چگونه تصمیمات را از متن‌های جلسه استخراج کنیم (فقط آن‌ها را خلاصه نکنیم)

جلسه مهاجرت در ساعت ۳:۳۰ بعدازظهر یک سه‌شنبه در ماه مارس به پایان رسید. ربات ضبط در تماس بود، بنابراین یک متن کامل وجود دارد — حدود ۹۰۰۰ کلمه از آن، که تقریباً همان چیزی است که یک ساعت گفتگوی همپوشان تولید می‌کند — و یک خلاصه منظم از هوش مصنوعی با نکات برجسته و موارد اقدام. همه چیز درباره آن جلسه، به نوعی، در پرونده است.

شش ماه بعد، یک رهبر مهندسی جدید سوال واضحی می‌پرسد: "چرا این را به Q4 موکول نکردیم؟" و هیچ‌کس نمی‌تواند پاسخ دهد. فردی که استدلال مخالف موکول کردن را مطرح کرده بود، رفته است. استدلال واقعی بود — در سه اشاره جداگانه، با فاصله چهل دقیقه مطرح شد و توجه همه را جلب کرد — اما در هیچ خلاصه‌ای ظاهر نمی‌شود، زیرا خلاصه‌ها نکات برجسته را حفظ می‌کنند و استدلال‌هایی که به صورت تکه‌تکه ارائه می‌شوند هرگز نکته برجسته‌ای نیستند.

ترجمه متن جلسه است. این تصمیم نیست. این پست درباره تفاوت است — اینکه یک رکورد تصمیم در واقع چه چیزی را شامل می‌شود، چرا استخراج یکی از متن جلسه به صورت دستی یک بعدازظهر را می‌بلعد و چگونه استخراج هوش مصنوعی زمانی که به ساختار تصمیم‌گیری هدف‌گذاری می‌کند، اقتصاد را تغییر می‌دهد به جای اینکه به خلاصه بپردازد.

یک گزارش جلسه است. این تصمیم نیست.

مسئله‌ی ترانسکریپت و خلاصه به طور اساسی حل شده است. نیم دوجین ابزار در تماس شما قرار می‌گیرند، یک ترانسکریپت تمیز تولید می‌کنند و یک خلاصه با نکات برجسته و موارد اقدام به شما ارائه می‌دهند. این واقعاً مفید است و شما باید به استفاده از آن ادامه دهید. اما توجه کنید که چه چیزی به شما می‌دهد: یک بازگویی فشرده از آنچه گفته شد. این وظیفه‌ی خلاصه است و آن را به خوبی انجام می‌دهد.

آنچه به شما نمی‌دهد، یک ثبت از آنچه شما تصمیم گرفتید است — انتخابی که گروه به آن متعهد شد، گزینه‌هایی که رد کردید و دلایلی که آن‌ها را رد کردید. هیچ مقدار بهتری از خلاصه‌سازی این را تولید نمی‌کند، زیرا این دو سند به سوالات متفاوتی پاسخ می‌دهند. یک خلاصه به سوال "در این جلسه چه اتفاقی افتاد؟" پاسخ می‌دهد. یک ثبت تصمیم به سوال "چه چیزی را تعیین کردیم و چرا گزینه‌های دیگر را رد کردیم؟" پاسخ می‌دهد.

تمایز در لحظه‌ای که بیشترین هزینه را دارد، اهمیت بیشتری پیدا می‌کند: ماه‌ها بعد، زمانی که سوال دوباره مطرح می‌شود. یک خلاصه در مورد "چرا ما تأخیر نکردیم؟" ساکت است — استدلال علیه تأخیر به صورت بلند بیان شد و سپس فشرده شد. یک رکورد تصمیم به آن در یک جمله پاسخ می‌دهد. (برای تله مرتبط نزدیک از ثبت وظایف به جای انتخاب‌های پشت آن‌ها، به موارد عملی در مقابل تصمیمات مراجعه کنید — و برای آنچه که برای تمام آن استدلال‌های ثبت‌نشده زمانی که افراد می‌روند اتفاق می‌افتد، به بحران دانش نهادی مراجعه کنید.)

محققان به مدت بیست سال در تلاش بوده‌اند تا تصمیمات را از جلسات استخراج کنند.

این مشکلی نیست که یادداشت‌برداران هوش مصنوعی سال گذشته کشف کردند. در سال 2005، پروژه AMI حدود 100 ساعت جلسه را ضبط و حاشیه‌نویسی کرد به‌طوری‌که محققان بتوانند مطالعه کنند که در واقع در آن‌ها چه اتفاقی می‌افتد و تا سال 2007–2008 گروه‌ها در حال ساخت سیستم‌هایی برای شناسایی نقاط تصمیم‌گیری در آن مجموعه بودند — کار شناسایی تصمیم‌گیری هسو و مور و مدل‌های گفت‌وگوهای فرعی تصمیم‌گیری فرناندز و همکارانش در میان آن‌ها.

یافته‌ی مداوم و تواضع‌آمیز از آن خط تحقیق: تصمیمات در جلسات واقعی مذاکره‌شده، پراکنده و ضمنی هستند. مردم به ندرت می‌گویند "ما برای دلایل Y و Z تصمیم گرفته‌ایم X." آنها به یک موضوع می‌پردازند، آن را رها می‌کنند، دوباره به آن برمی‌گردند، نیمه‌متعهد می‌شوند و ادامه می‌دهند — که دقیقاً به همین دلیل است که تصمیمات چیزی هستند که هم انسان‌های عجله‌زده و هم مدل‌های خلاصه‌سازی از دست می‌دهند. استدلالی که به آن نیاز دارید در نوبت‌هایی توزیع شده است که هیچ هایلایت واحدی شامل آن نمی‌شود.

چه چیزی را واقعاً باید از یک متن استخراج کرد

استخراج تصمیمات به معنای "خلاصه‌سازی، اما کوتاه‌تر" نیست. این یک خوانش هدفمند برای چهار چیز خاص است. اگر یکی از آن‌ها را از دست بدهید، یک یادداشت دارید، نه یک رکورد.

مهندسی نرم‌افزار این شکل دقیق را در سال ۲۰۱۱ نهادینه کرد، زمانی که مایکل نیگارد سوابق تصمیم‌گیری معماری را پیشنهاد داد: اسناد کوتاهی که زمینه، تصمیم و پیامدهای آن را ثبت می‌کنند و همراه با کدی که توضیح می‌دهند نگهداری می‌شوند. ADRها گسترش یافتند زیرا مشکل بازگشایی مشابهی را حل کردند — یک مهندس جدید که می‌پرسد "چرا این‌گونه ساخته شده است؟" به جای یک پروژه باستان‌شناسی، پاسخی دریافت می‌کند. چهار مورد بالا را کنار هم بگذارید و نسخه عمومی آن را خواهید داشت: ستون فقرات یک ردیابی حسابرسی تصمیم که از افرادی که در اتاق بودند، باقی می‌ماند.

روش دستی — و چرا یک بعدازظهر را خالی می‌کند

شما می‌توانید همه این‌ها را به‌صورت دستی استخراج کنید و روش آن ساده است:

1. متن را از ابتدا تا انتها بخوانید و هر نوبت که یک انتخاب، یک اعتراض یا یک گزینه جایگزین ظاهر می‌شود را علامت‌گذاری کنید.
2. برای هر تصمیم، قطعنامه را به عنوان یک جمله بنویسید — چیزی که گروه به آن متعهد شد.
3. به عقب در بحث بروید و گزینه‌هایی را که مطرح و رد شده‌اند جمع‌آوری کنید تا انتخاب دارای گزینه‌های قابل مشاهده باشد.
4. استدلال‌ها را بازسازی کنید — نقل قول یا بازنویسی کنید که چه کسی برای هر گزینه استدلال کرده و چه کسی علیه آن، و استدلال‌ها را به سمت درست متصل کنید.
5. نام صاحب را بنویسید و کل موضوع را در جایی بایگانی کنید که واقعاً بتوان دوباره آن را پیدا کرد.

این کار می‌کند. همچنین بخشی است که همه به آرامی از آن عبور می‌کنند، زیرا یک متن واقعی شامل هزاران کلمه از گفتار همپوشانی، انحرافات و افکار نیمه‌تمام است — و همان‌طور که تحقیقات مربوط به سخنرانی در جلسات بالا پیش‌بینی می‌کند، استدلالی که به آن نیاز دارید در آن پراکنده است و اغلب هرگز به‌طور واضح در یک مکان بیان نمی‌شود. دوباره سرهم کردن یک نکته که در سه حاشیه جداگانه چهل دقیقه فاصله مطرح شده، کار کند و دقیقی است. اگر خوب انجام دهید، هر جلسه یک بعدازظهر را می‌گیرد. اگر عجله کنید، دوباره یک خلاصه می‌گیرید — که دقیقاً همان چیزی است که کافی نبود. خستگی یک مشکل انضباطی نیست؛ بلکه یک مشکل ساختاری است و ساختار قابل اتوماسیون است.

اما یادداشت‌بردار هوش مصنوعی من قبلاً تصمیمات را لیست کرده است

اعتراض منصفانه — بیشتر ابزارهای جلسه اکنون یک لیست گلوله‌ای از "تصمیمات گرفته شده" ارائه می‌دهند و اگر تنها چیزی که نیاز دارید موضوعات به همراه موارد اقدام است، آن خلاصه واقعاً کافی است. اما دو مشکل وجود دارد که تکیه بر آن به عنوان سوابق تصمیم‌گیری شما را دچار چالش می‌کند و این مشکلات از نوع‌های مختلفی هستند. (برای چشم‌انداز وسیع‌تر — کدام نوع ابزار هوش مصنوعی مناسب کدام کار تصمیم‌گیری است — به مرور صادقانه ما از ابزارهای تصمیم‌گیری هوش مصنوعی مراجعه کنید.)

اولین مورد قابلیت اعتماد است. زمانی که محققان از انسان‌ها خواستند ۲۰۰ خلاصه جلسه تولید شده توسط ماشین را برای مجموعه داده QMSum Mistake علامت‌گذاری کنند، حذف — تصمیمات و اقدام‌های مهم که به‌طور کامل نادیده گرفته شده‌اند یا بدون محتوای خود ذکر شده‌اند — به عنوان یکی از نه کلاس خطای مکرر ظاهر شد، در کنار جزئیات خیالی که هرگز گفته نشده بودند (Kirstein, Ruas & Gipp, COLING 2025). مدل‌های خلاصه‌سازی برای پوشش آنچه که مورد بحث قرار گرفته بهینه‌سازی شده‌اند، نه برای تضمین ثبت آنچه که توافق شده است — و روش پراکنده و ضمنی که تصمیمات واقعی به آن صورت می‌گیرد دقیقاً مورد سختی است.

مسئله دوم حتی زمانی که نکته صحیح است وجود دارد. "تصمیم گرفته شد: مهاجرت در سه‌ماهه سوم ارسال شود" تنها راه‌حل است — گزینه‌های مورد بررسی و استدلال‌های هر دو طرف هنوز ناپدید شده‌اند و این‌ها بخش‌هایی هستند که وقتی تصمیم بعداً مورد سوال قرار می‌گیرد به آن‌ها نیاز دارید. یک نکته صحیح یک یادداشت است. سوابق ساختار اطراف آن هستند.

چگونه Argumentree تصمیم را استخراج می‌کند، نه خلاصه را

Argumentree متن را برای هدفی متفاوت می‌خواند. به جای فشرده‌سازی آنچه گفته شده به یک روایت، استخراج هوش مصنوعی آن به دنبال ساختار تصمیم‌گیری است: سوال مورد بحث، گزینه‌های مقایسه شده با یکدیگر و استدلال‌های مطرح شده برای و علیه هر یک. این موارد را به یک نقشه استدلال pros/cons جمع‌آوری می‌کند — همان شکلی که یک تسهیل‌گر خوب بر روی تخته سفید می‌سازد — با یک تصمیم پیش‌نویس و یک مالک پیشنهادی متصل.

خروجی یک خلاصه دیگر نیست که در کنار متن شما قرار داشته باشد. این یک رکورد تصمیم‌گیری ساختاریافته و قابل جستجو است که استدلال هنوز به آن متصل است و یک مسیر کامل حسابرسی — انتخاب، گزینه‌های آن و استدلال‌های هر دو طرف تنها با یک کلیک در دسترس است زمانی که سوال دوباره مطرح می‌شود. اگر تبدیل جلسات به تصمیمات قابل دفاع یک کار مکرر برای تیم شماست، این قلب آن چیزی است که Argumentree آن را هوش جلسه می‌نامد.

ترجمه منبع است. رکورد دارایی است.

یادداشت‌بردار خود را نگه‌دارید — متنی که تولید می‌کند، ماده خامی است که همه چیزهای دیگر به آن وابسته است و خلاصه‌اش یک راحتی خوب برای افرادی است که تماس را از دست داده‌اند. فقط از آن نخواهید که چیزی باشد که نیست. فشرده‌سازی آنچه گفته شده نمی‌تواند به آنچه توافق شده و چرا پاسخ دهد و لحظه‌ای که به آن پاسخ نیاز دارید دقیقاً همان لحظه‌ای است که افرادی که می‌توانستند آن را از حافظه بازسازی کنند، رفته‌اند.

استخراج — به صورت دستی در مهم‌ترین جلسات شما، یا به صورت خودکار با حضور یک انسان در سایر موارد — چیزی است که یک انبوه از ضبط‌ها را به یک دارایی تبدیل می‌کند که انباشته می‌شود: تصمیماتی با گزینه‌های قابل مشاهده، استدلال‌هایی که با خروج‌ها باقی می‌مانند، و سوالات دوباره مطرح شده‌ای که به جای تکرار، با یک لینک پاسخ داده می‌شوند.