Leveraging Large Language Models for Automated Selenium Test Generation and Accessibility Compliance

Abstract

Modern websites often require users to complete multi-step tasks, which makes it challenging to detect accessibility problems using traditional testing methods that focus only on single pages. This thesis introduces a new approach that follows complete user journeys, allowing for a more thorough evaluation of both how a site works and how accessible it is for all users. The system understands plain-language instructions and simulates how a person would interact with a website, checking for accessibility issues at each step. As users move through a task, each page is reviewed for common barriers that might prevent someone from fully using the site. The results are combined into an overall score that reflects how accessible the entire experience is. Unlike existing tools that test one screen at a time, this method looks at the bigger picture—how people actually use a website from start to finish. It also provides clear, easyto- understand reports with suggestions for improvement, helping designers and developers create more inclusive digital experiences that are easier to test and maintain.***

Les applications web modernes demandent souvent aux utilisateurs d’accomplir des tâches en plusieurs étapes, ce qui rend difficile la détection des problèmes d’accessibilité à l’aide des méthodes de test traditionnelles, qui se concentrent uniquement sur des pages individuelles. Ce mémoire propose une nouvelle approche qui suit l’ensemble du parcours utilisateur, permettant ainsi une évaluation plus complète à la fois du fonctionnement du site et de son accessibilité pour tous. Le système comprend des instructions en langage naturel et simule l’interaction d’une personne avec le site, en vérifiant les problèmes d’accessibilité à chaque étape. Au fur et à mesure que l’utilisateur progresse dans une tâche, chaque page est examinée pour repérer les obstacles courants pouvant empêcher une utilisation optimale. Les résultats sont ensuite regroupés en un score global qui reflète l’accessibilité de l’expérience complète. Contrairement aux outils existants qui testent une seule page à la fois, cette méthode adopte une vision d’ensemble — celle de l’utilisation réelle d’un site du début à la fin. Elle fournit également des rapports clairs et faciles à comprendre, accompagnés de suggestions d’amélioration, afin d’aider les concepteurs et les développeurs à créer des expériences numériques plus inclusives, plus faciles à tester et à maintenir.