本文介绍了一种基于 Moral Foundations Theory 框架的 Moral Foundations Reddit Corpus，该语料库可以用于通过自然语言处理和计算方法提取 8 种品德情感，并提供了基于该语料库的分类结果。

Aug, 2022

通过精心设计的 MoralBERT 模型，结合社交媒体平台的标注道德数据，探索了道德预测及领域适应技术在理解有争议的社会议题上的应用，结果表明在领域内的预测模型明显优于传统模型，但领域外的泛化仍需进一步探索。

Mar, 2024

本文提出了一种表示框架，在不同的实体中组织道德态度，并推出了一个质量高的美国政客推文的带注释数据集；随后，我们提出了一种关系学习模型来同时预测实体的道德态度和道德基础。我们进行了定性和定量评估，表明不同政治意识形态的实体之间的道德情感差异很大。

Sep, 2021

本文中，我们提出了一个新的方法，结合基本的文本特征和外部知识库中获取的背景知识来检测推文中的道德价值表达，并在计算社会科学的领域中实现了与单个人注释员相媲美的性能。这是在预测隐含心理变量方面首次尝试使用背景知识。

Sep, 2017

研究通过分析 Reddit 社群和新闻媒体等大规模真实语言使用数据，使用词嵌入模型发现了政治性语言中存在的情感分化模式以及与七个政治话题相关的词语的语义关联，揭示了跨党派界限的道德联想差异，这些结果强调了虽然在政治谱系上有着共享的道德理解，但仍然存在着塑造党派语言并潜在加剧政治极化的一致差异。

Oct, 2023

本文旨在量化并减少语言模型中表现出的情感偏见，该文分析了在给定的条件下（例如写作提示）和语言模型中，引起生成的文本情感发生变化的敏感属性（例如国家名称，职业，性别）的值变化的影响。我们采用公平机器学习文献中的个体和团体公正度量来量化情感偏见，并证明在两种不同的语料库（新闻文章和维基百科）上训练的大规模模型存在相当高的偏见。我们随后提出使用嵌入和情感预测导出的正则化方法，该方法应用于语言模型的潜在表示。该正则化提高了公正度量，同时保持了可比水平的困惑度和语义相似性。

Nov, 2019

本文介绍了一项新的任务，即理解新闻文章中对事件的道德观点。通过创建一个名为 EMONA 的新数据集，对新闻文章中的事件级道德观点进行了注释，并建立了用于事件道德识别和分类的基准模型。实验证明，对事件的道德观点可以用于识别意识形态偏见或主观事件。

Apr, 2024

通过使用领域特定的词向量和标签传播框架，结合少量种子单词，创造与手动资源相媲美的精准的领域特定情感词典，用于量化情感在时间和社区之间的差异，并在此基础上，提出了历史情感词汇表和社区特定情感词汇表。

Jun, 2016

通过对 PEW 全球调查和世界价值观调查的分析，我们发现预训练的英文语言模型虽然可以捕捉到横跨 55 个国家和地区的细粒度（例如 “同性恋” 和 “离婚”）道德变异，但不能够显著地预测各个国家的道德规范，然而通过精调可以在牺牲准确度的情况下改善跨国推断。最后我们探讨了将文化知识纳入自动化道德规范推断的相关挑战与意义。

Jun, 2023

本研究旨在研究道德价值观和语言使用在社交媒体文本中的领域移位，检验其对道德分类任务的影响，并提出了一种神经适应框架。通过实例加权来提高跨领域分类任务的性能，研究结果表明，在 7 个社会运动中，微调后的任务获得高达 12.1％的性能改善，而使用 COVID-19 疫苗作为例子的细化研究得到了 5.26％的性能提升。

Apr, 2022