Kaos GL
Sektörün dijital haberleşme ve arşivleme alanındaki referans noktasıdır. Site, karmaşık bir içerik ekosistemini (haber, akademik yayın, dergi) yönetebilen, yüksek trafikli ve çok katmanlı bir yapıya sahiptir. Tasarımı, aktivizm ve gazeteciliği dengeleyen ciddi bir kurumsal estetiğe dayanır.
- Kapsamlı e-kütüphane ve akademik yayın arşivi
- Gerçek zamanlı LGBTİ+ haber portalı
- Uluslararası hak temelli program yönetimi

Kaos GL, akademik tasarım denetiminde 47/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (100) ve görsel kararlılık (81); görece geliştirilebilir alanları estetik (32) ve etkileşim tasarımı (42).
Kaos GL, Algorit Dijital tarafından tasarlanan bu Onur Etkinliği & Pride platformu olarak 47/100 skorla "Dönüşüm Aşaması" kategorisinde raporlanmıştır. kullanıcıların beklentilerini karşılayan temel etkileşim akışları henüz tam olarak olgunlaşmamıştır; genel kullanıcı deneyimini kısıtlayan çok sayıda tasarım açığı mevcuttur. Renk teorisi, tipografik hiyerarşi, Fitts Yasası etkileşim metrikleri ve WCAG erişilebilirlik standartları başta olmak üzere geniş kapsamlı bir dönüşüm planı önerilmektedir.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Sarı iyimserlik ve yeniliği simgeler. Yüksek parlaklığı kontrast yönetimini kritik kılar; arka plan kullanımında okunabilirlik titizlik gerektirir. (Birren, 1969)
2 teknoloji bileşeni tespit edildi.
"Minimalist nötr palet zamansız estetik sunar; içeriğin öne çıkmasına izin veriyor."
Bu siteye 1 ajans katkı verdi
2 hizmet alanında — Web Tasarım, Yazılım Geliştirme
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Onur Etkinliği & Pride
Kaos GL bu kategoride 10 puan altında — sektör ortalaması 57/100. En iyi %100 dilimindedir.
Benzer Skorlu Siteler
Ölçüm ortamı hakkında: Teknik performans için öncelik CrUX (Chrome User Experience Report — gerçek kullanıcıların canlı saha verisi); CrUX verisi yoksa Lighthouse(kontrollü lab/test ortamı) kullanılır. Bu iki ortam farklı koşullarda ölçtüğü için bazı metrikler birbirinden ayrışabilir — örneğin sunucu yanıtı (TTFB) lab'da hızlı görünürken, gerçek kullanıcıların içerik boyaması (LCP) ağ ve cihaz koşulları nedeniyle daha yavaş çıkabilir. Her iki değer de doğrudur; yalnızca farklı pencerelerden bakar.

