Forsense：通过意义建构集成和机器研究支持加速在线研究

文献标题

ForSense: Accelerating Online Research Through Sensemaking Integration and Machine Research Support

文献信息

• 主题领域: 人工智能与用户体验设计中的人机协作研究
• 关键词: 人机协作, 感知理论, 浏览器扩展, 神经网络, 信息组织, 机器学习, 在线研究, 语义理解, 数据收集

研究背景与问题

• 发现的问题或挑战: 在线研究是互联网上的重要活动。然而，目前的浏览器支持主要集中在简单搜索上，缺乏对复杂探索性研究任务的全面集成支持。另外，传统工具往往在信息收集和组织过程中表现碎片化，分散的工作流程加重了用户的认知负担。
• 重要性: 信息的搜寻、收集、分析和整合，对社会、教育和专业环境至关重要。解决这些问题可以提高工作效率，同时为当代研究工具提供更好的人机协作可能性。
• 研究动机与相关工作: 作者受到“感知理论”（sensemaking theory）的启发，希望通过整合网络上的研究阶段并利用现代机器学习模型，为用户提供流畅的研究体验。以往工具缺乏对整个感知流程（觅食和意义建构阶段）的支持，此研究旨在实现这一点并提升机器支持技术的有效性。

解决方案

• 提出的方法与创新点:
  1. 系统设计: 开发浏览器扩展工具“ForSense”，通过深度神经网络模型（transformer模型）为用户提供信息收集和组织的自动化支持。
  2. 集成用户活动: 整合感知理论中的觅食与意义建构两个交互循环，让用户灵活流转于信息收集与组织阶段。
  3. 机器学习支持: 运用基于BERT的嵌入技术来理解用户收集的局部信息，提供剪辑（clip）推荐和分组建议。
• 实施步骤与关键技术:
  • 使用浏览器扩展实现嵌入的研究功能，用户可以直接从网页上高亮或保存感兴趣的信息片段（“剪辑”）。
  • 建立语义嵌入计算服务，通过向量语义分析提供机器自动推荐的剪辑和分组建议。
  • 意义建构画布（sensemaking canvas）：用户可以通过拖拽剪辑到特定分组来组织研究内容。
  • 机器建议自动化支持包括剪辑归类、相关剪辑推荐、分组语义拓展等功能。

研究成果

• 具体成果:
  1. ForSense成功支持用户完成在线研究任务，通过缩短信息收集和组织的时间，提高效率。
  2. 用户对集成性和机器推荐功能的评价较高，认为解决了传统工具的碎片化问题。
  3. 本研究提出了一套设计指导原则，包括如何最小化机器不准确建议对用户的干扰。
• 与现有解决方案相比的优势:
  • 从感知理论出发设计框架，避免用户在工具间切换的认知中断。
  • 基于局部剪辑的分析比传统基于网页内容的分析更能反映语义一致性。
• 实验结果:
  • 用户研究表明，集成的觅食-感知过程增强了参与者的研究状态流（flow）。
  • 系统的建议虽然偶尔不准确，但仍能为用户提供新的研究方向或启发。
• 局限性与未来方向:
  • 系统的某些建议存在冷启动问题，即在没有足够分组信息时难以提供有效的推荐。
  • 用户希望能够标注负面样本以进一步优化机器建议算法。
  • 下一步拟研究结合多模态信息（如图像、视频）的嵌入技术，用于支持更多类型的数据分析。

设计推荐

• 设计带有一定“不精确”的机器建议，以丰富用户的认知视野。
• 从人机能力互补角度出发，而非仅强调合作，设计以增强人类能力为核心。
• 加强用户教学环节，让用户能够指导系统理解概念。
• 进一步研究利用信息片段作为基础单元的意义建构，用更小规模、更语义一致的数据点改善机器理解能力。

结论

ForSense通过集成感知理论及现代神经驱动的阅读技术，成功支持和加速了用户的在线研究任务。同时，研究强调了人机互补的设计思路，认为即使是“不完美”的机器建议也能为研究者带来价值。这种设计范式为未来的在线研究工具和用户体验设计提供了新的视角。