KnowOntoAsk: An Ontology-Based Framework for Human-AI Collaborative Knowledge Exploration in Organizational Decision-Making Processes

• Antony Seabra de Medeiros Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
• Daniel Schwabe Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) https://orcid.org/0000-0003-4347-2940
• Sergio Lifschitz Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) https://orcid.org/0000-0003-3073-3734

DOI: https://doi.org/10.5753/sbbd_estendido.2025.247613

Resumo

A exploração de conhecimento para apoiar a tomada de decisão é, por natureza, desafiadora, uma vez que indivíduos frequentemente iniciam esse processo com perguntas imprecisas. Além disso, ela depende da capacidade de explorar informações distribuídas em fontes heterogêneas e, para agravar o desafio, decisões organizacionais passadas raramente são reutilizáveis, resultando na perda de conhecimento institucional valioso que poderia orientar escolhas futuras. Este trabalho propõe o KnowOntoAsk, um framework orientado por conhecimento que utiliza ontologias formais para modelar o domínio a partir de fontes de dados diversas e conduzir diálogos interativos orientados a objetivos. O framework inclui uma fase de onboarding, que auxilia os indivíduos na formulação de seus objetivos iniciais, e a geração de perguntas de esclarecimento sensíveis ao contexto, com o objetivo de refinar suas consultas e revelar informações ausentes — promovendo, assim, uma descoberta mais eficaz e decisões mais bem fundamentadas nas organizações.

Palavras-chave: Knowledge Exploration, Knowledge Discovery, Ontology, Human-AI Interaction, Decision-Making

Referências

Aliannejadi, M., Azzopardi, L., Kiesel, J., and Croft, W. B. (2024a). Clarifying the path to user satisfaction: An investigation into clarification usefulness. arXiv preprint arXiv:2402.01934.

Aliannejadi, M., Kiesel, J., and Croft, W. B. (2024b). Responses to conversational information retrieval clarifying questions with user emotions. In Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. Accepted to EACL 2024. Also on arXiv:2402.01934.

Aliannejadi, M., Kiesel, J., Zamani, H., and Croft, W. B. (2020). Generating clarifying questions for open-domain conversational search. In Proceedings of The Web Conference 2020, pages 1029–1040.

Dewey, J. (1910). How we think. D.C. Heath & Co., Boston.

Eberhart, Z. and McMillan, C. (2022). Generating clarifying questions for query refinement in source code search. arXiv preprint arXiv:2201.09974.

Ginzburg, J. (2001). Understanding and answering questions. Language and Communication, 21(4):331–360.

Google AI (2024). Learning to clarify: Multi-turn conversations with action-based contrastive self-training. [link]. Accessed: June 7, 2025.

Kumar, V., Saha, P., and Mitra, C. (2020). Ranking clarification questions via natural language inference. In Proceedings of the 29th ACM International Conference on Information and Knowledge Management, pages 3109–3112.

Purver, M., Ginzburg, J., and Healey, P. (2003). Clarification in spoken dialogue systems. In Proceedings of the AAAI Spring Symposium on Natural Language Generation in Dynamic Settings, pages 56–63.

Rao, S. and Daumé III, H. (2018). Learning to ask clarifying questions. In Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), pages 1119–1129.

Zamani, H., Dumais, S. T., Craswell, N., Bennett, P. N., and Lueck, G. (2020). Generating clarifying questions for information retrieval. In Proceedings of The Web Conference 2020, pages 1018–1028.