Quantifying the emergence of moral foundational lexicon in child language development
Notice bibliographique
Résumé
Theorists have argued that morality builds on several core modular foundations. When do different moral foundations emerge in life? Prior work has explored the conceptual development of different aspects of morality in childhood. Here, we offer an alternative approach to investigate the developmental emergence of moral foundations through the lexicon, namely the words used to talk about moral foundations. We develop a large-scale longitudinal analysis of the linguistic mentions of five moral foundations (in both virtuous and vicious forms) in naturalistic speech between English-speaking children with ages ranging from 1 to 6 and their caretakers. Using computational methods, we collect a dataset of 1,371 human-annotated moral utterances and automatically annotate around one million utterances in child-caretaker conversations. We discover that in childhood, words for expressing the individualizing moral foundations (i.e. Care/Harm, Fairness/Cheating) tend to emerge earlier and more frequently than words for expressing the binding moral foundations (i.e. Authority/Subversion, Loyalty/Betrayal, Purity/Degradation), and words for Care/Harm are expressed substantially more often than the other foundations. We find significant differences between children and caretakers in how often they talk about Fairness, Cheating, and Degradation. Furthermore, we show that the information embedded in childhood speech allows computational models to predict moral judgment of novel scenarios beyond the scope of child-caretaker conversations. Our work provides a large-scale documentation of the moral foundational lexicon in early linguistic communication in English and forges a new link between moral language development and computational studies of morality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».