Knowledge Affordances for Hybrid Human-AI Information Seeking

📄 arXiv: 2604.27539v1 📥 PDF

作者: Irene Celino

分类: cs.HC, cs.AI

发布日期: 2026-04-30

备注: 10 pages, accepted at Hybrid Human Artificial Intelligence Conference (HHAI 2026)

💡 一句话要点

提出知识可供性(KA)概念，用于混合人机环境中智能体的信息寻求决策。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 知识可供性 人机协作 信息寻求 语义Web 知识工程

📋 核心要点

  1. 现有信息生态系统异构性增长，导致人与AI在知识寻求时难以选择合适的知识来源。
  2. 论文提出知识可供性（KA）概念，用于描述知识源的能力、适用问题和上下文属性。
  3. KA是关系型的，受智能体任务、偏好和情境影响，旨在提升信息寻求的透明度与适应性。

📝 摘要（中文）

随着信息生态系统日益异构化，人类和人工智能体都面临着一个简单但未解决的问题：在寻求知识时，我们应该向谁提问，为什么？受到人们直觉“察言观色”的启发，本文引入了知识可供性（KA）的概念，旨在系统化智能体在混合人机环境中识别有意义的信息寻求机会的方式。本文并非提出一个完全成熟的框架，而是将KA作为声明式的、语义化的描述，说明知识源可以提供什么，针对哪种问题，以及具有哪些上下文属性。此外，我们认为KA是关系型的，可能产生于智能体的任务、偏好和情境因素之间的相互作用。因此，我们的贡献是一个连接不同研究方向的概念性提议，包括可供性、语义Web服务、知识工程和查询以及相互理解。我们概述了构建KA感知系统的可能研究方向，该系统能够以更高的透明度、适应性和共享理解来导航信息空间。

🔬 方法详解

问题定义：论文旨在解决混合人机环境中，智能体如何选择合适的知识来源进行信息寻求的问题。现有方法缺乏对知识来源能力的系统化描述，导致智能体难以做出明智的决策。这阻碍了人与AI之间的有效协作，并降低了信息获取的效率。

核心思路：论文的核心思路是引入“知识可供性”（Knowledge Affordance，KA）的概念，将知识来源的能力、适用范围和上下文属性进行显式建模。KA描述了知识源“能够提供什么”，从而帮助智能体评估其是否适合回答特定问题。这种显式建模使得智能体能够更好地理解知识来源的优势和局限性，从而做出更合理的选择。

技术框架：论文并未提出一个完整的技术框架，而是一个概念性的提议。其核心在于KA的定义和使用。KA可以被视为一种元数据，附加在知识来源上。智能体可以通过查询KA来了解知识来源的能力。KA的表示可以使用语义Web技术，例如RDF和OWL。整个流程可以概括为：1. 知识来源发布其KA；2. 智能体查询KA；3. 智能体根据KA选择合适的知识来源。

关键创新：论文的关键创新在于提出了知识可供性（KA）的概念，并将其应用于混合人机信息寻求。与现有方法相比，KA提供了一种更系统化、更显式的方式来描述知识来源的能力。KA是关系型的，能够反映智能体的任务、偏好和情境因素。这使得智能体能够更灵活地适应不同的信息寻求场景。

关键设计：论文侧重于概念的提出，并未涉及具体的参数设置、损失函数或网络结构等技术细节。未来的研究可以探索KA的具体表示方法（例如，使用本体或规则），以及如何利用机器学习技术自动学习KA。

📊 实验亮点

由于该论文主要提出一个概念框架，而非具体的算法实现，因此没有提供实验结果。论文重点在于阐述知识可供性(KA)的概念，并探讨其在混合人机信息寻求中的潜在应用。未来的研究方向包括KA的表示、学习和推理等方面。

🎯 应用场景

该研究成果可应用于智能客服、智能助手、知识图谱问答等领域。通过引入知识可供性，可以提升智能体选择知识来源的准确性和效率，从而改善用户体验。未来，该研究有望促进人与AI之间的更有效协作，并推动知识共享和利用。

📄 摘要（原文）

As information ecosystems grow more heterogeneous, both humans and artificial agents increasingly face a simple yet unresolved question: when seeking knowledge, whom should we ask, and why? Inspired by how people intuitively "read a room", this paper introduces the concept of knowledge affordance (KA) to systematize how agents identify meaningful opportunities for information seeking in hybrid human-AI environments. Rather than introducing a fully formed framework, we propose KAs as declarative, semantically grounded descriptions of what a knowledge source can offer, for which kinds of questions, and with which contextual properties. Additionally, we suggest that KAs are relational, possibly emerging from the interplay between the agent's task, preferences and situational factors. Our contribution is thus a conceptual proposal that connects different research streams, including affordances, semantic web services, knowledge engineering and querying, and mutual intelligibility. We sketch possible research directions to build KA-aware systems that navigate information spaces with greater transparency, adaptability and shared understanding.