Alt text của bạn vượt qua các bài kiểm tra tự động? Điều đó không có nghĩa là nó tốt

Theo báo cáo WebAIM Million năm 2026, hơn 1/4 số hình ảnh trên các trang web phổ biến có alt text bị thiếu, mơ hồ hoặc sao chép từ các ảnh lân cận. Mặc dù các công cụ tự động rất hiệu quả trong việc phát hiện alt text bị thiếu, chúng lại thường thất bại trong việc đánh giá chất lượng nội dung của văn bản đó.

Phân định giữa ‘chứng minh’ và ‘nghi ngờ’

GitHub đã phát triển một plugin cho trình quét khả năng truy cập (Accessibility Scanner) để giải quyết vấn đề này. Nhóm kỹ sư đã chia các quy tắc kiểm tra thành hai nhóm chính:

• Các quy tắc xác định (Deterministic rules): Không cần AI, chạy mặc định và không yêu cầu quyền truy cập mạng. Các quy tắc này kiểm tra các lỗi hiển nhiên như: alt text là tên file (ví dụ: IMG_2847.jpg), các từ giữ chỗ (TODO, tbd), hoặc các từ chung chung (image, logo).
• Các quy tắc dựa trên AI (Model-backed rules): Đây là tính năng tùy chọn, sử dụng các mô hình thị giác (vision model) để đánh giá ngữ cảnh xung quanh hình ảnh, giúp đưa ra nhận định chính xác hơn về chất lượng mô tả.

Giải quyết vấn đề lặp lại thông qua bố cục

Một thách thức lớn là alt text bị lặp lại (ví dụ: 5 biểu tượng ngôi sao cùng có alt text là ‘3/5 stars’). Thay vì chỉ quét theo thứ tự DOM, công cụ của GitHub hiện kiểm tra bố cục trang. Nó chỉ gắn cờ lỗi nếu khoảng cách giữa các khung hình (bounding boxes) của các hình ảnh là nhỏ, giúp tránh việc gắn cờ sai cho các hình ảnh giống nhau nhưng nằm ở các vị trí khác biệt hoàn toàn (như logo ở header và footer).

Sử dụng AI như một người đánh giá

Để tránh việc AI trở thành một ‘nhà phê bình’ quá khắt khe, GitHub đã tinh chỉnh quy trình xử lý:

• Quy trình ra quyết định: Thay vì chỉ đưa ra lời khuyên chung chung, mô hình được yêu cầu tuân theo các bước cụ thể để phân loại hình ảnh (trang trí, dư thừa, chức năng, hoặc thông tin).
• Cấu trúc đầu ra: Yêu cầu mô hình đưa ra lý lẽ (reasoning) trước khi đưa ra phán quyết (verdict).
• Bảo mật và chi phí: Các URL hình ảnh và link được làm sạch (redacted) trước khi gửi vào mô hình để bảo vệ dữ liệu người dùng.

Bài học cho nhà phát triển

Tự động hóa chỉ là bước khởi đầu. Các kiểm tra tự động nên được coi là ‘sàn’ (floor) chứ không phải là tiêu chuẩn cuối cùng. Việc kiểm tra với người dùng thực tế sử dụng các công nghệ hỗ trợ (assistive technology) vẫn là mục tiêu quan trọng nhất. Nếu bạn đang xây dựng công cụ kiểm tra tương tự, hãy tách biệt những gì bạn có thể chứng minh (dựa trên dữ liệu cứng) và những gì bạn chỉ có thể nghi ngờ (cần sự đánh giá của con người hoặc AI).

Nguồn tham khảo: GitHub Blog