跳转至

Open Human Value Mining: Constrained Argument Extraction and Value Concept Induction

会议: EMNLP 2026
论文: ACL Anthology
代码: https://github.com/SWnlpir/OpenHumanValueMining
领域: 计算社会科学
关键词: 人类价值观挖掘 / 论辩树约束 / 论元抽取 / 概念解构 / 共识聚类

一句话总结

提出无需预设价值分类体系的开放式人类价值观挖掘框架,利用段落级论辩树约束消除大模型抽取幻觉,通过目标-原则-权衡-视角四维语义解构与局部共识聚类,在十种语言中稳定归纳出兼具普适性与文化独特性的价值概念结构。

研究背景与动机

人类价值观(Human Values)作为个体与群体判断是非、权衡行动与构建社会准则的核心准则,长期以来在哲学、心理学、社会学以及近年来的AI价值对齐中占据核心地位。然而,现有的计算价值观分析大多遵循自顶向下的先验分类体系(如Schwartz基本价值观理论或Hofstede文化维度理论),本质上将文本分析简化为预设标签的有监督分类或受限匹配。这类外部普适框架(Etic Frameworks)在跨文化比较中发挥了重要作用,但受限于封闭的分类空间,难以捕获特定文化群体内生、独特且具有丰富上下文的本土化价值表达(Emic Dimensions)。即使是最新的生成式心理计量方法(如GPV),其核心仍是将大模型提炼出的感知表征最终投影映射回既有分类维度,无法实现真正意义上的开放式价值发现。

这种封闭分类范式在面对真实世界多语言与跨文化文本时面临两大约束矛盾。一方面,自然论辩文本中的价值表达具有高度隐蔽性、语境依赖性与论辩结构化特征;若直接使用大模型对自由文本进行一步式价值抽取,模型极易产生严重幻觉,生成大量缺乏原文文本支撑的伪论元链接与不可靠关系。另一方面,价值观概念在语义空间中高度抽象复合:两个立场看似相同的观点,可能出于截然不同的伦理原则;而诉诸相同原则的论据,在具体权衡取舍与社会视角上也可能产生分歧。直接生成孤立的价值标签容易陷入预训练先验的刻板分类陷阱,抹杀了不同观点之间细腻的语义张力。

为了突破预设体系的局限并解决开放抽取的结构漂移问题,本文转换了问题表述:将价值观分析重构为根植于论辩语境的开放概念空间挖掘任务。研究团队提出了一种结合论辩结构先验与语义解构归纳的开放式价值观挖掘框架,从无标注的多语言语篇中直接诱导连贯且可解释的价值维度。核心 idea:将开放式价值观挖掘显式拆解为「论辩树结构约束下的论元抽取」、「多维结构化语义解构」与「局部共识谱聚类」三阶段管线,在无预设标签先验的前提下稳定诱导多语言文化特异性价值概念。

方法详解

整体框架

该框架旨在从非结构化的议论文语篇中,端到端地自动发现并归纳出高连贯性的人类价值概念簇。整体流程由四个紧密衔接的阶段构成:首先,对输入的自然段落进行论辩树约束下的论元抽取,从原始语篇中析出具备因果与支撑逻辑的前提-结论-立场(Premise-Conclusion-Stance, P-C-S)三元组,抑制结构性幻觉;随后,针对每个P-C-S三元组,引导大语言模型沿经典价值理论解构出结构化价值语义表征,将隐性伦理主张解耦为多维显式描述并向量化;接着,在嵌入空间中构建稀疏近邻图,通过多轮重采样聚类扰动累积共现频率,利用谱聚类形成低噪声、非退化的共识簇;最后,通过聚类中心与边界的代表性证据自动生成人类可读的概念命名与释义。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入:多语言议论文语段<br/>段落级论辩语境"] --> B["树约束论元抽取<br/>分割单元→锚定根结论→递归拓展论辩树"]
    B --> C["标准化 P-C-S 论辩边<br/>前提-结论-立场三元组"]
    C --> D["多维价值语义解构<br/>目标、原则、权衡、视角结构化展开与 BGE-M3 编码"]
    D --> E["共识与谱聚类归纳<br/>局部近邻图重采样扰动→共现频率矩阵→谱聚类"]
    E --> F["概念命名与代表性证据诠释<br/>中心/高置信/多样/边界证据提取与人工审校"]

关键设计

1. 树约束论元抽取:无约束抽取幻觉多且结构松散 -> 递归构建段落论辩树并导出标准化边 -> 大幅压制假阳性并提升抽取精度
传统利用大模型直接从长文本中抽取论元关系时,往往采用一步式提示(Prompting)枚举句子对,导致模型产生大量看似合理却在原文中缺乏逻辑支撑的伪关系。针对这一痛点,本文基于经典论辩理论,引入段落级论辩树(Argument Tree)显式层次约束,将抽取过程解耦为严密的四步递归流水线:① 最小论元切分(Minimal Unit Segmentation):将段落拆解为独立的论辩子句并标注潜在结论;② 根结论锚定(Root Conclusion Selection):从候选集合中锁定该段落的核心立论点;③ 递归论据扩展(Premise Expansion):自根节点向下遍历,为每个当前结论预测其直接支持(Support)或反驳(Attack)的前提单元;若某前提自身亦为次级结论,则递归向下扩展;④ 树装配与标准化导出:校验全局层次树结构的有效性,将合法路径导出为标准化的前提-结论-立场元组 \(e_i = (p_i, c_i, s_i)\)。这一层次约束强制模型遵守论辩逻辑流,极大削减了无约束枚举所带来的幻觉边,抽取的查准率(Precision)较直接抽取基线实现了断崖式提升(0.7487 vs. 0.5065)。

2. 多维价值语义解构:单步标签预测陷入预设分类 -> 解构为目标、原则、权衡与视角四重视角表征 -> 解耦复杂价值论辩并建立深层跨文本可比性
若直接要求大模型为提取的论辩元组预测抽象价值标签,模型往往会退化为套用预训练记忆中最熟悉的Schwartz分类术语,失去开放探索本土化维度的能力。为此,本文将复杂的价值判断解耦为可观察、具象化的语义维度。参考Rokeach终极/工具性价值划分、Schwartz动机冲突论及Hofstede文化维度理论,设计了包含7个候选维度的语义空间。消融实验证实,盲目增加维度会引入描述噪声,最终确定保留四项最具表达力的核心语义维度: - 目标(Goal, \(g_i\)):论辩所支持的期望终极状态或期望达成的社会结果; - 原则(Principle, \(r_i\)):使该论辩结论具备道德正当性、必要性或合法性的规范性准则; - 权衡(Tradeoff, \(t_i\)):采纳该结论所必须牺牲的对立价值、潜在风险或承受的代价; - 视角(Perspective, \(q_i\)):审视该议题时所依托的价值评价立场或群体立足点。

每个论辩元组 \(e_i\) 结合段落上下文被扩写为四段简明文本描述 \(z_i = \{g_i, r_i, t_i, q_i\}\),分别使用多语言预训练模型 BGE-M3 进行稠密编码,经向量拼接与 \(L_2\) 正则化后得到统一的语义向量,使语义相似度比较摆脱了表面词汇重合,深入到论辩底层的规范动机与利益博弈层面。

3. 共识与谱聚类归纳:开放语义聚类敏感不稳定 -> 局部语义近邻图下多轮重采样扰动共现统计 -> 诱导鲁棒连贯且非退化的价值概念簇
在开放无监督的高维语义空间中,单一K-means等简单聚类算法对初始聚类中心敏感,容易因样本分布密度不均导致聚类退化或产生超大簇(Cluster Collapse)。为了确保诱导出的价值概念具备跨样本扰动的几何稳定性,本文引入基于共现证据积累的局部共识聚类(Consensus Clustering)机制。首先在全体论元表征上构建稀疏 \(k\)-近邻图(\(k\)-NN),仅对局部语义邻居计算共现统计。随后在子样本集上施加多轮自助重采样(Bootstrap Subsampling),在不同的随机种子与变化的候选聚类簇数下重复运行K-means得到基分区。对于样本对 \((i, j)\),定义其共识关联权重为: $\(w_{ij} = \frac{\text{votes}_{ij}}{\text{denom}_{ij}}\)$ 其中 \(\text{votes}_{ij}\) 表示样本对被划分至同一簇的次数,\(\text{denom}_{ij}\) 表示二者在重采样中同时被观测到的总轮次。该权重构成了稀疏对称亲和矩阵 \(A\)(非近邻处截断为0),过滤了偶然性聚类伪影。最后在亲和矩阵上执行定常 \(K\) 谱聚类(Spectral Clustering),不仅有效避免了巨型簇垄断,更确保了聚类边界在多次扰动中的高度复现性(ARI达0.8030,NMI达0.9077)。

概念归纳与语义约束机制

为保证聚类结果从数学空间平滑映射至具有社会学与心理学可读性的概念空间,研究进一步设计了四维代表性证据采样策略,避免简单依赖几何质心导致的释义偏差。具体而言,每个簇系统性抽取四类证据: - 簇中心样本(Center):距离簇内平均表征向量最近的论元实例; - 高置信样本(High-confidence):在多轮扰动中簇内共识关联度最强的论元实例; - 多样性样本(Diverse):覆盖簇内最大语义方差、体现概念延展面的论元实例; - 边界样本(Boundary):位于当前簇边缘、与邻近簇距离最近的判别性实例。

将上述四组证据(含前提、结论、立场及四维语义描述)输入大模型,生成候选概念名称与结构化释义,最后经由专业研究人员人工审校复核,形成扎根于文本语境、具备高解释度的开放价值本体。

实验关键数据

主实验

实验在英语基准(ValueEval23,5,000个段落实例)、中文基准(C-VARC,5,000个段落实例)及多语言基准(ValueEval24,涵盖保加利亚语、德语、希腊语、法语、希伯来语、意大利语、荷兰语、土耳其语8种语言共2,240篇文本)上展开全面评测。

表1:论元抽取质量评估(相似度阈值 0.7) 对比直接抽取与树约束抽取,树结构约束在牺牲微量查全率的情况下,将查准率由约 50% 跃升至近 75%,有效解决了大模型抽取幻觉问题。

模型 预测边数 Precision (查准率) Recall (查全率) F1 值 Soft F1 (软匹配F1)
TreeByGPT-4.1-mini(本文方法) 38,497 0.7487 0.7021 0.7246 0.6701
GPT-4.1-mini (直接生成) 37,675 0.5065 0.9881 0.6697 0.6141
DeepSeek-3.2-Reasoner (直接生成) 37,914 0.5042 0.9897 0.6681 0.6166
DeepSeek-3.2-Chat (直接生成) 39,141 0.4939 0.9897 0.6590 0.6071
GPT-5.2-Chat (直接生成) 43,866 0.4417 0.9918 0.6112 0.5621
GPT-5.2-Medium (直接生成) 49,880 0.3894 0.9942 0.5596 0.5115

表2:跨语言与跨文化多语种泛化主结果 评估诱导聚类与外部基准标注标签空间的分布对齐性(Cosine gap、Cosine AUC)与结构稳定性(Silhouette、Max cluster ratio)。八国语言平均表现展现出极强的迁移能力。

语种 / 评测设置 样本规模 (\(n\)) 簇数 (\(K\)) Cosine gap \(\uparrow\) Cosine AUC \(\uparrow\) Silhouette \(\uparrow\) 最大簇占比 \(\downarrow\)
ValueEval23 英语 (全量) 18,250 20 0.0651 0.6045 0.0999 0.2155
C-VARC 中文 18,250 12 0.0283 0.5408 0.0299 0.2716
保加利亚语 (BG) 870 38 0.1193 0.6371 0.1120 0.0954
德语 (DE) 1,052 38 0.1405 0.6752 0.1099 0.0789
希腊语 (EL) 1,079 38 0.1692 0.6970 0.0973 0.0918
法语 (FR) 703 37 0.1462 0.6410 0.1298 0.1366
希伯来语 (HE) 955 38 0.1497 0.6877 0.1088 0.0691
意大利语 (IT) 979 36 0.1178 0.6299 0.0948 0.0940
荷兰语 (NL) 1,320 38 0.1324 0.6505 0.1037 0.0826
土耳其语 (TR) 1,244 38 0.1245 0.6600 0.1152 0.0868
ValueEval24 八语种均值 — — 0.1375 ± 0.0175 0.6598 ± 0.0246 0.1090 ± 0.0110 0.0919 ± 0.0200

消融实验

在ValueEval23英语数据上对比不同语义维度的组合(表3),验证解构设计的必要性。

表3:价值语义维度消融实验对比

实验配置 包含语义维度 Cosine gap \(\uparrow\) Cosine AUC \(\uparrow\) Silhouette \(\uparrow\) 最大簇占比 \(\downarrow\) 簇内共现置信度 \(\uparrow\)
Final (本文配置) 目标 + 原则 + 权衡 + 视角 0.0651 0.6045 0.0999 0.2155 0.8555
Core 目标 + 原则 + 权衡 0.0615 0.5983 0.1057 0.2307 0.8568
Core + 规范 (Norm) 目标 + 原则 + 权衡 + 规范 0.0635 0.6019 0.1034 0.2134 0.8571
Core + 规范 + 视角 目标 + 原则 + 权衡 + 规范 + 视角 0.0631 0.6010 0.1049 0.2356 0.8642
全维度 (All 7 dims) 7项候选维度全部包含 0.0367 0.5575 0.0642 0.3586 0.4766
直接基线 (Direct) 直接一步生成价值描述 0.0215 0.5330 0.0581 0.2734 0.8127

关键发现

  • 树结构约束对查准率具有决定性作用:直接生成的基线(即使采用强推理模型如GPT-5.2-Medium)虽然查全率接近0.99,但查准率仅有0.3894,意味着抽取出的论元边超过60%属于伪连接;而加入树约束后,Precision跃升至0.7487,F1达到0.7246,大幅压缩了幻觉空间。
  • 语义解构并非维度越多越好:包含全部7个维度的模型在Cosine gap上跌至0.0367,最大簇占比恶化至0.3586,这是因为过多细粒度维度(如受益/受损群体细则)引入了语义噪音与语用冗余;精炼的目标、原则、权衡、视角四维组合达到了最佳的平衡与外部对齐强度。
  • 文化特异性价值成功涌现:定性分析表明,在中文语料中诱导出的「爱国奉献(Patriotic Commitment)」簇将国家认同、公民责任、公仆奉献与集体利益紧密咬合;「社会秩序(Social Order)」簇将善意和谐与守法合规挂钩;在土耳其语中归纳出的「宗教传统坚守(Religious Tradition Adherence)」体现了历史延续性与神圣规范的优先权,生动印证了开放挖掘对本土化价值体系的捕获能力。
  • 高水准的人类一致性检验:300对英文论据样本的三人独立标注结果显示,平均两两一致率为71.9%(Cohen's \(\kappa=0.5419\), Krippendorff's \(\alpha=0.5409\)),在多数裁决样本上,模型诱导的同簇/异簇划分与人类价值判断的吻合度高达82.1%。

亮点与洞察

  • 将论辩形式理论转化为大模型结构先验:巧用Freeman论辩树结构约束自顶向下的递归分解,将无约束自由生成转化为具备拓扑校验的图搜索,从机理上攻克了大模型长语篇论元抽取的严重幻觉顽疾。
  • 以多重视角拆解代替单步标签预测:将不可捉摸的抽象伦理观念解构为目标、原则、权衡与视角四重具象化表征,巧妙避开了LLM倾向于退化至预置Schwartz框架的先验记忆陷阱。
  • 抗噪的局部共识谱聚类设计:在无监督开放空间中,利用局部近邻共现矩阵与谱分析抵御初始化抖动,确保了跨语言、跨语料归纳出的概念拓扑非平凡且具备高度可复现性。

局限与展望

  • 论元抽取骨干模型的算力权衡:当前为了处理大规模多语言语篇,抽取阶段主要基于GPT-4.1-mini完成,尚未全面探索更大尺寸模型(如全量GPT-5或开源前沿模型)在复杂论辩递归推理上的极限增益。
  • 人类检验的文化多样性覆盖不足:人工一致性校验目前集中于英语论据与具备人文背景的英语审校者,未来需拓展至非西方语境下的本土母语者社群,以进一步核实跨文化价值簇的感知对齐程度。
  • 模型先验偏置的潜在传承:大模型本身的预训练数据偏置与BGE-M3的多语言嵌入空间不可避免地包含固有倾向,未来在面向文化敏感的AI价值对齐落地时,亟需结合计算人类学专家做深入的偏差审计。

相关工作与启发

  • vs. GPV (Ye et al., 2025a):GPV利用大语言模型从开放文本中提取感知,但最终仍依赖有监督心理测量手段将其映射至预设的封闭价值维度;本文实现了从文本论据到价值维度的完全开放式无监督发现。
  • vs. EAVIT (Zhu et al., 2025) / ValueNet (Qiu et al., 2022):传统方法依赖先验词表或受限多标签分类器识别既定伦理概念;本文跳出分类框架,以可解释的结构化论辩关系为锚,归纳未被经典心理学量表穷尽的本土化价值。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ 颠覆了传统基于固定分类体系的价值观计算模式,开创了论辩拓扑约束下的开放价值归纳范式。
  • 实验充分度: ⭐⭐⭐⭐⭐ 横跨10种语言、3套基准数据集,兼备严格的内部消融、外部标签空间几何对齐与人工盲审评测。
  • 写作质量: ⭐⭐⭐⭐⭐ 理论推导扎实严密,概念定义清晰,实验论证环环相扣。
  • 价值: ⭐⭐⭐⭐⭐ 为计算社会科学、跨文化伦理计算以及具有文化敏感性的具身/智能体价值对齐提供了关键的基础设施。