论文页面 - 更多上下文、更大模型或道德知识？政治文本中施瓦茨价值观检测的系统性研究

来源：https://huggingface.co/papers/2605.22641

摘要

上下文和道德知识对句子级价值观检测的提升效果因模型类型而异：完整文档上下文有利于监督模型，但对零样本LLM无效；而通过早期融合引入检索知识则能持续提升性能。

在政治文本中检测施瓦茨价值观具有挑战性，因为隐含线索往往依赖于上下文论证以及相邻价值观之间的细微区别。我们研究了上下文和显性道德知识对句子级价值观检测的帮助作用。使用 ValuesML (https://huggingface.co/papers?q=ValuesML)/Touch{é} ValueEval 格式，我们比较了以下设置：句子、窗口和完整文档输入；无RAG与基于检索增强（使用精心构建的道德知识库）的设置；监督型 DeBERTa-v3 (https://huggingface.co/papers?q=DeBERTa-v3)-base/large 编码器；以及参数量从12B到123B的零样本LLM (https://huggingface.co/papers?q=zero-shot%20LLMs)。结果表明，更多上下文并非总是更好：完整文档上下文使监督型 DeBERTa 编码器相比仅句子输入提升了3.8–4.8个macro-F1 (https://huggingface.co/papers?q=macro-F1) 点，但对零样本LLM (https://huggingface.co/papers?q=zero-shot%20LLMs) 无一致帮助。在匹配比较中，检索到的道德知识更为稳定有效，通过早期融合 (https://huggingface.co/papers?q=early%20fusion) 提升了每个测试的模型家族和上下文条件。然而，从 DeBERTa-v3 (https://huggingface.co/papers?q=DeBERTa-v3)-base 扩展到 large，以及从12B扩展到更大的LLM，并不保证性能提升；简单的早期融合 (https://huggingface.co/papers?q=early%20fusion) 在编码器上优于所测试的后期融合和交叉注意力 (https://huggingface.co/papers?q=cross-attention) RAG变体。按价值观的分析表明，上下文和检索对于社交情境化或概念易混淆的价值观 (https://huggingface.co/papers?q=conceptually%20confusable%20values) 帮助最大。这些发现提示，价值观敏感的NLP应将上下文、知识和模型家族联合评估，而非将更长输入或更大模型视为通用改进手段。

查看arXiv页面 (https://arxiv.org/abs/2605.22641)
查看PDF (https://arxiv.org/pdf/2605.22641)
GitHub0 (https://github.com/VictorMYeste/human-value-detection-context-rag)
添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.22641)

在您的智能体中获取此论文：

hf papers read 2605.22641

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型1

VictorYeste/value-context-rag-deberta-v3-base-doc-rag 文本分类• 0.2B• 更新于约3小时前 • 28 (https://huggingface.co/VictorYeste/value-context-rag-deberta-v3-base-doc-rag)

引用此论文的数据集0

无数据集链接此论文

在数据集的README.md中引用 arxiv.org/abs/2605.22641 以从本页面链接它。

引用此论文的Space0

无Space链接此论文

在Space的README.md中引用 arxiv.org/abs/2605.22641 以从本页面链接它。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加至收藏集 (https://huggingface.co/new-collection) 以从本页面链接它。