TempReasoner: neurale temporele grafnetwerken voor constructie van evenementtijdlijnen

Waarom tijdlijnen ertoe doen in een wereld vol gebeurtenissen

Elke dag worden organisaties overspoeld met tijdgestempelde informatie: nieuwsalerts, medische dossiers, juridische documenten, sensorgegevens en meer. Begrijpen wat er is gebeurd, in welke volgorde en wat waardoor werd veroorzaakt, is verrassend moeilijk, vooral wanneer aanwijzingen versnipperd zijn over vele bronnen. Dit artikel presenteert TempReasoner, een kunstmatig-intelligentiesysteem dat ontworpen is om rommelige, tijdgerelateerde data automatisch om te zetten in duidelijke, samenhangende evenementtijdlijnen die mensen kunnen vertrouwen.

Van verspreide data naar een verhaal van wat er gebeurde

De meeste data uit de praktijk komt niet als een keurige chronologie binnen. Een rechtszaak kan jaren aan stukken, e-mails en getuigenverklaringen beslaan; een ziekte-uitbraak kan vastgelegd zijn in laboratoriumresultaten, ziekenhuisnotities en nieuwsberichten. TempReasoner pakt dit aan door elke vermelding van een gebeurtenis als een knoop in een graaf te behandelen, verbonden door relaties die vastleggen wanneer gebeurtenissen plaatsvinden en hoe ze zich tot elkaar verhouden. Het leest ruwe tekst of gestructureerde records, extraheert beschrijvingen van gebeurtenissen en hun tijdsmarkeringen, en legt ze vast in numerieke vectoren die zowel betekenis (wat er gebeurde) als timing (wanneer het gebeurde) vastleggen. Het systeem is zo ontworpen dat het in veel domeinen werkt, van politiek en recht tot geneeskunde en techniek, zonder voor elk vakgebied herschreven te moeten worden.

De tijd vanuit meerdere invalshoeken tegelijk bekijken

Een centraal idee in TempReasoner is dat tijd niet eéndimensionaal is. Sommige vragen draaien om minuten of uren—zoals of een medicatiedosis werd gegeven vóór een reactie—terwijl andere afhangen van maanden of jaren, zoals de opbouw naar een diplomatieke crisis. TempReasoner gebruikt "multi-scale" temporele aandacht om patronen op meerdere tijdresoluties tegelijk te zien. Het codeert afzonderlijk fijnmazige signalen (bijvoorbeeld op minuten- of dagschaal) en grove trends (maanden of jaren), en fuseert die vervolgens zodat het model korte-termijnwendingen kan afwegen tegen lange-termijnbogen. In de praktijk betekent dit dat het systeem snelle ontwikkelingen kan volgen, zoals een reeks transacties op een financiële markt, terwijl het ook bredere verhaallijnen begrijpt, zoals de geleidelijke escalatie van spanningen tussen landen.

Een levende kaart van gebeurtenissen opbouwen en verfijnen

In plaats van te vertrouwen op een vaste set links tussen gebeurtenissen leert TempReasoner continu en werkt het bij hoe gebeurtenissen verbonden moeten zijn. Zijn adaptieve graafconstructiemodule schat in hoe vergelijkbaar twee gebeurtenissen zijn in betekenis en hoe dicht ze in de tijd liggen, en bepaalt vervolgens hoe sterk ze verbonden worden. Bovenop dit evoluerende netwerk combineert een hiërarchische encoder twee typen verwerkers: een recurrent netwerk dat uitblinkt in het volgen van stap-voor-stap sequenties en een transformer-achtige aandachtmechaniek die over lange tijdsintervallen kan springen om verre maar gerelateerde gebeurtenissen te verbinden. Een gespecialiseerde "consistency loss" stuurt het model aan om voor de hand liggende tegenstrijdigheden te vermijden—bijvoorbeeld voorkomen dat een gebeurtenis die bekend is als later plaatsvindend, eerder op de tijdlijn wordt gezet—terwijl er toch ruimte blijft voor onzekerheid wanneer de data vaag of tegenstrijdig is.

Het systeem leren verwarrende situaties op te lossen

Reële data is rommelig: tijdsaanduidingen zoals "kort daarna" of "ongeveer tegelijkertijd" zijn ambigu, en verschillende bronnen kunnen het oneens zijn. Om hiermee om te gaan, voegt TempReasoner een reinforcement learning-laag toe die functioneert als een beslissingsagent. Nadat het hoofdmodel een concepttijdlijn voorstelt, experimenteert deze agent met kleine wijzigingen—het herschikken van gebeurtenissen, het invoegen van missende links of het aanpassen van relaties—en krijgt beloning wanneer de uiteindelijke tijdlijn nauwkeuriger en logischer consistent is. In vele van dergelijke proefnemingen leert hij strategieën om moeilijke gevallen te ontwarren, zoals het reconstrueren van de volgorde van medische ingrepen uit gedeeltelijke aantekeningen of het op één lijn brengen van tegenstrijdige nieuwsberichten over snel ontwikkelende crises.

Hoe goed het werkt en waar het kan worden ingezet

De auteurs testten TempReasoner op vijf algemeen bekende datasets die politieke gebeurtenissen, nieuws en linguïstisch geannoteerde tijdlijnen beslaan. Het systeem behaalde 94,3% nauwkeurigheid in het ordenen van gebeurtenissen, waarmee het diverse gespecialiseerde concurrenten overtrof, en draaide toch snel genoeg voor bijna realtime gebruik—ongeveer 127 milliseconden per gebeurtenisreeks. Het generaliseerde ook goed over domeinen: een model getraind op juridische data kon zich met slechts beperkte bijstelling aanpassen aan biomedische dossiers of nieuws. Voor lichtere toepassingen, zoals edge-apparaten of kleinere servers, biedt een afgeslankte versie genaamd TempReasoner-Lite het grootste deel van de nauwkeurigheid met aanzienlijk lagere rekeneisen.

Wat dit betekent voor alledaagse toepassingen

In eenvoudige woorden: TempReasoner is een hulpmiddel om stapels tijdgestempelde feiten om te zetten in leesbare, betrouwbare verhalen over wat er gebeurde en waarom. In de rechtspraktijk kan het onderzoekers helpen bij het samenstellen van zaakstijdlijnen uit duizenden documenten. In de gezondheidszorg kan het de volgorde van behandelingen en uitkomsten in complexe patiëntgeschiedenissen verduidelijken. Voor journalisten en analisten kan het factchecking ondersteunen door rapporten op één lijn te brengen en inconsistenties te benadrukken. De auteurs merken op dat het systeem nog steeds moeite heeft met extreem vage taal en zeer lange tijdlijnen, en benadrukken de noodzaak van menselijke supervisie, vooral in situaties met hoge inzet. Desalniettemin vertegenwoordigt TempReasoner een belangrijke stap richting AI die niet alleen gebeurtenissen herkent, maar ook begrijpt hoe ze zich in de tijd ontvouwen op een manier die aansluit bij menselijk redeneren.

Bronvermelding: Aldawsari, M. TempReasoner: neural temporal graph networks for event timeline construction. Sci Rep 16, 4985 (2026). https://doi.org/10.1038/s41598-026-35385-w

Trefwoorden: temporale redenering, evenementtijdlijnen, graf neurale netwerken, kennisgrafen, deep learning