这篇发表于arXiv的论文《Identifying and Understanding Human Values in Text: A Tailorable LLM-based Architecture》由Eduardo de la Cruz Fernández等三位作者共同完成，提交于2026年4月7日，并已收录于第18届智能体与人工智能国际会议（ICAART 2026）第五卷论文集，页码为4096至4103页。论文共8页，含1幅图表，属于人工智能（cs.AI）主分类，同时涉及计算与语言（cs.CL）以及计算机与社会（cs.CY）两个交叉领域，ACM分类号为I.2.7与I.2.1。
研究动机源于智能系统自主性的不断提升。随着系统越来越多地独立做出决策，科学界开始关注如何让决策机制纳入伦理与道德考量，而非沿用传统的效用最大化模型。要实现这一点，一个关键环节是评估这些决策与人类价值观的契合程度。为此，一条颇具前景的研究路线是借助大语言模型（LLM）从文本中识别人类价值观，无论这些价值观是显性表达还是隐含其中，从而在整个过程中实现对其的持续识别。
论文提出的核心贡献是一种基于LLM的架构，用于检测文本中的人类价值观并量化其强度。作者指出，以往的方法存在两方面局限：一是与特定的价值理论深度绑定，二是依赖复杂的提示工程。新架构力图规避这两点。整个架构由三个协同工作的模块组成。第一个模块从任意理论框架的基础文本中生成结构化的价值规范，相当于把理论概念转化为机器可用的规格说明；第二个模块依据这些规范对文本进行标注；第三个模块则根据修辞与语义证据，为文本赋予分级化的支持或抵触判定，而非简单的二元标签。
这种模块化设计的要点在于将“概念化”与“检测”两项任务分离：先由理论文本生成价值规范，再据此检测文本中的价值表达。作者认为，这一流程具备可扩展性与可复现性，并且由于规范本身可适配不同理论，架构能够灵活应用于多种价值体系。
在实验方面，作者使用多个LLM实例化该架构，并采用ValueEval数据集进行评估。实验结果显示，该架构取得了良好的检测性能，验证了整条流水线的通用性。论文还提供了PDF全文、实验性HTML版本以及TeX源码等访问方式，并给出了DOI信息（10.48550/arXiv.2605.27373）与期刊参考文献DOI。
从更广的意义上看，这项工作回应了自主智能体在道德决策方面的一个基础需求：只有当系统能够可靠地从文本中识别并量化人类价值观，才可能进一步评估其决策与这些价值观的一致程度。论文所强调的可适配多种价值理论、无需复杂提示工程、且流程可复现的特点，为后续研究提供了一个可扩展的起点。不过，作者也仅以ValueEval数据集验证了检测性能，架构在更多理论框架与更广泛文本类型上的表现，仍有待进一步检验。