AbstractExplorer:利用结构映射理论增强大规模比较性细读
作者
大语言模型(LLM)的人机协作交互式数据可视化大学教授与研究人员软件工程师与开发者
如今的旗舰单个会议可能有一千多篇论文;即使只是阅读最新相关会议上每篇论文的摘要来跟上研究步伐,也需要大量时间和记忆力。该领域的先前可视化普遍遵循 Shneiderman 的视觉信息搜索箴言,按需提供细节。然而,最近在其他领域,系统设计师利用结构映射理论(SMT)来同时概览和详情,促进抽象而不丢失上下文。我们构建并评估了一个名为 AbstractExplorer 的系统,该系统具有类似的 SMT 衍生特征,用于科学摘要语料库的熟悉化。AbstractExplorer 具有独特的组合:(1)大语言模型驱动的Facet 比较细读,(2)角色高亮,(3)基于结构的排序和(4)对齐。消融研究(N=24)验证了这些特征组合使用效果最佳。一项总结性研究(N=16)描述了这些功能如何帮助用户熟悉来自单个大型会议的超1000篇论文摘要语料库。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 80%
通过可视化分析比较英语母语者和非母语者在协作写作中的行为
CHI '25· 大语言模型(LLM)的人机协作 +2
- 80%
InterWeave:在上下文中呈现搜索建议以支持信息搜索与综合
UIST '22· 大语言模型(LLM)的人机协作 +1
- 67%
Synergi:用于学术综合与意义建构的混合主动式系统
UIST '23· 大语言模型(LLM)的人机协作 +2
- 60%
评估平移和缩放时间线和滑块
CHI '19· 交互式数据可视化 +1
- 60%
大规模可视化深度神经网络示例
CHI '21· 大语言模型(LLM)的人机协作 +1
- 60%
CoNotate:基于笔记建议查询以促进知识发现
CHI '21· 交互式数据可视化 +1
- 60%
通过数据工作的工件追踪和可视化人与ML/AI的协作过程
CHI '23· 大语言模型(LLM)的人机协作 +1
- 60%
BIDTrainer:一种基于大规模语言模型的教育工具,用于提高对生物启发设计的理解和推理能力
CHI '24· 大语言模型(LLM)的人机协作 +1
- 60%
装傻以求聪明:在大学计算机科学课程中创建和评估基于LLM的教学代理
CHI '25· 大语言模型(LLM)的人机协作 +1
- 60%
学习行为介导人工智能支持的元认知校准对学习结果的影响
CHI '25· 大语言模型(LLM)的人机协作 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3746059.3747773
一眼看懂
fact_check论文快照
dataset
来源
UIST
calendar_month
年份
2025
emoji_events
奖项
未标记奖项
group
作者
7 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、交互式数据可视化
work
职业/产业
大学教授与研究人员、软件工程师与开发者
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文