设计和评估使用Discord问题突出新闻报道多样性的界面

文献标题

设计和评估高亮新闻报道多样性的界面：利用分歧问题的探索

文献信息

• 主题领域: 人机交互与新闻信息可视化
• 关键词: 新闻阅读接口、报道多样性、分歧问题、自然语言处理、人机交互、可用性研究、新闻偏见、多视角、用户体验、新闻数据可视化

研究背景与问题

• 核心问题与动机:

  • 现代新闻聚合器能够从多个来源汇集关于同一事件的大量报道，但用户在从这些来源中筛选和比较信息时需要花费较大的时间和精力。
  • 在这种多源环境下，缺乏透明性会导致读者可能遭受偏见信息的影响，例如在重大社会议题上，如选举或国际事务。
  • 当前新闻阅读界面通常将新闻文章视为原子单元，缺乏对报道差异有针对性的揭示和比较支持。
  • 本文提出通过设计新的阅读界面揭示报道的多样性，从而帮助读者在新闻内容中发现更丰富的信息。

• 研究重要性:

  • 拥有多样化的新闻视角是保障信息透明性和深入理解复杂问题的重要前提。
  • 通过结合自然语言处理（NLP）技术以自动化方式提取新闻中的差异性，可以减少读者为比较多源信息而需付出的努力。

解决方案

• 提出的具体方法:

  • 本文设计了三种新闻阅读界面：
    1. 注释式文章（Annotated Article）： 从现有的单一新闻中添加基于NLP提取的分歧问题和多源答案注释。
    2. 重组文章（Recomposed Article）： 通过多篇新闻自动合成问答格式的文章，覆盖更多信息。
    3. 问题网格（Question Grid）： 通过矩阵式展示问题（行）与来源（列）的对应答案，强调整体信息密度。
  • 使用“分歧问题框架（Discord Questions Framework）”，自动生成多样问题及其答案，从而揭示报道间的差异性和潜在冲突。

• 创新之处:

  • 引入NLP生成的“分歧问题”作为核心单位，结合以问题驱动的阅读方式，展示不同来源对同一议题的差异性看法。
  • 三种界面体现复杂程度递进：从对现有新闻的简单注释，到信息密度的极大可视化，兼顾了初心者和专家的不同需求。
  • 所述界面在新闻阅读中首次系统性测试自动提取分歧问题的实际有效性。

• 使用的关键技术:

  • NLP技术，包括问题生成（Question Generation）、答案抽取（Answer Extraction）和答案整合（Answer Consolidation），采用BART、RoBERTa等预训练语言模型实现自动化。
  • Usability Study，通过人机交互实验检验与优化界面设计。

研究成果

• 主要成果:

  • 所提出的注释式文章在可读性和多样性呈现之间取得了最佳平衡，用户能够更清晰地获取报道的多样化视角。
  • 与未作改进的单一新闻或粗略展示全部标题的列表界面相比，注释式文章用户在阅读理解测试中答案的完整性提升了34%。
  • 更复杂的重组文章和问题网格界面展现了更高的信息密度，但对初学者用户存在一定使用门槛。

• 实验评估:

  • 专家评估:
    • 对10位新闻从业者的研究表明，注释式文章适合大多数用户；问题网格更适用于专业新闻分析。
  • 用户测试:
    • 95位普通新闻读者的测试中，注释式文章显著提高了新闻理解的覆盖度，同时用户仍然感到界面易于使用。

• 不足与改进方向:

  • 生成的自动分歧问题有时会出现噪声或错误答案，这限制了方法的实际应用。
  • 多数实验设计在英语新闻数据上完成，存在语言和地区的限制，未来需扩展至多语言环境。
  • 新闻的上下文呈现方式可以继续优化，比如在重组文章中提升语义和话题连贯性。
  • 未来可以开展更长时间的纵向研究，探索这些界面对用户长期新闻习惯的影响。

输出格式

• 发布平台: CHI 2023（人机交互领域顶级会议）。
• 实验依赖: NLP背景算法、两阶段的用户可用性研究（包括专家组和普通用户组）。
• 社会价值: 提升新闻阅读透明性，保障新闻用户对复杂事件的全面深度理解，促进对抗新闻偏见和极化信息传播。