本报告概述了美南加州大学信息科学研究所（USC ISI）"跨时空与跨模态学习事件模式构建体系（LESTAT）"团队在DARPA"知识引导人工智能模式推理（KAIROS）"计划中的研究成果。目标体系包含双重维度：(1) 开发人机协同构建模式库的流程——通过自然语言处理（NLP）技术增强人类背景知识；(2) 建立结构化模式知识库。每个事件剧本包含复杂事件步骤的自然语言描述及维基数据本体链接。

事件通过双重机制关联：(a) 时序逻辑（如汽车价格协商发生在购买行为之前）；(b) 共享参量（如购车者与价格谈判者为同一主体）。知识库质量外部评估由国家标准技术研究院（NIST）主导；伊利诺伊大学RESIN引擎实现基于流式输入的预测推演。USC ISI研发的"机器辅助剧本构建者（MASC）"工具，可使非NLP专业人员完成剧本创作。鉴于纯文本解析存在固有信息缺失，人工编写需克服两大障碍：操作步骤遗漏倾向及本体形式化映射挑战。MASC通过四类智能建议辅助创作：(1) 事件本体类型标注；(2) 事件参量及角色定位；(3) 参量细粒度本体分类；(4) 潜在遗漏步骤补全建议。

USC ISI同时探索时序关系自动化构建，但实证表明人工审核不可或缺——主因在于复杂事件子环节往往存在非确定性序列逻辑。除支持基于时序关系的子事件架构外，MASC还引入层级化体系以实现复杂事件语义聚类。该工具突破性实现两种创新路径：在定义非时序关系的逻辑门结构中嵌入人类可解读的命名标签；创建可跨库调用的命名子模式单元。核心成果包括：
• 开发人机智能交互平台MASC——支持复杂事件结构的本体化模式创建、审核与管理
• 构建约200个复杂事件模式知识库（含程序员与跨学科硕士生创作内容）
• 提交52项经专业聚焦的评估剧本库，覆盖恐怖活动、疫情爆发、化学品泄漏、暴乱事件及政变行动等五类复杂事件场景