派舍特高阶类别是否助力句子级人类价值检测？分层门控与校准研究
计算与语言
2026-04-08 v3 人工智能
机器学习
摘要
从单句话中检测人类价值是一个稀疏、不平衡的多标签任务。我们研究在ValueEval'24 / ValuesML（74K英文句子）上，基于计算资源有限的预算下，派舍特（Schwartz）高阶（HO）类别是否对这一任务有帮助。我们比较直接监督的变换器、硬性HO→价值管道、Presence→HO→价值级联、紧凑指令微调大型语言模型（LLM）、QLoRA，以及阈值调优和小型集成等低成本升级方案。HO类别是可学习的：最简单的二元对，Growth vs. Self-Protection，达到Macro-F1=0.58。最可靠的提升来自校准和集成：阈值调优使Social Focus vs. Personal Focus从0.41提升至0.57（+0.16），变换器软投票将Growth从0.286提升至0.303，Transformer+LLM混合模型在Self-Protection上达到0.353。相比之下，硬性分层门控未能一致改善最终任务。紧凑型LLM作为独立系统时也落后于监督编码器，尽管在混合集成中有时会提供有用的多样性。在本基准测试中，HO结构更常作为归纳偏置而非刚性路由规则。
引用
@article{arxiv.2602.00913,
title = {Do Schwartz Higher-Order Values Help Sentence-Level Human Value Detection? A Study of Hierarchical Gating and Calibration},
author = {Víctor Yeste and Paolo Rosso},
journal= {arXiv preprint arXiv:2602.00913},
year = {2026}
}
备注
Code: https://github.com/VictorMYeste/human-value-detection, models: https://huggingface.co/papers/2602.00913, 27 pages, 4 figures