Semantic Interaction for Narrative Map Sensemaking: An Insight-based Evaluation
作者: Brian Felipe Keith-Norambuena, Fausto German, Eric Krokos, Sarah Joseph, Chris North
分类: cs.HC, cs.AI, cs.CL, cs.IR
发布日期: 2026-03-31
备注: Text2Story Workshop 2026 at ECIR 2026
💡 一句话要点
提出基于语义交互的叙事地图，用于提升叙事理解的洞察力。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 语义交互 叙事地图 叙事理解 人机协同 可视化分析
📋 核心要点
- 现有叙事提取框架缺乏有效性评估，分析师难以将认知过程融入AI模型。
- 提出基于语义交互的叙事地图，允许用户直接操作可视化，从而改进叙事理解。
- 实验表明，基于语义交互的叙事地图优于时间线基线，能产生更多洞察力。
📝 摘要（中文）
语义交互(SI)使分析师能够通过直接操作可视化将他们的认知过程融入到AI模型中。虽然已经提出了用于叙事提取的SI框架，但对其有效性的实证评估仍然有限。本文介绍了一项用户研究，该研究评估了SI在叙事地图理解中的应用，涉及33名参与者，分为三个条件：时间线基线、基本叙事地图和具有SI功能的交互式叙事地图。结果表明，基于地图的原型比时间线基线产生了更多的洞察力，其中启用SI的条件达到了统计显著性，而基本地图条件也呈现出相同的趋势。启用SI的条件表现出最高的平均性能；地图条件之间的差异在统计上不显著，但显示出较大的效应量（d > 0.8），表明该研究可能没有足够的统计功效来检测到这些差异。定性分析确定了两种不同的SI方法——纠正性和附加性——使分析师能够对提取的叙事施加质量判断和组织结构。我们还发现，SI用户以较少的参数操作实现了相当的探索广度，表明SI是模型改进的另一种途径。这项工作提供了经验证据，表明基于地图的表示优于时间线，并提供了关于分析师如何使用SI进行叙事改进的定性见解。
🔬 方法详解
问题定义：论文旨在解决叙事理解中，现有方法（如时间线）难以有效提取和组织信息，以及分析师难以将自身认知融入AI模型的问题。现有方法的痛点在于缺乏交互性，无法让用户直接干预和修正模型提取的叙事，导致洞察力不足。
核心思路：论文的核心思路是引入语义交互（SI），构建交互式叙事地图。通过允许用户直接操作地图上的叙事元素，例如修正错误、添加结构化信息等，将用户的认知过程融入到叙事提取和组织中，从而提升叙事理解的深度和广度。
技术框架：整体框架包含三个主要条件：时间线基线、基本叙事地图和具有SI功能的交互式叙事地图。用户在不同条件下完成叙事理解任务，研究人员收集用户行为数据和洞察力评估结果。SI功能主要体现在用户可以对叙事地图中的元素进行编辑、组织和关联，从而影响叙事的呈现方式和内容。
关键创新：最重要的技术创新点在于将语义交互引入到叙事地图中，允许用户直接干预叙事提取和组织过程。与现有方法相比，该方法不再仅仅依赖算法自动提取叙事，而是将用户的认知作为重要的信息来源，实现了人机协同的叙事理解。
关键设计：SI的具体实现包括两种主要方法：纠正性交互（Corrective SI）和附加性交互（Additive SI）。纠正性交互允许用户修正模型提取的错误信息，例如更正实体关系、时间顺序等。附加性交互允许用户添加新的信息，例如添加事件之间的因果关系、组织叙事结构等。研究中没有明确提及具体的参数设置或损失函数，重点在于用户交互行为的分析。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于地图的原型比时间线基线产生了更多的洞察力，其中启用SI的条件达到了统计显著性。虽然地图条件之间的差异在统计上不显著，但显示出较大的效应量（d > 0.8），表明SI具有潜在的提升效果。定性分析发现，SI用户以较少的参数操作实现了相当的探索广度，表明SI是模型改进的有效途径。
🎯 应用场景
该研究成果可应用于情报分析、新闻报道、历史研究等领域，帮助分析师更有效地理解和组织复杂叙事。通过人机协同的方式，可以提升叙事理解的效率和准确性，辅助决策制定。未来可进一步探索更高级的语义交互方式，例如基于自然语言的交互，以及更智能的叙事地图生成算法。
📄 摘要（原文）
Semantic interaction (SI) enables analysts to incorporate their cognitive processes into AI models through direct manipulation of visualizations. While SI frameworks for narrative extraction have been proposed, empirical evaluations of their effectiveness remain limited. This paper presents a user study that evaluates SI for narrative map sensemaking, involving 33 participants under three conditions: a timeline baseline, a basic narrative map, and an interactive narrative map with SI capabilities. The results show that the map-based prototypes yielded more insights than the timeline baseline, with the SI-enabled condition reaching statistical significance and the basic map condition trending in the same direction. The SI-enabled condition showed the highest mean performance; differences between the map conditions were not statistically significant but showed large effect sizes (d > 0.8), suggesting that the study was underpowered to detect them. Qualitative analysis identified two distinct SI approaches-corrective and additive-that enable analysts to impose quality judgments and organizational structure on extracted narratives. We also find that SI users achieved comparable exploration breadth with less parameter manipulation, suggesting that SI serves as an alternative pathway for model refinement. This work provides empirical evidence that map-based representations outperform timelines for narrative sensemaking, along with qualitative insights into how analysts use SI for narrative refinement.