Käyttöliittymien generointi luonnollisesta kielestä Android-sovelluksiin

Abstract

Suurten kielimallien (LLM) käyttö ohjelmistokehityksessä on yleistynyt nopeasti. Yksi kiinnostava sovelluskohde on käyttöliittymien generointi luonnollisen kielen perusteella, mikä voi nopeuttaa ohjelmistojen prototyyppien kehitystä. Erityisesti mobiilisovelluksissa nopea ja laadukas käyttöliittymien luonnostelu on tärkeää.

Tässä kandidaatintyössä tutkittiin kolmen suuren kielimallin (GPT-4o, Claude Sonnet 4 ja Gemini 2.5 Pro) kykyä generoida Android-käyttöliittymäkoodia annettujen luonnollisen kielen kuvausten pohjalta. Kokeellisessa osuudessa mallit generoivat käyttöliittymiä viiden esimerkkitehtävän perusteella, ja tuloksia arvioitiin muun muassa vastaavuuden, koodin laadun, virheiden määrän ja visuaalisen toteutuksen perusteella.

Tulokset osoittivat, että kaikki tutkitut mallit pystyivät tuottamaan toimivaa käyttöliittymäkoodia, mutta suorituskyvyssä oli merkittäviä eroja. Gemini 2.5 Pro tuotti laadukkainta ja lähes virheetöntä koodia. Claude Sonnet 4 erottui visuaalisessa viimeistelyssä, kun taas GPT-4o vaati enemmän manuaalista korjausta. Tutkimuksen perusteella LLM-malleja voidaan hyödyntää käyttöliittymäprototyyppien generoinnissa, mutta onnistunut lopputulos edellyttää kehittäjältä tarkkaa ohjeistusta ja kriittistä arviointia.

The use of large language models (LLM) in software development has expanded rapidly. One emerging application area is the generation of user interfaces from natural language descriptions, which can accelerate the prototyping phase in software development. Rapid and high-quality user interface prototyping is particularly important in mobile applications.

This bachelor’s thesis investigates how three advanced large language models (GPT-4o, Claude Sonnet 4, and Gemini 2.5 Pro) perform in generating Android user interface code using natural language descriptions. In the experimental section, the models were given five identical natural language prompts, and the outputs were evaluated based on criteria such as accuracy, code quality, error rate and visual design.

The results indicate that all models could produce functional user interface code, but with notable differences in quality. Gemini 2.5 Pro produced the most accurate and nearly error-free results. Claude Sonnet 4 stood out for its visually refined implementations, while GPT-4o required more manual corrections. The findings suggest that large language models can be used in rapid user interface prototyping, but successful outcomes require precise prompting and critical evaluation by the developer.