論文の概要: MindTrellis: Co-Creating Knowledge Structures with AI through Interactive Visual Exploration

• arxiv url: http://arxiv.org/abs/2604.23129v1
• Date: Sat, 25 Apr 2026 03:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.170974
• Title: MindTrellis: Co-Creating Knowledge Structures with AI through Interactive Visual Exploration
• Title（参考訳）: MindTrellis: インタラクティブなビジュアル探索を通じて、知識構造とAIを併用する
• Authors: Xiang Li, Cara Li, Emily Kuang, Can Liu, Jian Zhao,
• Abstract要約: 我々は、ユーザとAIが協調して動的知識グラフを構築するインタラクティブなビジュアルシステムであるMindTrellisを紹介する。 ユーザはグラフをクエリして、ドキュメントのグラウンド情報を取得し、新しい概念を導入し、関係を変更し、階層を再編成して、開発する理解を反映することでコントリビュートすることができる。 12人の参加者がスライドデッキを作成したユーザスタディにおいて、MindTrellisは、コンテンツカバレッジと構造的品質の専門的な評価によって測定された、知識組織と認知的負荷の検索専用ベースラインを上回った。
• 参考スコア（独自算出の注目度）: 19.586529329374716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge workers face increasing challenges in synthesizing information from multiple documents into structured conceptual understanding. This process is inherently iterative: users explore content, identify relationships between concepts, and continuously reorganize their mental models. However, current approaches offer limited support. LLM-based systems let users query information but not shape how knowledge is organized; manual tools like mind maps support structure creation but lack intelligent assistance. This leaves an open opportunity: supporting collaborative construction where users and AI jointly develop an evolving knowledge representation. We present MindTrellis, an interactive visual system where users and AI collaboratively build a dynamic knowledge graph. Users can query the graph to retrieve document-grounded information, and contribute by introducing new concepts, modifying relationships, and reorganizing the hierarchy to reflect their developing understanding. In a user study where 12 participants created slide decks, MindTrellis outperformed retrieval-only baselines in knowledge organization and cognitive load, as measured by expert ratings of content coverage and structural quality.
• Abstract（参考訳）: 知識労働者は、複数の文書から構造化された概念的理解に情報を合成する際の課題に直面する。 このプロセスは本質的に反復的であり、ユーザーはコンテンツを探索し、概念間の関係を識別し、精神モデルを再編成する。 しかし、現在のアプローチは限定的なサポートを提供する。 LLMベースのシステムでは、ユーザが情報をクエリできるが、知識がどのように組織化されているかは形成できない。 これは、ユーザとAIが共同で進化する知識表現を開発する共同構築をサポートする、オープンな機会を残します。 我々は、ユーザとAIが協調して動的知識グラフを構築するインタラクティブなビジュアルシステムであるMindTrellisを紹介する。 ユーザはグラフをクエリして、ドキュメントのグラウンド情報を取得し、新しい概念を導入し、関係を変更し、階層を再編成して、開発する理解を反映することでコントリビュートすることができる。 12人の参加者がスライドデッキを作成したユーザスタディにおいて、MindTrellisは、コンテンツカバレッジと構造的品質の専門的な評価によって測定された、知識組織と認知的負荷の検索専用ベースラインを上回った。

関連論文リスト

• Draw2Learn: A Human-AI Collaborative Tool for Drawing-Based Science Learning [0.0]
  描画はメンタルモデルを外部化することで学習をサポートするが、スケールでのタイムリーなフィードバックの提供は依然として難しい。 我々はDraw2Learnについて紹介する。Draw2Learnは、ドローベース学習においてAIが支援的なチームメイトとして振舞う方法を探求するシステムである。
  論文  参考訳（メタデータ） (2026-02-02T00:06:08Z)
• Structured Knowledge Representation through Contextual Pages for Retrieval-Augmented Generation [53.768256130061765]
  PAGERは、RAGのためのページ駆動の自律的知識表現フレームワークである。 関連文書を反復的に検索して洗練し、各スロットをポップアップさせ、最終的にコヒーレントなページを構成する。 実験の結果、PAGERはすべてのRAGベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-14T11:44:31Z)
• MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation [17.382062394739588]
  大規模言語モデル(LLM)は、コンテキストウィンドウが限られているため、高レベルな概念的理解と包括的理解に苦慮する。 本稿では,マルチモーダルな知識グラフに基づくRAGを導入し,より優れたコンテンツ理解のためのクロスモーダル推論を実現する。 本手法では,知識グラフの構築,検索フェーズ,回答生成プロセスに視覚的手がかりを取り入れた。
  論文  参考訳（メタデータ） (2025-11-26T05:00:03Z)
• Visualization of Knowledge Graphs with Embeddings: an Essay on Recent Trends and Methods [0.0]
  本稿では,知識グラフの可視化技術とフレームワークの現状について概説する。 知識グラフを視覚化する際の課題には、直感的でモジュール化されたインターフェースの必要性、ビッグデータ処理のパフォーマンス、クエリ言語を理解し使用することの難しさなどがある。 知識グラフ埋め込みの文脈では、埋め込みを用いて知識グラフの探索を容易にするアプローチと、埋め込み自体の説明を目的としたアプローチを分ける。
  論文  参考訳（メタデータ） (2024-11-21T16:32:27Z)
• Learning Representations for Reasoning: Generalizing Across Diverse Structures [5.031093893882575]
  我々は、知識とクエリ構造をまたいだアルゴリズムを考案し、推論モデルの境界を推し進めることを目指している。 図書館は構造化データを第一級市民として扱い,構造化データのアルゴリズム開発における障壁を取り除く。
  論文  参考訳（メタデータ） (2024-10-16T20:23:37Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• AIGenC: An AI generalisation model via creativity [1.933681537640272]
  本稿では,創造性に関する認知理論に触発された計算モデル(AIGenC)を紹介する。 人工エージェントが変換可能な表現を学習、使用、生成するために必要なコンポーネントを配置する。 本稿では, 人工エージェントの配当効率を向上するモデルの有効性について論じる。
  論文  参考訳（メタデータ） (2022-05-19T17:43:31Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• JAKET: Joint Pre-training of Knowledge Graph and Language Understanding [73.43768772121985]
  本稿では,知識グラフと言語の両方をモデル化する新しい事前学習フレームワークであるJAKETを提案する。 知識モジュールと言語モジュールは相互に支援するための重要な情報を提供する。 我々の設計により、事前学習されたモデルは、新しいドメインの見知らぬ知識グラフに容易に適応できる。
  論文  参考訳（メタデータ） (2020-10-02T05:53:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。