Η ανίχνευση των αξιών Schwartz σε πολιτικά κείμενα είναι δύσκολη, καθώς οι έμμεσες ενδείξεις εξαρτώνται από περιβάλλοντα επιχειρήματα και λεπτές διακρίσεις. Η παρούσα μελέτη εξετάζει πότε το πλαίσιο και η ρητή ηθική γνώση συμβάλλουν στην ανίχνευση αξιών σε επίπεδο πρότασης.
Με τη μορφή ValuesML/Touché ValueEval, συγκρίθηκαν εισόδους πρότασης, παραθύρου και πλήρους εγγράφου. Αξιολογήθηκαν ρυθμίσεις χωρίς RAG (Retrieval-Augmented Generation) και με ενίσχυση ανάκτησης δεδομένων από επιμελημένη βάση ηθικής γνώσης, χρησιμοποιώντας εποπτευόμενους κωδικοποιητές DeBERTa-v3-base/large και μοντέλα μεγάλων γλωσσών (LLMs) μηδενικής εκπαίδευσης (zero-shot) 12B έως 123B παραμέτρων.
Τα αποτελέσματα δείχνουν ότι περισσότερο πλαίσιο δεν είναι ομοιόμορφα καλύτερο: το πλαίσιο πλήρους εγγράφου βελτιώνει τους εποπτευόμενους κωδικοποιητές DeBERTa κατά 3,8-4,8 μονάδες macro-F1 έναντι της εισόδου μόνο πρότασης, αλλά δεν βοηθά σταθερά τα LLMs μηδενικής εκπαίδευσης.
Η ανακτημένη ηθική γνώση είναι πιο σταθερά χρήσιμη σε συγκρίσεις, βελτιώνοντας κάθε δοκιμασμένη οικογένεια μοντέλων και συνθήκη πλαισίου με πρώιμη σύντηξη (early fusion). Ωστόσο, η κλιμάκωση από DeBERTa-v3-base σε large και από LLMs 12B σε μεγαλύτερα δεν εγγυάται κέρδη, ενώ η απλή πρώιμη σύντηξη υπερτερεί των δοκιμασμένων παραλλαγών RAG όψιμης σύντηξης (late-fusion) και διασταυρούμενης προσοχής (cross-attention) για τους κωδικοποιητές.
Οι αναλύσεις ανά αξία δείχνουν ότι το πλαίσιο και η ανάκτηση βοηθούν περισσότερο σε κοινωνικά τοποθετημένες ή εννοιολογικά συγκεχυμένες αξίες. Αυτά τα ευρήματα υποδηλώνουν ότι η ευαίσθητη στις αξίες Επεξεργασία Φυσικής Γλώσσας (NLP) πρέπει να αξιολογεί από κοινού πλαίσιο, γνώση και οικογένεια μοντέλων, αντί να θεωρεί μεγαλύτερες εισόδους ή μοντέλα ως καθολικές βελτιώσεις.
