Ponder로 연구를 위한 효과적인 지식 그래프 구축: 심층적인 통찰력을 위한 AI 기반 지식 매핑

연구 지식 그래프는 흩어진 문헌, 메모 및 데이터 세트를 연결되고 쿼리 가능한 구조로 변환하여 관계를 밝히고 통찰력 생성을 가속화합니다. 엔티티(논문, 개념, 방법)와 관계(인용, 지원, 반박)를 명시적으로 모델링함으로써 지식 그래프는 연구 아티팩트에 대한 추론을 계산적으로 실행 가능하고 사람이 읽을 수 있도록 만듭니다. 이 기사는 연구자들이 연구를 위한 지식 그래프를 설계하고 구축하는 방법을 보여주고, 엔티티 추출 및 시맨틱 연결과 같은 핵심 시맨틱 기술을 설명하며, 이러한 개념을 실제 도구 및 워크플로에 매핑합니다. 연구 지식 그래프가 무엇인지, 시맨틱 연결이 발견을 어떻게 변화시키는지, 수집→추출→시각화 파이프라인을 구축하는 방법, 그리고 올인원 작업 공간을 구현 사례로 사용하는 방법을 배우게 됩니다. 이 가이드는 재현 가능한 단계, 실제 예시 및 내보내기 가능한 결과를 강조하여 문헌을 구조화된 지식과 실행 가능한 통찰력으로 전환하기 시작할 수 있도록 합니다. 전반적으로 연구를 위한 지식 그래프, 연구를 위한 시맨틱 네트워크, 연구를 위한 엔티티 추출과 같은 용어가 통합되어 이러한 개념을 문헌 검토, 합성 프로젝트 및 공동 연구에 직접 적용하는 데 도움이 됩니다.

지식 그래프란 무엇이며 연구에 왜 필수적인가

연구를 위한 지식 그래프는 논문, 개념, 저자 및 방법과 같은 엔티티를 노드로 나타내고, 인용, 확장 또는 반박과 같은 유형화된 관계를 엣지로 나타내는 구조화된 시맨틱 네트워크입니다. 지식 그래프를 강력하게 만드는 메커니즘은 시맨틱 연결입니다. 정식화된 엔티티와 명시적 관계는 키워드 검색을 넘어선 쿼리를 가능하게 하고 패턴 감지 및 가설 추적을 지원합니다. 연구자들은 그래프가 명확하지 않은 연결을 드러내고, 아이디어의 종단적 추적을 허용하며, 암묵적인 메모를 재사용 가능하고 쿼리 가능한 자산으로 변환하기 때문에 이점을 얻습니다. 이러한 메커니즘을 이해하는 것은 문헌 검토, 합성 및 탐색적 분석을 개선하는 KG를 구축하기 위한 기초입니다. 다음 하위 섹션에서는 KG를 핵심 구성 요소로 분해하여 연구 아티팩트를 노드, 엣지 및 속성에 매핑할 수 있도록 합니다.

지식 그래프의 핵심 구성 요소는 무엇인가: 엔티티, 관계 및 속성?

엔티티는 개별 연구 항목(논문, 데이터 세트, 개념, 방법 또는 사람)을 나타내는 노드이며, 연구자들이 작업하는 기본 시맨틱 단위입니다. 관계는 "인용", "적용", "지원" 또는 "반박"과 같은 명시적 술어로 엔티티를 연결하는 유형화된 엣지로, 문헌을 통한 경로를 드러내는 관계형 쿼리를 가능하게 합니다. 속성(메타데이터)은 엔티티와 엣지에 연결되며, 출판 연도, 실험 방법, 통계적 효과 크기, 필터링 및 패싯 검색을 가능하게 하는 태그를 포함합니다. 예를 들어, 트리플은 "논문 A — 인용 — 논문 B"로 읽을 수 있으며, 논문 A에는 연도: 2024 및 방법: 무작위 대조군과 같은 속성이 있습니다. 메모와 PDF를 이러한 개별 구성 요소로 변환하는 것이 사용 가능한 연구 지식 그래프를 만들기 위한 실용적인 다음 단계입니다.

일반적인 연구 아티팩트가 KG 구조에 어떻게 매핑되는지 보여주는 소개 EAV 표:

이 표는 일상적인 연구 아티팩트가 KG 구성 요소에 어떻게 매핑되는지 보여주고, 그래프를 구축할 때 추출해야 할 실용적인 메타데이터를 명확히 합니다. 이러한 매핑을 이해하면 소스를 수집할 때 무엇을 먼저 추출할지 우선순위를 정하는 데 도움이 됩니다.

시맨틱 연결은 연구 데이터 이해를 어떻게 향상시키는가?

시맨틱 연결은 고립된 사실을 추론을 위한 경로로 변환합니다. 방법과 결과, 저자와 연구 의제, 논문과 개념적 계보를 연결하면 키워드 검색이 숨기는 새로운 패턴이 드러납니다. 기계적으로 시맨틱 링크는 "방법 X를 적용하고 조건 Z에서 효과 Y를 보고하는 연구 찾기"와 같은 고차원 쿼리를 가능하게 하여 표적 증거 집계 및 메타 합성을 지원합니다. 전후 시나리오는 차이점을 강조합니다. PDF의 평평한 폴더는 수동 분류가 필요하지만, 시맨틱 그래프는 클러스터, 인용 경로 및 모순을 자동으로 드러냅니다. 이러한 기능은 가설 생성을 가속화하고 발견 시간을 단축하며, 다음 섹션에서는 플랫폼이 엔티티 추출 및 연결을 실제로 어떻게 작동시킬 수 있는지 설명합니다.

Ponder AI는 연구를 위한 지식 그래프를 어떻게 구축하는가?

연구 지식 그래프를 구축하기 위한 실용적인 파이프라인은 일반적으로 수집 → 엔티티 추출 → 시맨틱 연결 → 시각화 및 내보내기 단계를 따르며, 각 단계에서 정확성과 관련성을 보장하기 위해 수동 큐레이션이 이루어집니다. 이 메커니즘은 문서, 웹 페이지 및 미디어가 텍스트 및 메타데이터로 파싱되는 다중 형식 수집으로 시작하여 엔티티 및 관계의 자동 식별로 이어집니다. 시맨틱 연결은 여러 문서에서 동일한 개념 또는 저자를 인식하도록 소스 전반에 걸쳐 엔티티를 정식화하여 파편화된 노드 대신 일관된 그래프를 생성합니다. 그런 다음 대화형 캔버스에서 시각화를 통해 탐색, 클러스터링 및 반복적인 큐레이션을 통해 분석을 위한 그래프를 정제할 수 있습니다. 아래에서는 이 추상적인 파이프라인을 구체적이고 실행 가능하게 만들기 위해 플랫폼 기능을 결과에 매핑합니다.

Ponder에서 AI 기반 엔티티 추출 및 시맨틱 연결은 어떤 역할을 하는가?

AI 기반 엔티티 추출은 수집된 소스에서 엔티티(개념, 방법, 측정) 및 관련 메타데이터 식별을 자동화하여 수동 태깅을 줄이고 확장을 가능하게 합니다. 추출 모델은 패턴 인식, 개체명 인식 및 휴리스틱을 결합하여 연구자가 검증하는 노드 및 후보 관계를 제안하여 시간을 절약하면서 높은 정확도를 보장합니다. 모호성 해소 및 정식화는 저자 이름의 다양한 철자 또는 개념의 동의어와 같은 중복 언급을 통합하여 그래프가 진정한 시맨틱 정체성을 반영하도록 합니다. 단일 논문의 샘플 출력에는 "도구 변수", "표본 크기 = 350", "저자 X"에 대한 노드가 포함될 수 있으며, "방법 적용" 및 "결과 보고"와 같은 엣지로 연결되어 캔버스에서 정제할 수 있습니다.

소개 기능→결과 매핑 표:

대규모 지식 그래프, 특히 생체의학 분야와 같은 전문 영역에서 구축은 높은 정확성과 포괄성을 달성하기 위해 정교한 정보 추출 파이프라인을 포함하는 경우가 많습니다.

Ponder의 무한 캔버스는 복잡한 연구 네트워크를 어떻게 시각화하는가?

무한 캔버스는 노드와 관계를 확대/축소, 이동, 클러스터링 및 자유로운 배열을 지원하는 공간 레이아웃으로 시각화하여 추상적인 그래프를 탐색 가능한 사고 지도로 변환합니다. 관련 논문 그룹화, 기본 인용을 드러내기 위해 노드 확장, 메타데이터로 필터링과 같은 상호 작용 패턴을 통해 연구자는 주제 클러스터를 표면화하고 개념적 계보를 추적할 수 있습니다. 정보를 공간적으로 구성함으로써 캔버스는 기억력과 통찰력 형성을 돕습니다. 근접성과 시각적 그룹화는 복잡한 연결에 대해 연구자가 기억하고 추론하는 데 도움이 되는 시맨틱 연관성을 강화합니다. 대규모 그래프 관리를 위한 실용적인 팁에는 반복적인 가지치기, 태그를 사용하여 계층화된 뷰 생성, 단일 가설 또는 문헌 하위 분야를 위한 집중된 하위 캔버스 생성이 포함됩니다.

실용적인 구현 참고 사항: Ponder의 작업 공간은 시맨틱 추출과 무한 캔버스를 결합하여 연구자가 도구를 전환하지 않고도 자동 제안과 수동 큐레이션 사이를 반복할 수 있도록 합니다. 이 통합은 수집에서 통찰력까지의 주기를 단축하고 시각화 단계를 추출 및 연결의 자연스러운 연속으로 만듭니다.

Ponder를 사용하여 연구 지식 그래프를 구축하는 주요 이점은 무엇인가?

수집, AI 지원, 시맨틱 연결 및 시각화를 결합한 통합 작업 공간을 사용하면 구체적인 이점이 있습니다. 문헌 합성 속도 향상, 새로운 연결 발견 개선, 협업을 위한 공유 가능한 구조화된 결과물 생산 용이성입니다. 기계적으로 AI 제안 및 정식화는 엔티티 정규화의 수동 오버헤드를 줄이는 반면, 캔버스는 출판 준비된 합성에 필요한 새로운 클러스터링 및 내러티브 구축을 지원합니다. 공동 프로젝트의 경우 공유 캔버스 및 내보내기 가능한 자산은 팀이 공통 시맨틱 모델에 수렴하고 재현 가능한 아티팩트를 전달할 수 있음을 의미합니다. 다음 하위 섹션에서는 특정 연구자 워크플로를 설명하고 속도 및 합성 품질에 대한 측정 가능한 영향을 보여줍니다.

통합 지식 매핑 플랫폼을 사용함으로써 얻는 주요 연구자 이점:

1. 가속화된 문헌 합성: 자동 추출 및 시맨틱 연결은 수동 분류를 줄이고 검토 주기를 단축합니다.

2. 새로운 연결 발견: 시맨틱 그래프 구조는 간접적인 관계와 명확하지 않은 클러스터를 드러냅니다.

3. 공유 가능한 구조화된 결과물: 내보내기 형식은 통찰력을 보고서, 마인드맵 및 재사용 가능한 마크다운 자산으로 전환합니다.

이러한 이점은 연구 프로젝트에 대한 더 명확한 증거 추적 및 더 빠른 반복으로 이어지며, 다음 표는 플랫폼 기능을 연구 영향과 직접 연결합니다.

이점, 기능 및 영향을 연결하는 EAV 표:

Ponder는 문헌 검토를 가속화하고 새로운 연결을 어떻게 드러낼 수 있는가?

Ponder는 엔티티와 인용을 자동으로 추출하고, 관련 작업을 클러스터링하며, 주제별 그룹화 및 인용 경로를 드러내는 연결 엣지를 제안하여 문헌 검토를 가속화합니다. AI 사고 파트너십은 후속 쿼리 및 사각지대 프롬프트를 제안하여 연구자가 간과된 논문이나 대체 방법을 식별하는 데 도움을 줍니다. 구체적인 워크플로는 초기 10-20개의 주요 논문을 수집하고, 플랫폼이 엔티티를 추출하고 관계를 제안하도록 한 다음, 2차 인용 및 방법 유사성 클러스터를 포함하도록 그래프를 확장하여 수동 발견 오버헤드를 극적으로 줄일 수 있습니다. 이러한 기능은 시간을 절약할 뿐만 아니라 새로운 통찰력으로 이어지는 학제 간 연결을 찾을 가능성을 높입니다.

간단한 예시 시나리오: 연구자가 한 가지 방법에 대한 10개의 중요한 논문을 매핑하고, 시맨틱 클러스터링을 사용하여 두 가지 예상치 못한 응용 분야를 밝혀내고, 해당 클러스터를 따라 새로운 문헌을 찾아 연구 가설을 변경합니다. 다음 하위 섹션에서는 합성된 데이터에 대한 패턴 인식이 심층적인 통찰력 생성을 어떻게 지원하는지 설명합니다.

Ponder는 심층적인 통찰력 및 패턴 인식을 위해 데이터를 어떻게 통합하는가?

합성은 분리된 결과가 공유된 방법, 결과 또는 개념적 레이블을 통해 연결될 때 발생하며, 시맨틱 지식 그래프는 이러한 연결을 명시적이고 검색 가능하게 만듭니다. 노드에 결과, 한계 및 효과 크기를 속성으로 태그하고 관계 유형별로 엣지를 클러스터링함으로써 연구자는 반복되는 방법론적 한계 또는 관련 연구 전반에 걸친 일관된 효과 방향과 같은 패턴을 감지할 수 있습니다. 캔버스에서 반복적인 정제(동의어 병합, 모순 주석 달기, 하위 그래프 생성)는 가설 반복을 가능하게 하고 결론에 대한 증거 추적을 강화합니다. 이 구조화된 합성은 그래프가 모든 연결에 대한 출처를 보존하고 내보내기 가능한 자산이 그룹화 뒤에 있는 추론을 캡처하기 때문에 재현성을 지원합니다.

실용적인 팁은 "한계" 및 "복제 상태"에 대한 시맨틱 태그를 속성으로 사용하는 것입니다. 이렇게 하면 견고성을 필터링하고 향후 작업에서 추가 복제가 필요한 영역을 식별하기가 쉽습니다.

Ponder는 다양한 연구 소스를 지식 그래프에 어떻게 통합하는가?

효과적인 지식 그래프는 문서 유형 전반에 걸쳐 광범위한 적용 범위를 요구하므로, 수집 파이프라인은 PDF, 비디오, 웹 페이지 및 일반 텍스트의 콘텐츠를 구조화된 텍스트 및 메타데이터로 정규화해야 합니다. 수집 메커니즘은 가능한 경우 텍스트, 타임스탬프, 임베디드 ps 및 인용 문자열을 추출한 다음 해당 출력을 엔티티 추출 및 연결로 공급합니다. 정규화에는 서지 참조 구문 분석, 저자 이름 해결, 논문에서 섹션 수준 구조 추출이 포함되어 노드를 특정 문장 또는 결과에 연결할 수 있도록 합니다. 이 교차 형식 통합은 수동 복사를 줄이고 지식 그래프가 선별된 목록뿐만 아니라 전체 연구 아티팩트 스펙트럼을 반영하도록 보장합니다.

Ponder는 지식 매핑을 위해 어떤 파일 형식과 데이터 형식을 수집할 수 있는가?

일반적인 연구 입력에는 PDF, 녹화된 강연 또는 비디오, 웹 페이지 및 원시 텍스트 내보내기가 포함됩니다. 각 형식은 ps, 타임스탬프 또는 인라인 인용과 같은 고유한 정보를 제공합니다. PDF는 일반적으로 섹션화된 텍스트와 인용 문자열을 생성하여 기본 노드 및 속성이 되는 반면, 비디오는 음성 통찰력을 타임스탬프 및 주제에 연결하는 타임스탬프 및 전사본을 제공합니다. 웹 페이지 및 스크랩된 콘텐츠는 블로그 게시물, 사전 인쇄물 및 논평을 추가하여 더 넓은 컨텍스트와 논쟁으로 그래프를 풍부하게 할 수 있습니다. 모범 사례에는 사용 가능한 경우 정식 PDF 제공, 비디오에 대한 기본 전사본 제공, 서지 정확성을 보장하기 위해 추출된 인용 검증이 포함됩니다.

간단한 예시 워크플로: PDF를 수집하고, 구문 분석된 섹션 헤더 및 인용 추출을 확인한 다음, 엔티티 추출을 실행하여 방법, 결과 및 인용된 작업에 대한 초기 노드를 생성합니다. 다음 하위 섹션에서는 이 통합된 수집이 워크플로 전반에 걸쳐 마찰을 어떻게 줄이는지 설명합니다.

원활한 통합은 연구 워크플로 효율성을 어떻게 개선하는가?

수집, 추출, 연결 및 시각화를 단일 작업 공간으로 결합하면 여러 도구 간 전환 및 오류를 유발하고 지연을 초래하는 수동 인계의 오버헤드가 제거됩니다. 연구자는 형식 변환 및 중복 메타데이터 입력을 피함으로써 시간을 절약합니다. 대신 파이프라인은 자동으로 입력을 정규화하고 큐레이터 검토를 위한 구조화된 노드 및 엣지를 제안합니다. 팀원들이 동일한 캔버스에서 작업하고 구조화된 내보내기를 공유하기 때문에 협업 효율성이 발생하여 중복 노력을 줄이고 연구 모델에 대한 정렬을 개선합니다. 전반적으로 통합 워크플로는 원시 소스에서 출판 가능한 합성까지의 경로를 단축하고 출처를 보존하여 재현성을 향상시킵니다.

이러한 이점을 활용하려면 팀은 수집 규칙과 작은 초기 온톨로지(핵심 엔티티 유형 및 관계 레이블)를 정의하여 자동 추출이 프로젝트 요구 사항과 일치하고 큐레이션 부담을 줄이도록 해야 합니다.

Ponder는 기존 지식 그래프 도구 및 AI 연구 보조자와 어떻게 비교되는가?

기존 지식 그래프 도구 체인은 종종 수집, 추출, 연결, 저장 및 시각화를 별개의 시스템으로 분리하여 연구 주기를 늦추는 커넥터 및 수동 통합을 요구합니다. 대조적으로, 통합 작업 공간은 심층적인 사고와 반복적인 통찰력 생성을 우선시합니다. 자동 제안은 일상적인 작업을 가속화하지만, 인터페이스는 탐색, 가설 구축 및 내러티브 구성을 강조합니다. 기존 접근 방식은 맞춤형 데이터베이스 및 성능 튜닝이 중요한 대규모 생산 그래프 및 엔터프라이즈 파이프라인에 적합하지만, 연구 중심 합성 및 아이디어 발견의 경우 올인원 접근 방식은 마찰을 줄이고 통찰력을 촉진합니다. 다음 하위 섹션에서는 고유한 플랫폼 이점과 통합 작업 공간이 생산성을 어떻게 지원하는지 자세히 설명합니다.

Ponder는 심층적인 사고 및 지식 매핑에 어떤 고유한 이점을 제공하는가?

AI 사고 파트너십은 단순히 텍스트를 요약하는 것이 아니라 사각지대를 드러내고 탐색 경로를 제안하는 대화식의 후속 조치 가능한 지원을 제공합니다. 무한 캔버스는 자유로운 공간 추론과 노드 전반에 걸쳐 내러티브 스레드의 조립을 허용함으로써 사고 과정을 반영하여 창의적인 합성 및 가설 스캐폴딩을 지원합니다. 보고서, 마인드맵 및 마크다운과 같은 구조화된 내보내기 옵션은 시맨틱 그래프와 내러티브 컨텍스트를 모두 보존하여 원고, 연구비 제안서 또는 교육에서 재사용할 수 있도록 합니다. 이러한 요소들은 함께 이해의 깊이와 반복적인 탐색을 우선시하여 환경을 심층적인 사고 워크플로에 특히 적합하게 만듭니다.

통합 작업 공간이 뛰어난 부분을 강조하기 위한 사용 사례 적합성 비교표:

Ponder의 올인원 작업 공간은 연구 생산성을 어떻게 향상시키는가?

통합된 워크플로는 컨텍스트 전환을 줄여 시간과 인지 부하를 절약하는 반면, AI 지원 엔티티 추출은 일반적으로 검토 초기 단계를 소비하는 반복적인 태깅 작업을 줄입니다. 생산성은 첫 합성까지 걸리는 시간 단축, 주당 큐레이션된 통찰력 수, 주제 영역의 인용 범위와 같은 지표로 측정할 수 있습니다. 이러한 지표는 수집 및 연결이 자동화되고 시각화가 반복적인 큐레이션을 지원할 때 개선됩니다. 팀 협업은 내러티브와 출처를 모두 보존하는 공유 캔버스 및 내보내기 가능한 자산의 이점을 얻어 합의 구축 및 구성원 간 인계를 가속화합니다. 가설 개발 및 내러티브 합성에 중점을 둔 연구자에게 이러한 생산성 향상은 프로젝트 전반에 걸쳐 시간이 지남에 따라 복합적으로 작용합니다.

이러한 효율성을 활용하려면 작은 초기 온톨로지를 채택하고 주기적인 그래프 큐레이션 주기에 전념하여 작업 공간이 최신 상태를 유지하고 실행 가능하도록 해야 합니다.

연구자들은 Ponder로 지식 그래프 구축을 어떻게 시작할 수 있는가?

시작하기는 짧고 반복 가능한 온보딩 루프를 포함합니다. 집중된 첫 번째 프로젝트를 선택하고, 대표적인 소스를 수집하고, 추출 및 연결을 실행하고, 캔버스에서 노드와 엣지를 큐레이션하고, 공유 또는 출판을 위해 구조화된 자산을 내보내는 것입니다. 이 접근 방식은 10개의 중요한 논문에 대한 매핑된 문헌 검토와 같이 의미 있는 결과물을 조기에 생성하여 워크플로의 가치를 보여줌으로써 진입 장벽을 낮춥니다. 보고서, 마인드맵 및 마크다운과 같은 내보내기는 시맨틱 구조와 구축한 내러티브를 모두 보존하여 재현성 및 추가 분석을 가능하게 합니다. 다음 하위 섹션에서는 구체적인 단계별 체크리스트를 제공하고 통찰력을 다른 도구 및 출력으로 가져오는 내보내기 워크플로를 설명합니다.

Ponder를 사용하여 연구 지식 그래프를 만들기 위한 첫 번째 단계는 무엇인가?

작고 제한된 문헌 세트(10~20개의 주요 논문)로 시작하고 추출 및 큐레이션을 안내할 엔티티 및 관계의 간결한 온톨로지를 정의합니다. 해당 집중된 주제에 대한 PDF, 웹 페이지 및 녹화된 강연을 수집한 다음, 자동 엔티티 추출을 실행하여 검토를 위한 초기 노드 및 제안된 엣지를 채웁니다. 중복을 해결하고, 속성(방법, 결과, 한계)에 주석을 달고, 무한 캔버스에 노드를 배열하여 주제 또는 가설 체인을 강조함으로써 큐레이션합니다. AI 사고 파트너십이 제안하는 2차 인용 또는 관련 개념으로 그래프를 확장하여 반복합니다. 작고 반복적인 주기는 압도적인 큐레이션 요구 없이 견고하고 탐색 가능한 지식 그래프를 구축합니다.

빠른 온보딩을 위한 번호가 매겨진 시작 체크리스트:

1. 범위 선택: 주제를 정의하고 10-20개의 핵심 소스를 수집합니다.

2. 수집: PDF, 전사본 및 웹 페이지를 업로드합니다.

3. 추출: AI 엔티티 추출을 실행하고 제안된 노드를 검토합니다.

4. 큐레이션: 엔티티를 정식화하고, 속성을 추가하고, 엣지를 연결합니다.

5. 시각화 및 내보내기: 캔버스에 배열하고 보고서 또는 마크다운을 내보냅니다.

사용자는 Ponder에서 구조화된 지식 자산을 어떻게 내보내고 공유할 수 있는가?

큐레이션된 지식 그래프 및 캔버스는 시맨틱 구조와 내러티브 주석을 모두 보존하는 구조화된 보고서, 마인드맵 또는 마크다운 파일로 내보낼 수 있습니다. 보고서는 이해 관계자 요약 및 재현성 문서에 유용하고, 마인드맵은 프레젠테이션 또는 교육을 위한 시각적 개요를 제공하며, 마크다운 내보내기는 메모 또는 버전 제어 리포지토리에 통합하여 재현 가능한 분석 워크플로를 지원합니다. 권장되는 공유 워크플로에는 동료 검토를 위해 큐레이션된 하위 그래프 내보내기, 모든 내보내기에 출처 메타데이터 첨부, 마크다운 내보내기를 방법 섹션 또는 문헌 검토 초안의 시작점으로 사용하는 것이 포함됩니다. 이러한 내보내기 옵션을 통해 탐색적 통찰력을 공식 출력으로 쉽게 변환할 수 있습니다.

간단한 내보내기 모범 사례:

• 완전한 재현성을 위해 그래프(구조)와 내러티브(주석)를 모두 내보냅니다.

• 작성 및 버전 제어와의 통합을 위해 마크다운을 사용합니다.

• 표적 동료 피드백을 가능하게 하기 위해 집중된 하위 그래프를 공유합니다.