今天的大语言模型是否足够好地解释幸福概念？

幸福涵盖心理、身体和社会三个维度，这些维度对于个人成长和做出明智的生活决策至关重要。随着更多人咨询大语言模型（LLM）来理解幸福，一个关键挑战是：LLM是否能够生成既准确又能满足不同受众期望的解释？高质量的解释需要具备事实正确性，以及满足不同专业背景用户期望的能力。在本工作中，我们构建了一个大规模数据集，包含43,880个2,194个幸福概念的解释，由十个不同的LLM生成。我们引入了一个以原则为导引的LLM评估框架，采用双重评判器来评估解释质量。此外，我们展示了通过监督微调（SFT）和直接偏好优化（DPO）对开源LLM进行微调，可显著提升生成解释的质量。我们的结果表明：（1） proposed LLM评判器与人类评估良好一致；（2）解释质量在不同模型、受众和类别之间存在显著差异；（3）采用DPO和SFT微调的模型在规模更大的模型中表现更佳，表明偏好基于学习对于专业化解释任务具有有效性。