personalisation-daily-dilemmas

这是一个包含多个字段的文本数据集，其中包括情境描述(dilemma_situation)、两个行为选项(action_a和action_b)、两个行为结果(consequence_a和consequence_b)、两个行为的价值(values_a和values_b)，以及一个提示(prompt)字段，提示字段中包含内容(content)和角色(role)。数据集分为训练集和测试集，用于训练和评估模型。

原始信息汇总

数据集概述

基本信息

• 数据集名称: personalisation-daily-dilemmas
• 存储位置: https://huggingface.co/datasets/andBush/personalisation-daily-dilemmas
• 下载大小: 121,845 字节
• 数据集大小: 265,098 字节

数据集特征

• 特征字段:
  • dilemma_situation: 字符串类型，描述困境情境
  • action_a: 字符串类型，描述行动A
  • action_b: 字符串类型，描述行动B
  • consequence_a: 字符串类型，描述行动A的后果
  • consequence_b: 字符串类型，描述行动B的后果
  • values_a: 字符串序列类型，描述行动A的价值
  • values_b: 字符串序列类型，描述行动B的价值
  • prompt: 列表类型，包含:
    • content: 字符串类型
    • role: 字符串类型

数据集划分

• 训练集 (train):
  • 样本数量: 72
  • 数据大小: 212,078.4 字节
• 测试集 (test):
  • 样本数量: 18
  • 数据大小: 53,019.6 字节

配置文件

• 默认配置 (default):
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*

搜集汇总

数据集介绍

构建方式

在道德决策研究领域，personalisation-daily-dilemmas数据集通过精心设计的日常道德困境场景构建而成。每个样本包含对立的行为选项及其潜在后果，并标注了每种行为所体现的价值取向，数据采集过程注重情境的真实性和伦理维度。

特点

该数据集的核心特征在于其多维道德标注体系，不仅捕捉行为选择与后果的对应关系，还深度解析了背后隐含的价值观念。通过结构化呈现道德困境中的冲突要素，为研究人类价值判断提供了细粒度的分析框架，支持对道德决策机制的深入探索。

使用方法

研究人员可借助该数据集训练道德推理模型，通过分析行为与价值的关联模式开发个性化决策系统。测试集可用于评估模型在未知道德困境中的表现，提示字段则为对话系统的价值对齐研究提供了标准化交互模板。

背景与挑战

背景概述

在人工智能伦理与个性化决策研究领域，personalisation-daily-dilemmas数据集由相关学术机构于近年构建，旨在探索道德困境中的个性化价值取向。该数据集通过结构化情境与对应行为选项，深入分析人类在道德决策过程中所依据的核心价值体系，为可解释人工智能与伦理对齐研究提供了关键数据支撑。其创新性在于将抽象的道德原则转化为可量化的行为序列，推动了道德心理学与计算伦理学的交叉研究进展。

当前挑战

该数据集首要解决道德决策建模中价值量化与情境泛化的核心难题，需克服道德相对性与文化差异对标注一致性的影响。构建过程中面临双重挑战：一是道德困境情境的设计需同时保证伦理代表性和逻辑严密性，二是行为后果与价值标签的映射需要跨学科专家协作验证。此外，小规模样本下的模型泛化能力与价值偏好个性化表征仍是待突破的技术瓶颈。

常用场景

经典使用场景

在道德心理学与人工智能伦理交叉领域，personalisation-daily-dilemmas数据集通过呈现日常道德困境的二元选择结构，为研究者提供了量化道德决策偏好的实验框架。其经典应用体现在让受试者在冲突性情境中作出选择并评估后果，从而揭示个体价值排序与道德推理模式的内在规律。

实际应用

Beyond学术研究，该数据集被广泛应用于个性化推荐系统的伦理对齐训练，帮助AI系统理解人类价值偏好。在自动驾驶、医疗机器人等高风险领域，其困境场景可作为伦理决策模块的测试基准，确保人工智能系统在复杂情境中作出符合人类价值观的稳健判断。

衍生相关工作

基于该数据集衍生的经典工作包括道德图神经网络MoralGNN，其通过价值传递机制预测群体道德偏好；另有研究构建了跨文化道德图谱MoralAtlas，揭示不同社会背景下价值权衡的差异模式。这些工作显著推进了道德机器学习的可解释性与跨文化适应性研究。