自动化无障碍工具如axe-core和Lighthouse在发现问题上有效，但无法替代真实用户体验。这些工具常常产生虚假警报，导致团队浪费时间。研究表明，自动化工具通常漏掉50%至70%的无障碍障碍，而LLM工具的检测率更低。真正的无障碍评估需要结合技术知识和生活经验，以确保用户体验的真实性。

本文提出了一种新的适应性精确布尔评估框架，以提高大型语言模型在医疗领域的响应质量评估。该框架通过最小化目标性问题集，增强评估的一致性和效率，尤其在自动化评估和非专家参与方面，显著节省评估时间，促进LLMs在医疗评估中的应用。

本文提出了JuDGE基准，旨在评估中国法律系统中判决文书生成的能力。通过构建全面的数据集和真实案例进行自动化评估，以提升文书生成质量。实验结果表明，尽管现有RAG方法有所改进，但仍需进一步优化。

本研究提出了一种系统化的自动化评估方法，评估大语言模型生成问题的质量，关注问题的长度、类型、上下文覆盖和可回答性，为相关研究提供新视角。

本研究提出了一种基于SAPPhIRE因果模型的新颖性评估框架，通过比较当前问题与历史问题的文本相似度，实现自动化评估，显著提升评估效率。

本文研究了多模态大语言模型中的视觉-知识冲突，提出自动化流程来评估这些冲突。研究发现模型过于依赖文本，通过“关注视觉”策略（FoV），显著提升了模型处理视觉数据的能力。

本研究探讨了内镜视频中溃疡性结肠炎严重性评估的自动化问题。传统方法耗时且评审者间差异大。提出的Arges框架利用时空变换器结合帧特征信息，提高了UC严重性评分的准确性，MES评分提升了4.1%。

本研究通过分析对话文本自动化评估CEFR B2口语，解决了依赖人工评估口语考试的可扩展性挑战。研究建立了合成对话数据集，并开发了高效模型，评估准确性达到96%，展示了在语言能力评估中的应用潜力。

心血管疾病是全球死亡的主要原因。研究人员提出了一种新的超声心动图视频分割模型MemSAM，成功入围CVPR2024最佳论文的候选名单。该模型使用记忆作为提示当前帧的分割，并通过记忆增强机制提高记忆质量。实验证明，该模型在少量点提示和有限注释的情况下实现了最先进的性能。此研究对于自动化评估心血管疾病具有重要意义。

本文探讨了自然语言生成（NLG）评估中自动化评估方法的局限性，并提出了一种新的系统和数据独立的评价方法。实验证明，自动评估不能完全反映人的判断，但仍可支持系统开发。