广泛可解释的语义表示：面向更广泛应用的无框架意义表示

基于摘要分析。本文研究自然语言语义表示，而非 EEG 或 BCI：针对 Abstract Meaning Representation（AMR）依赖预定义语义框架、编号论元不易直接解释且存在语义角色含义过载的问题，提出 WISeR，将谓词的编号论元转换为不依赖语义框架的主题角色，以提高表示的可解释性和适用性。 方法与数据：作者检查 AMR 中谓词的编号论元并进行角色转换，构建了包含 1K 条英语对话句子、同时标注 WISeR 与 AMR 的语料。此外，作者将 AMR 3.0 语料转换为 WISeR，并分别在两种表示的语料上训练摘要所称的先进解析器，再在对应语料及新建对话语料上评估。具体角色体系、转换规则、解析器结构及训练细节尚未验证。 作者报告，在新手与有经验标注者的评估中，WISeR 的标注者间一致性均优于 AMR，新手也能更快熟练掌握 WISeR 标注；在上述解析评估中，WISeR 模型的准确性均高于 AMR 对应模型。摘要未提供具体指标定义、分数、数据划分或统计信息，因此尚不能量化收益，也不能将其与其他解析协议直接比较。 阅读重点是语义角色设计如何同时影响人工标注与模型学习，以及转换过程能否保留原有语义信息；这些均需结合全文核对。实验协议、消融及统计信息尚未验证。材料未提供神经信号建模或 BCI 验证，也未建立可直接迁移至 EEG 的具体机制，因此不据此提出 BCI 效果判断或复现实验建议。