近日，arXiv上发布了一篇由Bailey Flanigan和Michelle Si撰写的论文《内部多元主义与成对比较的局限性》。该论文深入探讨了在参与式设计和人工智能对齐等领域广泛使用的成对比较方法的潜在缺陷。成对比较是一种通过局部偏好判断来学习个体对决策规则偏好的工具，但其依赖于两个关键假设：局部的比较结果能够充分反映个体对决策规则全局行为的需求，并且个体总是能够做出明确果断的选择。然而，作者指出，当个体持有内部多元主义观点，即依据多个权威的优先级来评估决策规则时，这两个假设可能会被破坏。
为了系统分析这一问题，论文构建了一个形式化模型来描述多元偏好。该模型揭示了强制进行局部成对比较的两种失败模式。第一种失败模式与全局优先级的特性有关。例如，比例性、平等主义和同等待遇等优先级本质上是全局性的：它们在一个案例中的具体含义可能取决于其他案例的情况，因此仅通过局部比较无法准确捕捉这些全局优先级。第二种失败模式则源于优先级之间的冲突。即使某些优先级可以在局部范围内表示，强大优先级之间的张力也可能引发内部冲突，导致个体在被迫做出比较时产生代价高昂的行为扭曲，例如不一致或矛盾的判断。
论文进一步探索了允许个体报告“犹豫不决”作为替代方案的效果。研究发现，通过允许个体表达不确定性，可以显著减少准确学习其偏好所需的查询次数。这表明，传统的强制比较方法不仅效率低下，还可能误导最终的偏好学习结果。作者最后指出，他们的模型为开发直接引出这些优先级的偏好学习方法指明了方向，从而能够提供更忠实、更可解释的个体价值观描述。
这项研究对参与式设计、人工智能对齐以及社会选择理论都具有重要的启示。它提醒我们，简单地将复杂的人类价值观简化为局部的二元选择可能会忽略关键的全局维度，而允许不确定性的存在反而能带来更高效、更准确的学习过程。该论文于2026年7月2日提交至arXiv，属于人工智能（cs.AI）和计算机与社会（cs.CY）领域。