Data storytelling plays an important role in data workers' daily jobs since it boosts team collaboration and public communication. However, to make an appealing data story, data workers spend tremendous efforts on various tasks, including outlining and styling the story. Recently, a growing research trend has been exploring how to assist data storytelling with advanced artificial intelligence (AI). However, existing studies may focus on individual tasks in the workflow of data storytelling and do not reveal a complete picture of humans' preference for collaborating with AI. To better understand real-world needs, we interviewed eighteen data workers from both industry and academia to learn where and how they would like to collaborate with AI. Surprisingly, though the participants showed excitement about collaborating with AI, many of them also expressed reluctance and pointed out nuanced reasons. Based on their responses, we first characterize stages and tasks in the practical data storytelling workflows and the desired roles of AI. Then the preferred collaboration patterns in different tasks are identified. Next, we summarize the interviewees' reasons why and why not they would like to collaborate with AI. Finally, we provide suggestions for human-AI collaborative data storytelling to hopefully shed light on future related research.


翻译:数据叙事在数据工作者的日常工作中发挥着重要作用,因为它促进了团队协作和公共交流。然而,为了制作引人入胜的数据故事,数据工作者需要在各种任务上花费巨大的精力,包括概述和样式设计。最近,一个日益增长的研究趋势是探索如何使用先进的人工智能(AI)辅助数据叙事。然而,现有研究可能集中于数据叙事工作流程中的个人任务,并没有揭示人类与 AI 协作的完整图像。为了更好地了解实际需求,我们采访了来自工业和学术界的 18 名数据工作者,以了解他们希望如何协作以及如何与 AI 协作的地方。令人惊讶的是,尽管参与者对与 AI 协作表示了兴奋,但他们中的许多人也表达了犹豫和指出微妙的原因。根据他们的回答,我们首先描述实际数据叙事工作流程中的阶段和任务以及 AI 的期望角色。然后,识别不同任务中的首选协作模式。接下来,我们总结参与访谈者为什么希望与 AI 协作以及不希望与 AI 协作的原因。最后,我们提供人工智能协作数据叙事的建议,希望能为未来相关研究提供启示。

0
下载
关闭预览

相关内容

专知会员服务
49+阅读 · 2021年6月30日
专知会员服务
38+阅读 · 2020年9月6日
精彩活动丨AI for Graph Computation学术研讨会
图与推荐
0+阅读 · 2022年7月16日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
32+阅读 · 2022年2月15日
Arxiv
15+阅读 · 2021年11月19日
VIP会员
相关VIP内容
专知会员服务
49+阅读 · 2021年6月30日
专知会员服务
38+阅读 · 2020年9月6日
相关资讯
精彩活动丨AI for Graph Computation学术研讨会
图与推荐
0+阅读 · 2022年7月16日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员