Die Personalisierung von KI-Systemen erfordert nicht nur das Verstehen der Vorlieben der Nutzer, sondern auch der dahinter liegenden Gründe – aktuelle Vorliebenmodelle behandeln jedoch in der Regel die menschliche Urteilsbildung als ein Black Box-Modell. Wir stellen PrefPalette vor, einen Rahmen, der Vorlieben in Attributdimensionen zerlegt und seine Vorliebenvorhersage den spezifischen Werten verschiedener sozialer Gemeinschaften auf eine für Menschen verständliche Weise anpasst. PrefPalette operationalisiert das Prinzip der mehrattributären Entscheidungsfindung aus der Kognitionsforschung auf zwei Arten: (1) einen skalierbaren kontrafaktischen Attributsyntheseschritt, bei dem synthetische Trainingsdaten generiert werden, um die Effekte einzelner Attribute zu isolieren (z.B. Formalität, Humor, kulturelle Werte), und (2) ein aufmerksamkeitsbasiertes Vorliebenmodell, das lernt, wie verschiedene soziale Gemeinschaften diese Attribute dynamisch gewichten. Dieser Ansatz geht über die aggregierte Vorliebenmodellierung hinaus und erfasst die vielfältigen Bewertungsrahmen, die menschliche Urteilsbildung beeinflussen. Bei einer Evaluierung auf 45 sozialen Gemeinschaften von der Online-Plattform Reddit übertreffen die durchschnittliche Vorhersagegenauigkeit von PrefPalette die von GPT-4o um 46,6 %. Neben den reinen Verbesserungen in der Vorhersage leistet PrefPalette auch Aufschluss über intuitive, gemeindebezogene Profile: wissenschaftliche Gemeinschaften legen Wert auf Ausführlichkeit und Anregung, konfliktorientierte Gemeinschaften schätzen Sarkasmus und Direktheit, während unterstützende Gemeinschaften Empathie betonen. Durch das Modellieren des attributvermittelten Strukturs der menschlichen Urteilsbildung bietet PrefPalette sowohl eine überlegene Vorliebenmodellierung als auch transparente und verständliche Erkenntnisse und stellt einen ersten Schritt zur Entwicklung vertrauenswürdigerer, wertebewusster personalisierter Anwendungen dar.