멀티모달 심층 연구를 위한 충실한 차트 생성: 프레임-증거 공동 적응

멀티모달 심층 연구에서 분석적 차트는 정량적 주장을 인코딩하므로, 시각화된 모든 값은 지원 증거에 충실하게 근거해야 합니다. 주로 맥락 정보를 제공하는 검색된 이미지와 달리, 차트는 수치적 충실도가 필요합니다: 시각화된 값은 검색된 증거와 양적으로 일치할 뿐만 아니라, 그 원래의 의미와 범위도 보존해야 합니다. 그러나 이러한 충실도를 달성하는 것은 여전히 어렵습니다. 왜냐하면 현재 시스템들은 일반적으로 웹에서 실제로 어떤 정량적 증거를 검색할 수 있는지 알기 전에 시각화 계획을 구성하기 때문입니다. 결과적으로, 미리 정의된 계획은 검색된 증거가 부분적으로만 지원하는 개체, 시간 범위 또는 비교 차원을 요구할 수 있습니다. 기존 접근 방식들은 주로 차트 계획이 고정된 후의 사후 검증(post-hoc verification)을 통해 이 문제를 다루어, 지원되지 않는 값을 식별할 수는 있지만 근본적인 시각적 프레임은 변경하지 못합니다. 이러한 과제를 해결하기 위해, 우리는 멀티모달 심층 연구를 위한 증거 적응형 시각 계획 프레임워크인 Frame-Evidence Co-Adaptation (FECA)을 제안합니다. Data-Frame Theory의 양방향 의미 구성(bidirectional sensemaking) 과정에서 영감을 받은 FECA는 차트 생성을 시각적 프레임과 검색된 증거 간의 반복적인 상호작용으로 모델링합니다. 각 시각적 프레임은 적응적입니다: 프레임이 증거 획득을 안내하고, 검색된 증거가 렌더링 전에 해당 프레임을 수락할지, 수정할지 또는 폐기할지를 결정합니다. 시각화 계획을 증거 가용성과 결합함으로써, FECA는 차트 생성을 고정된 계획의 검증에서 적응형 증거 기반 시각 추론으로 전환시킵니다. 100개의 실제 연구 주제에 대한 실험 결과, FECA가 보고서 품질과 차트 유틸리티를 보존하면서 수치적 충실도를 크게 향상시키는 것을 보여주었습니다.