CoKnowledge：支持在线科学视频中时间同步的集体知识的吸收

研究背景与问题

• 问题与挑战: 作者提出，Danmaku（一种场景对齐、时间同步的滚动评论）可以通过“集体知识”扩展科普视频内容。然而，这种评论的混乱性质往往导致观众难以有效吸收其中的知识，特别是在知识密集型的科学视频中。其主要问题包括评论质量参差不齐、大量重复内容、信息结构不明等。此外，视频与评论内容的交互常常导致注意力分散。

• 重要性: Danmaku 已被证明在知识共建（knowledge co-construction）方面有巨大潜力，能够丰富视频内容并减轻上传者的认知偏差。然而，目前的评论体验不能很好地支持观众吸收和理解这些集体知识。这限制了 Danmaku 在科学传播中的实际价值。

• 研究动机与相关工作: 尽管此前研究已经探讨了 Danmaku 的情感表达和内容交互作用，主要集中于提高用户参与和视频分析，而对如何协助观众理解 Danmaku 自身的知识潜力关注较少。因此，作者希望填补这个空白，通过改进 Danmaku 的呈现和处理方式来帮助观众全面、有效地吸收科学视频中的集体知识。

解决方案

• 方法与系统: 作者提出了一个名为 CoKnowledge 的交互式系统，通过以下模块支持科学视频中的集体知识吸收：

  1. NLP 处理管道: 使用自然语言处理（NLP）技术过滤、分类和聚类 Danmaku 评论，以提高信息密度并揭示其潜在的知识结构。
  2. 用户界面设计: 提供三种模式（概览模式、聚焦模式和探索模式），分别满足用户在不同视频观看阶段的知识需求：
     • 概览模式: 提供视频的高层次目录进度条和知识流可视化，帮助快速定位重要内容。
     • 聚焦模式: 放大视频窗口，显著减少浮动评论，提供更专注的观看体验。
     • 探索模式: 显示知识图谱（Knowledge Graph）以便用户对特定视频片段进行深度剖析。
  3. 侧边视图支持: 包括字幕-Danmaku 列表、AI 生成的解释，以及相关评论，提供按需深入分析的细节。

• 技术创新:

  1. NLP 管道: 使用 Llama-2 模型结合 LoRA 自适应进行 Danmaku 分类，将评论自动划分为五大信息类别（如解释性评论、补充知识等）并进一步优化显示。
  2. 多层知识组织: 通过聚类算法（如 DBSCAN），提升 Danmaku 信息的清晰性和易读性，同时将评论与视频内容做语义关联。

• 实施步骤:

  1. 对 35 个视频和 28,088 条 Danmaku 评论进行内容分析，构建训练集和分类标准。
  2. 设计自动化处理管道，将评论过滤、分类，并基于语义和时间轴匹配到视频内容中。
  3. 开发 CoKnowledge 系统，集成分层显示和模式切换功能，以支持观众在不同情境下的知识获取。

研究成果

• 具体成果:

  1. CoKnowledge 显著增强了用户对集体知识的理解和记忆，较传统界面提高了 56.1% 的总体测验得分，其中对 Danmaku 部分的提升尤为明显（117.8%）。
  2. 系统通过明确化知识结构和关联，提高了信息密度并减少重复内容。
  3. 与传统 Danmaku 显示相比，用户体验明显改善，包括更高的知识吸收效率、更强的代入感与互动感。

• 与现有方案的优势: CoKnowledge 在保持 Danmaku 原有交互性和知识协作能力的同时，通过智能处理和分层显示显著减轻了信息干扰和认知负担。这一设计得到了实验结果和用户访谈的支持，为提升知识密集型视频的教育潜力提供了实用方向。

• 实验与评价: 实施了一项对比实验（N=24），分析了系统的知识传递效果、用户交互模式以及总体可用性。用户显著在 CoKnowledge 条件下表现出更高的知识获取信心和效率，且任务负荷与基线系统持平。

• 局限性与未来方向:

  1. 数据主要来源于 Bilibili 平台，可能存在平台特定的偏差。
  2. 参与者以较年轻的用户为主，可能影响普遍性。
  3. 过滤掉的非知识性 Danmaku 被部分用户认为会降低娱乐性，未来可探索如何在保留用户娱乐体验的同时优化知识吸收。
  4. 系统的适用性需要进一步验证，特别是在教育视频和其他用户生成内容平台的场景中。

总结

CoKnowledge 成功地利用智能技术解决了科学视频中 Danmaku 信息过载的问题，增强了集体知识的吸收能力。通过引入自动化处理方法和交互式的用户界面设计，该系统为在线科学传播提供了一种全新工具，并开创了面向知识共建视频交互的设计路线。