促进公民决策中共享理解的人机叙事合成

文献标题

Human-AI Narrative Synthesis to Foster Shared Understanding in Civic Decision-Making

出版信息

• 主题领域: 人机协作在公民参与中的叙事综合。
• 关键词: 人机协作, 叙事综合, 公民决策, 大型语言模型, 社区参与, 叙事, 定性数据分析, 信任, 真实性, 参与式设计。

背景与问题

• 问题/挑战: 传统的大规模社区反馈综合方法在数据量面前不堪重负，尤其是在学校重新划区等争议性公民情境中，限制了不同观点之间的共享理解和共情。
• 重要性: 有效地综合和分享社区反馈对于在两极化的公民环境中促进信任、尊重和知情决策至关重要。
• 动机与相关工作: 现有系统专注于原始数据展示或参与式讨论，但缺乏可扩展的基于叙事的综合方法。人工智能具有潜力，但也引发了关于准确性、透明性和偏见的担忧。基于生活经历的叙事在促进共情和联系方面显示出潜力，但在高风险公民情境中仍未被充分探索。

解决方案

• 提出的方法: StoryBuilder，一个人机协作的管道，将大规模社区反馈转化为第一人称复合叙事，并通过StorySharer界面进行可访问的探索。
• 创新点:
  1. 开发了一个结合大型语言模型自动化与人工监督的可扩展人机叙事综合管道。
  2. 在争议性的学校重新划区过程中进行实际部署，提供了关于社区参与叙事策略的实证见解。
  3. 通过控制实验研究叙事组成（以经历为主与以观点为主）对人际结果（如尊重和信任）的影响。
• 流程与关键技术:
  • 六阶段StoryBuilder管道：数据处理、主题创建、主题分类、故事生成、人工审核和额外主题优化。
  • 使用McAdams的“生命故事框架”来构建包含场景（经历）和主题（解释）的叙事。
  • 通过StorySharer界面部署124个复合故事，按主题和利益相关者类型组织。
  • 混合方法评估：实地部署、用户研究和控制实验。

研究结果

• 具体发现:
  • 实地部署：四个月内共有2,183次会话，移动端采用率为51%，平均会话时长为6.2分钟。
  • 用户研究：参与者认为叙事有助于促进共鸣和理解，但对AI创作内容的看法不一。
  • 实验：以经历为主的叙事在尊重（3.72）和信任（3.64）方面优于以观点为主的叙事（尊重：3.29，信任：3.26）。
• 相较基线的优势:
  • 以经历为主的叙事在促进尊重（+0.43）和信任（+0.38）方面表现更优。
  • 混合叙事显示出中等效益，但在信任方面未能超越以经历为主的故事。
• 实验/评估:
  • 实地部署：跟踪用户在StorySharer界面上的交互和反馈。
  • 用户研究：21名代表不同社区角色的参与者提供了关于叙事影响和系统可用性的定性见解。
  • 控制实验：198名参与者测试了叙事组成对尊重、信任和立场改变的影响。
• 局限性与未来工作:
  • 在部署前未对全部124个故事进行全面验证。
  • 用户研究样本偏向于积极参与的社区成员，未包含学生参与者。
  • 实验在部署社区之外进行，生态效度有限。
  • 未来工作：改进引用准确性，探索AI生成叙事的参与式验证，并将定量摘要与叙事相结合。

总结

本研究介绍了StoryBuilder，一个人机协作的叙事综合管道，以及StorySharer，一个用于探索AI生成的社区反馈叙事摘要的界面。在争议性的学校重新划区过程中，该系统将2,480条社区反馈综合为124个第一人称叙事，促进了不同观点之间的共鸣和理解。实地部署和用户研究强调了叙事综合在社区参与中的价值，但也暴露了关于AI创作内容和信息过载的担忧。控制实验表明，以经历为主的叙事在促进尊重和信任方面优于以观点为主的叙事，但未能改变政策立场。研究结果展示了叙事综合在公民情境中的潜力，同时强调了在设计中平衡可扩展性、真实性和包容性的必要性。