La personnalisation des systèmes d'IA nécessite non seulement de comprendre les préférences des utilisateurs, mais aussi les raisons qui sous-tendent ces préférences – or, les modèles de préférence actuels traitent généralement le jugement humain comme une boîte noire. Nous présentons PrefPalette, un cadre qui décompose les préférences en dimensions d'attributs et adapte ses prédictions de préférence aux valeurs spécifiques des différentes communautés sociales de manière interprétable par l'humain. PrefPalette met en œuvre un principe des sciences cognitives connu sous le nom de prise de décision multi-attributs de deux manières : (1) une étape d'élaboration d'attributs contre-factuels à grande échelle impliquant la génération de données d'entraînement synthétiques pour isoler les effets individuels des attributs (par exemple, formalité, humour, valeurs culturelles), et (2) un modèle de préférence basé sur l'attention qui apprend comment différentes communautés sociales pondèrent dynamiquement ces attributs. Cette approche dépasse la modélisation agrégée des préférences pour capturer les cadres d'évaluation divers qui guident le jugement humain. Lorsqu'il est évalué sur 45 communautés sociales issues de la plateforme en ligne Reddit, PrefPalette surpasse GPT-4o avec une précision moyenne des prédictions supérieure de 46,6 %. Au-delà des améliorations purement prédictives, PrefPalette révèle également des profils intuitifs spécifiques à chaque communauté : les communautés savantes privilégient la verbosité et la stimulation, les communautés orientées vers le conflit valorisent l'ironie et la directivité, tandis que les communautés axées sur le soutien mettent l'accent sur l'empathie. En modélisant la structure médiée par les attributs du jugement humain, PrefPalette offre à la fois une meilleure modélisation des préférences et des insights transparents et interprétables, constituant ainsi une première étape vers des applications plus fiables et conscientes des valeurs.