LikeThis! Empowering App Users to Submit UI Improvement Suggestions Instead of Complaints

Each language version is independently generated for its own context, not a direct translation.

Imagine que você está usando um aplicativo no seu celular e algo está te incomodando. Talvez um botão seja muito pequeno, uma cor seja difícil de ler ou você tenha clicado no lugar errado sem querer.

Normalmente, o que você faz? Você abre a loja de aplicativos, deixa uma nota de 1 estrela e escreve algo como: "Isso é horrível, não consigo usar!" ou "O texto está ilegível".

O problema é que os desenvolvedores do aplicativo recebem milhares dessas reclamações vagas. É como se alguém gritasse "Está tudo errado!" sem apontar onde ou como consertar. Eles sabem que algo está ruim, mas não sabem exatamente o que fazer.

É aqui que entra o LikeThis! (que podemos traduzir como "Gosto Assim!"), uma nova ideia apresentada por pesquisadores da Universidade de Hamburgo.

A Ideia Principal: De "Reclamar" para "Sugerir"

O LikeThis! é como um tradutor mágico entre você (o usuário comum) e o desenvolvedor (o especialista em código).

Em vez de apenas reclamar, o aplicativo usa uma Inteligência Artificial (IA) muito inteligente para fazer o seguinte:

Você tira uma foto da tela onde está o problema.
Você escreve o que está acontecendo (ex: "Cliquei no botão de ligar sem querer").
A IA entra em ação: Ela não apenas lê seu texto, ela "pensa" como um designer de interfaces. Ela gera três opções visuais de como a tela poderia ficar melhor para resolver seu problema.

A Analogia do "Sobremesa Personalizada"

Pense no processo de feedback tradicional como pedir um bolo em um restaurante e receber apenas um bilhete dizendo: "O bolo está seco". O cozinheiro fica confuso: "Devo colocar mais leite? Mais ovos? Trocar a farinha?".

O LikeThis! muda o jogo. É como se, ao dizer "O bolo está seco", a IA imediatamente mostrasse três fotos de bolos diferentes na sua frente:

Opção A: Um bolo com mais creme.
Opção B: Um bolo com frutas frescas por cima.
Opção C: Um bolo com uma cobertura mais úmida.

Você, então, aponta para a foto e diz: "Quero o Bolo B!". Agora, o cozinheiro (o desenvolvedor) sabe exatamente o que fazer. Ele não precisa adivinhar; ele tem a receita visual.

Como Funciona na Prática?

Os pesquisadores criaram um protótipo para iPhones que faz exatamente isso:

O Problema: Você usa o app, vê algo estranho e tira uma foto.
A Mágica: A IA analisa a foto e cria três versões da tela corrigida.
- Exemplo: Se o botão de ligar era muito pequeno e você clicou errado, a IA pode sugerir:
  - Opção 1: Um botão maior.
  - Opção 2: Um botão que exige que você deslize o dedo para ligar (assim você não clica sem querer).
  - Opção 3: Um aviso que aparece antes de ligar.
A Escolha: Você escolhe a opção que mais gosta.
O Envio: Você envia essa sugestão visual para o desenvolvedor junto com sua reclamação.

O Que Eles Descobriram?

Os pesquisadores testaram essa ideia de duas formas:

Testando a IA: Eles compararam várias IAs modernas para ver qual conseguia "desenhar" a melhor correção. A vencedora foi a GPT-Image-1, que conseguiu consertar os problemas mantendo o estilo original do app, sem estragar outras partes da tela.
Testando com Pessoas Reais: Eles pediram para 15 pessoas usarem 10 aplicativos reais e encontrarem problemas. Depois, conversaram com os desenvolvedores desses apps.
- Resultado dos Usuários: 85% acharam que as sugestões geradas pela IA eram precisas e ajudaram a explicar o problema.
- Resultado dos Desenvolvedores: Eles ficaram impressionados. Dizeram que o feedback com a sugestão visual era muito mais fácil de entender e muito mais fácil de colocar em prática do que apenas ler um texto. Um desenvolvedor disse: "Foi divertido ver as sugestões, algumas ideias eu nunca teria pensado!".

Por Que Isso é Importante?

Muitas vezes, as pessoas não têm vocabulário técnico para explicar problemas de design. Elas sabem que algo está "errado", mas não sabem dizer "a hierarquia visual está quebrada".

O LikeThis! resolve isso transformando a frustração do usuário em uma solução visual concreta. Ele empodera qualquer pessoa, mesmo quem não é designer, a dizer: "Não gosto disso, mas gosto disso aqui".

O Futuro

Os autores imaginam que, no futuro, essa tecnologia pode evoluir para:

Ser mais rápida (hoje leva cerca de 1 minuto para gerar as opções).
Entender problemas que acontecem em várias telas de uma vez (como um fluxo de compras inteiro).
Até mesmo gerar o código do conserto automaticamente para o desenvolvedor aplicar.

Em resumo, o LikeThis! quer transformar a relação entre usuários e criadores de apps de uma conversa de "reclamação cega" para uma colaboração criativa, onde todos ajudam a construir aplicativos melhores, mais fáceis de usar e mais bonitos.

Each language version is independently generated for its own context, not a direct translation.

Título: LikeThis! Capacitando Usuários de Aplicativos a Enviar Sugestões de Melhoria de UI em vez de Reclamações

1. Problema

O feedback dos usuários é crucial para a evolução de aplicativos móveis, mas a literatura atual indica que a maioria das contribuições é vaga, destrutiva ou pouco informativa.

Limitações Atuais: Os usuários frequentemente relatam problemas apenas através de texto e avaliações de 1 a 5 estrelas nas lojas de aplicativos. Isso gera barreiras de comunicação devido à falta de vocabulário técnico, diferenças conceituais entre usuários e desenvolvedores e a dificuldade de descrever problemas visuais complexos apenas com palavras.
Falta de Ferramentas: Embora ferramentas de design (como Figma) existam, elas são complexas demais para usuários médios. Abordagens recentes de IA Generativa (GenAI) focam em gerar novos designs do zero ou código, mas não em editar interfaces existentes com base em feedback específico do usuário para resolver problemas in loco.
Objetivo: Preencher essa lacuna criando um sistema que transforme reclamações vagas em sugestões de melhoria concretas e acionáveis, permitindo que usuários não técnicos proponham alterações visuais específicas na interface.

2. Metodologia: A Abordagem LikeThis!

O LikeThis! é uma abordagem baseada em GenAI multimodal que permite aos usuários enviar feedback enriquecido com sugestões visuais. O fluxo de trabalho consiste em cinco etapas principais:

Entrada do Usuário: O usuário captura uma tela (screenshot) do aplicativo onde ocorre um problema, descreve o problema em texto e pode opcionalmente marcar a área problemática (gerando uma máscara binária).
Geração de Especificação de Solução (Suggestion Generation):
- Um Modelo de Linguagem Multimodal (MLLM), como o GPT-4o, analisa o feedback textual e a imagem.
- O modelo gera $n$ especificações textuais detalhadas de como a UI deve ser modificada para resolver o problema (ex: "aumentar o tamanho da fonte", "adicionar um diálogo de confirmação").
- Nota: Esta é uma etapa intermediária crítica, separando a compreensão do problema da geração da imagem.
Edição da UI (UI Editing):
- As especificações textuais são usadas como prompts para um modelo de geração de imagens (como o GPT-Image-1).
- O modelo edita a screenshot original para criar $n$ alternativas visuais que resolvem o problema, preservando o restante do design.
Seleção do Usuário: O usuário visualiza as alternativas geradas e seleciona a que melhor representa sua intenção.
Envio: O usuário envia o relatório final contendo a screenshot original, a marcação (se houver), o problema descrito e a imagem da sugestão selecionada para a equipe de desenvolvimento.

Implementação: Um protótipo foi desenvolvido para iOS usando SwiftUI, integrando-se via pacotes Swift e utilizando serviços de nuvem para os modelos de IA.

3. Contribuições Principais

Novo Paradigma de Feedback: Propõe a primeira abordagem baseada em GenAI que permite a usuários finais editar interfaces existentes diretamente através de feedback, transformando reclamações em "mockups" funcionais.
Pipeline de Duas Etapas: Demonstra que a introdução de uma etapa intermediária de "Geração de Especificação" (texto) antes da edição de imagem é fundamental para a qualidade do resultado, superando abordagens de geração direta.
Estudos Empíricos Abrangentes:
- Um estudo de benchmarking comparando quatro modelos de geração de imagem de ponta.
- Um estudo de usuário com 15 participantes usando 10 aplicativos de produção reais.
- Uma avaliação por desenvolvedores sobre a qualidade do feedback recebido.

4. Resultados

A. Estudo de Benchmarking (RQ1)

Foi avaliado o desempenho de quatro modelos (GPT-Image-1, Flux, Gemini, Bagel) em um conjunto de dados de 300 telas com críticas de design.

Desempenho do Modelo: O GPT-Image-1 superou significativamente os outros modelos em todas as métricas: preferência do usuário, resolução do problema, fidelidade ao design original e robustez (não introduzir novos erros).
Impacto da Máscara: O uso de máscaras (destacar a área a ser editada) melhorou os resultados apenas para áreas pequenas (0-20% da tela). Para áreas grandes, a máscara tendeu a degradar a fidelidade do design.
Importância da Etapa Intermediária: A ablação (remoção da etapa de "Geração de Especificação") resultou em uma queda drástica na qualidade. O fluxo de duas etapas (Texto -> Imagem) foi essencial para obter sugestões precisas e fiéis.

B. Estudo com Usuários e Desenvolvedores (RQ2)

Perspectiva do Usuário:
- 85,5% das sugestões geradas foram consideradas "majoritariamente" ou "muito" precisas pelos usuários.
- Os usuários relataram que o sistema ajudou a "traduzir" seus problemas vagos em termos que os desenvolvedores entenderiam, superando barreiras de vocabulário técnico.
Perspectiva do Desenvolvedor:
- A compreensibilidade do feedback aumentou significativamente quando acompanhado de sugestões visuais (27,9% dos casos foram classificados como "mais compreensíveis" do que apenas texto/imagem original).
- A acionabilidade (capacidade de agir sobre o feedback) também melhorou: 70,6% das sugestões foram consideradas diretamente implementáveis, contra 58,8% para o feedback textual apenas.
- Desenvolvedores elogiaram a criatividade das sugestões, mas alertaram que é necessário validar a viabilidade técnica e o impacto no fluxo global do aplicativo (já que as sugestões focam em uma única tela).

5. Significado e Implicações

O trabalho LikeThis! representa um avanço significativo na interação Humano-IA e na engenharia de software:

Colaboração Aprimorada: Reduz o ruído na comunicação entre usuários e desenvolvedores, transformando feedbacks subjetivos em requisitos visuais concretos.
Democratização do Design: Permite que usuários sem habilidades de design contribuam ativamente com soluções visuais, não apenas com queixas.
Validação de Arquitetura: Confirma que pipelines de IA que combinam compreensão semântica (LLM) com geração visual (Image Gen) de forma sequencial são superiores a abordagens diretas para tarefas de edição complexa.
Futuro: Abre caminho para sistemas onde o feedback do usuário pode ser convertido não apenas em mockups, mas potencialmente em patches de código ou correções automáticas, desde que desafios de segurança e qualidade sejam resolvidos.

Em resumo, o artigo demonstra que o uso de GenAI para gerar alternativas visuais de melhoria de UI é uma estratégia viável e eficaz para elevar a qualidade do feedback do usuário, beneficiando tanto a experiência do usuário quanto a eficiência do desenvolvimento de software.