Sensecape：利用大型语言模型实现多层次探索与意义建构

文献标题

Sensecape: Enabling Multilevel Exploration and Sensemaking with Large Language Models

文献信息

• 主题领域: 信息探索、人工智能生成语言模型在复杂信息任务中的应用
• 关键词: 信息寻求, 多层次探索, 信息组织与理解, 抽象层次, 人机交互, 大语言模型, 系统思维, 视觉空间信息图表

研究背景与问题

• 面临的问题或挑战:

  • 当前基于大语言模型（LLMs）的用户界面通常以线性的对话交互为主，但大多数复杂信息任务（如学术研究、项目规划等）通常需要非线性的信息组织和总结方式。
  • 在复杂信息任务中，用户需要在信息的获取和意义建构之间循环切换，但现有的用户界面通常难以支持这种工作流程。
  • LLM生成的大量信息容易导致认知超载、可视化混乱等问题，另外线性对话记录也增加了信息回查的难度。

• 研究动机:

  • 信息探索和意义建构是复杂认知任务中的核心问题，如何利用LLM的强大的生成能力来优化这一过程仍未完全解决。
  • 作者希望通过改善LLM与用户的交互方式，使用户以更结构化、更有效的方式处理信息任务。

• 相关工作:

  • 信息检索（IR）和人机交互（HCI）研究重点包括探索性搜索（Exploratory Search）、意义建构（Sensemaking）、以及支持信息整理和用户认知结构的工具。例如，已有工具如InkSeine、Miro等提出了一些支持探索的功能，但在信息层次组织与整合方面仍存不足。

解决方案

• 提出的解决方案:

  • 设计了一个名为 Sensecape 的交互系统，支持用户通过大语言模型进行信息任务的多层次探索和意义建构。
  • Sensecape 系统集成了两种核心视图：非线性信息呈现的 Canvas View 和多层次抽象导航的 Hierarchy View，帮助用户在不同抽象层次间无缝切换，同时管理和组织信息。

• 创新之处:

  • 支持多层次抽象：通过将抽象层次可视化，帮助用户对信息空间形成更清晰的理解。
  • 集成了智能特性，例如语义缩放 (Semantic Zoom) 和语义深入探索 (Semantic Dive)，以便用户根据任务需要调整信息粒度，或深入具体信息主题。
  • 通过层次视图外显地呈现信息的组织结构，鼓励用户构建更加系统性的知识层次。

• 实现步骤与关键技术:

  1. 提供信息画布功能，可以自由拖放、分组、连接和编辑节点。
  2. 通过抽象层次进行动态导航，支持用户在高层次概览和低层次详解之间切换。
  3. 为系统集成了多种探索功能（如生成子主题、生成相关问题）以及缩放内容详情级别的语义缩放技术。
  4. 系统实现采用了React框架，并集成了OpenAI的GPT-4模型用于生成符合任务情境的内容。

研究成果

• 具体成果:

  • 实验结果表明，Sensecape 系统显著增强了用户在复杂主题下的探索和层次化组织的能力。
  • 在用户测试中，Sensecape 使用户能够更加高效地探索多层次信息，并促进了信息的更好整合。

• 与现有解决方案的比较:

  • 相比于现有工具（如ChatGPT+Miro结合使用），Sensecape 更加强调信息工作流中的探索与组织的统一性，使用户能够更高效地完成任务。
  • 相较于没有层次视图的工具，Sensecape 有助于减少视觉杂乱，通过语义缩放和分层引导用户更好地进行复杂信息的抽象。

• 实验或评估结果:

  • 用户在Sensecape环境下显著增加了探索的概念数量（从Baseline的22.8提升至68.3），并能创建更深的知识层次。
  • 实验参与者普遍认为层次视图和语义缩放对控制信息超载问题特别有帮助。 -虽然部分参与者提到学习曲线较高，但大多表现出积极的评价。

• 局限性与未来方向:

  • 局限性：
    • 界面复杂度对部分用户形成认知负担。
    • 实验时间较短，可能限制了用户对系统功能的全面掌握。
  • 未来方向：
    • 增强Sensecape的协作功能以支持团队间的知识构建。
    • 改进视觉和交互设计以降低用户学习成本。
    • 考虑添加实时上下文推荐及信息验证功能，提升工具的实际应用价值。
    • 探讨将多层次探索应用于更多抽象领域（如软件开发、系统设计等）。