوگیری از اینکه مدل‌های بینایی بیش از حد سخت‌گیر شوند (مشکل "nitpick")، مهندسان می‌توانند به‌جای استفاده از دستورات (Prompts) باز و نامشخص، از یک فرآیند تصمیم‌گیری استفاده کنند. این فرآیند شامل یک ترتیب چهار مرحله‌ای است:

1. تزیینی (Decorative)
2. تکراری با کپشن (Redundant with caption)
3. عملکردی (Functional)
4. اطلاع‌رسان (Informative)

سیستم در اولین مرحله‌ای که با شرایط مطابقت داشت متوقف شده و پیش از ارائه حکم نهایی، خروجی ساختاریافته‌ای شامل استدلال خود را ارائه می‌دهد [S1]. علاوه بر این، برای رعایت حریم خصوصی و مدیریت هزینه‌ها، باید آدرس‌های URL پیش از ارسال داده‌ها به مدل‌های خارجی، حذف (Redact) شوند [S1].

چارچوب تولید محتوا

برای نویسندگان و تولیدکنندگان محتوا، استفاده از یک الگوی تکرارپذیر می‌تواند کیفیت توصیفات را تضمین کند [S3]: سوژه + کنش + ویژگی + هدف

• مثال ضعیف: "Chart showing growth" (نموداری که رشد را نشان می‌دهد) [S3].
• مثال قوی: "Line chart comparing organic traffic growth: Site A increased 40% while Site B remained flat from Q1 to Q4 2024" (نمودار خطی در مقایسه با رشد ترافیک ارگانیک: سایت A از سه ماهه اول تا چهارم سال ۲۰۲۴ حدود ۴۰ درصد افزایش یافته، در حالی که سایت B ثابت مانده است) [S3].

گردش کار پیشنهادی

یک گردش کار قدرتمند برای تضمین کیفیت (QA) باید بر میزان تأثیرگذاری تمرکز کرده و خودکارسازی را با نظارت انسانی ترکیب کند [S3]:

1. حسابرسی‌های خودکار: استفاده از ابزارها برای شناسایی شکست‌های ساختاری (مانند نبود متن جایگزین، خالی بودن متن جایگزین برای تصاویر اطلاع‌رسان، یا توصیفات تکراری) [S3].
2. تضمین کیفیت انسانی (Human QA): استفاده از بازبین‌های انسانی برای شناسایی توصیفات «تنبلانه» و اطمینان از اینکه متن شامل نام‌های خاص موجودیت‌ها بوده و از ادعاهای مطرح شده در صفحه پشتیبانی می‌کند [S3]. تحقیقات نشان می‌دهد که توصیفات تأیید شده توسط انسان، هم در زمینه دسترسی‌پذیری و هم در وظایف بازیابی اطلاعات، به‌طور مداوم از توصیفات تولید شده به‌صورت خودکار بهتر عمل می‌کنند [S3].

محدودیت‌ها و تنگناها

راهکارهای خودکار و پلاگین‌های فعلی محدودیت‌های قابل توجهی دارند. برای مثال، پلاگین دسترسی‌پذیری خاص GitHub در حال حاضر از SVGها، canvas یا aria-labels پشتیبانی نمی‌کند [S1]. علاوه بر این، اگرچه هوش مصنوعی می‌تواند توصیفاتی را پیشنهاد دهد، اما باید به‌عنوان یک ابزار حمایتی باقی بماند و هرگز جایگزینی برای هدفمندی و قصد انسانی نباشد [S4].