SSD 中的可解释语义梯度：PCA 步扫方法与AI话语案例研究

受监督语义差分（SSD）是一种混合定量-解释方法，通过在嵌入空间中估计语义梯度并通过聚类和文本检索来解释其极点，从而建模文本意义随连续个体差异变量变化的方式。SSD 在回归前应用 PCA，但目前尚无系统性方法用于选择保留组件的数量，导致分析管道中不可避免的研究者自由度。我们提出了 PCA 步扫程序，将维度选择视为表示容量、梯度可解释性以及相邻 K 值稳定性上的联合准则。我们在由 Prolific 参与者撰写的关于人工智能的短帖子语料库上进行案例研究，参与者还完成了欣赏和竞争的狂妄 narcissism 量表。步扫产生与欣赏相关的稳定、可解释梯度，对比积极、合作性的人工智能表述与怀疑和讽刺的话语，而对竞争则未发现稳健的对齐。我们还展示了使用高 PCA 维度解决方案的反事实会产生分散、结构弱的聚类，从而强化了步扫式选择 K 的价值。该案例研究表明，PCA 步扫限制了研究者的自由度，同时保留了 SSD 的解释性目标，支持透明且符合心理学意义的意义浓度分析。