学习道德多样性：在文本道德分类中建模个人观点

了解社交媒体文本中的道德价值观可以深入了解道德判断的形成，并且在众包数据上训练的有监督 NLP 模型已经实现了强大的分类性能。然而，大多数方法通过将多个注释器的标签聚合到单个“真值”中来简化问题，忽略了任务固有的主观性。在实践中，注释者之间会因个人观点或固有的歧义而引起分歧，特别是对于短推文。在这里，我们用一个学习注释器特定特征的层扩展了预训练的语言模型。我们的模型改进了对个体注释的预测，并产生了能够揭示对注释者道德观点的有意义的见解的表示。我们表明，在聚合标签上训练的模型可能会隐藏变化并给人以误导性的表现印象。总的来说，我们证明分歧反映了任务固有的主观性，并且对个人观点进行建模可以为文本的道德分类带来好处。