研究人员开发了一种使用LLM衡量社交媒体文本中人类价值表达的方法。他们利用了Schwartz的基本人类价值理论，并在非英语社交媒体帖子上测试了各种LLM和提示。研究发现，LLM对价值的解读可能存在差异，但通过迭代提示校准和有针对性的专家验证规则，提高了准确性并与专家标注保持一致。随后，LLM标注的数据成功迁移到一个编码器模型，用于可扩展预测，保留了关于价值表达和不确定性的细微信息。 AI
影响 提供了一个框架，用于理解和量化大规模文本数据中的主观人类价值，可能有助于社会科学研究和AI安全对齐。
排序理由 这是一篇研究论文，详细介绍了一种使用LLM对文本中的人类价值进行标注和预测的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.11018v1 Announce Type: new Abstract: Measuring subjective constructs in naturally occurring social media text requires annotation procedures that are theoretically grounded, empirically validated, and transferable to an encoder model for scalable prediction. Using non-…
Measuring subjective constructs in naturally occurring social media text requires annotation procedures that are theoretically grounded, empirically validated, and transferable to an encoder model for scalable prediction. Using non-English social media posts annotated according t…