USC-MOLA-Lab/MFRC

MFRC数据集包含标注了道德基础的Reddit帖子。数据集的字段包括文本、子reddit、桶、注释者、注释和置信度。数据集的语言是英语。

The MFRC dataset contains Reddit posts annotated with moral foundations. The dataset includes the following fields: text, subreddit, bucket, annotator, annotation, and confidence. The dataset is in English.

原始信息汇总

数据集概述

数据集名称

MFRC（Moral Foundations Reddit Corpus）

数据集摘要

该数据集包含Reddit帖子，这些帖子被标注了道德基础。

支持的任务和排行榜

未提供详细信息。

语言

英语

数据集结构

数据实例

未提供详细信息。

数据字段

• text
• subreddit
• bucket
• annotator
• annotation
• confidence

数据分割

未提供详细信息。

数据集创建

数据收集和标准化

未提供详细信息。

源语言生产者

未提供详细信息。

标注过程

未提供详细信息。

标注者

未提供详细信息。

个人和敏感信息

未提供详细信息。

使用数据的考虑

数据集的社会影响

未提供详细信息。

偏见讨论

未提供详细信息。

其他已知限制

未提供详细信息。

附加信息

数据集管理者

未提供详细信息。

许可信息

cc-by-4.0

引用信息

bibtex @misc{trager2022moral, title={The Moral Foundations Reddit Corpus}, author={Jackson Trager and Alireza S. Ziabari and Aida Mostafazadeh Davani and Preni Golazazian and Farzan Karimi-Malekabadi and Ali Omrani and Zhihe Li and Brendan Kennedy and Nils Karl Reimer and Melissa Reyes and Kelsey Cheng and Mellow Wei and Christina Merrifield and Arta Khosravi and Evans Alvarez and Morteza Dehghani}, year={2022}, eprint={2208.05545}, archivePrefix={arXiv}, primaryClass={cs.CL} }

贡献

未提供详细信息。

搜集汇总

数据集介绍

构建方式

在自然语言处理领域，道德情感检测对理解社会行为至关重要，然而该任务因主观性强而高度依赖大规模人工标注语料。现有语料多局限于Twitter平台，缺乏跨社区、多议题的覆盖。为突破这一局限，研究者构建了Moral Foundations Reddit Corpus（MFRC），从12个风格迥异的子版块中精选16,123条英文评论，这些评论涵盖政治、人际关系、职场等多元话题。每一条评论均由至少三位经过培训的标注员基于更新版道德基础理论框架进行独立标注，涵盖关怀、平等、比例性、纯洁、权威、忠诚、薄道德及隐/显道德共八类道德情感，并通过多数投票机制确定最终标签，确保了标注的信度与效度。

特点

MFRC数据集的核心特点在于其多源性与标注深度。相较于以往仅依赖Twitter的语料，该数据集从Reddit平台12个不同主题的子版块中采集，如AmItheAsshole、Conservative、worldnews等，显著提升了道德话语在政治立场、文化背景与讨论语境上的多样性。每个样本均附带子版块来源、标注者ID、标注类别及置信度等信息，支持细粒度分析与模型偏差研究。数据集中非道德类样本占比约64%，真实反映了自然语言中道德框架的稀疏分布，为评估模型在高度不平衡场景下的表现提供了理想基准。

使用方法

MFRC数据集以HuggingFace Datasets库格式发布，用户可通过一行代码轻松加载预划分的训练集（train_dedup），包含53,827个样本。数据字段包括原始文本（text）、子版块（subreddit）、标注桶（bucket）、标注者（annotator）、标注类别（annotation）及置信度（confidence），可直接用于多标签分类、序列标注或道德框架检测等下游任务。研究者可基于该数据集微调BERT等编码器模型，或评估Llama3等大语言模型在零样本、少样本及参数高效微调设置下的表现，为AI对齐与道德认知计算研究提供标准化评测平台。

背景与挑战

背景概述

道德框架与情感倾向在塑造个体及集体行为方面扮演着举足轻重的角色，其影响力渗透至慈善捐赠、环保行动、政治参与乃至社会抗议等多个维度。自然语言处理领域的研究者长期以来致力于从文本数据中自动检测道德情感，然而，这类主观性极强的任务高度依赖于大规模、高质量的人工标注数据集。此前，尽管已有若干基于Twitter平台的道德情感语料库问世，并为计算语言学与社会科学交叉领域带来了宝贵洞见，但其单一平台来源的局限性日益凸显。为突破这一瓶颈，由南加州大学计算社会科学实验室（USC MOLA Lab）的Jackson P. Trager、Alireza S. Ziabari及Morteza Dehghani等研究者于2026年构建的Moral Foundations Reddit Corpus（MFRC）应运而生。该数据集精选自Reddit平台上12个风格迥异的子版块，汇集了16,123条英文评论，并由至少三名训练有素的标注者依据更新版道德基础理论（MFT）框架，对关怀、比例、平等、纯洁、权威、忠诚、薄道德及隐/显道德等八类道德情感进行了精细标注。MFRC的发布不仅显著拓展了道德情感语料库的领域覆盖范围，更因其跨平台、多主题的特性，为深入探究道德修辞在多样化网络社区中的表达模式与传播机制奠定了坚实基础，成为推动该领域研究范式演进的关键资源。

当前挑战

MFRC数据集所面临的核心挑战首先源于道德情感检测这一领域任务本身的复杂性。道德判断具有高度主观性与文化依赖性，不同个体对同一文本的道德内涵理解可能存在显著分歧，这要求标注过程在保证信度的同时，还需兼顾效度。MFRC通过引入多标注者机制与置信度指标来缓解这一问题，但如何在跨社区（如政治讨论区与怀旧社区）的语境中，统一且准确地捕捉细微的道德框架差异，仍是模型训练与应用中的一大难题。其次，在数据集构建过程中，研究者遭遇了多重技术性挑战。数据采集需从Reddit海量评论中精准筛选出具有道德讨论价值的文本，并确保覆盖不同意识形态与话题偏好，以避免样本偏差。此外，标注工作本身耗时费力，每位标注者需对复杂的长篇评论进行八类道德维度的判断，标注疲劳与个体认知差异可能引入噪声。尽管MFRC采用了去重处理并提供了训练集（train_dedup），但如何利用有限的人工标注样本，训练出能泛化至Reddit之外其他平台与文本类型的鲁棒模型，仍是亟待突破的瓶颈。

常用场景

经典使用场景

在自然语言处理与计算社会科学交叉领域，MFRC数据集最经典的使用场景在于训练和评估基于道德基础理论的道德情感检测模型。研究者利用该语料库中经过至少三位训练标注者手工标注的Reddit评论，针对关爱、公平、忠诚、权威、纯洁、比例、薄道德、隐/显道德等八类道德情感维度，开发并验证各类有监督学习模型。该数据集突破了以往Twitter语料的局限性，为从更广泛、更具争议性的在线讨论中捕捉道德修辞的微妙差异提供了高质量训练资源，成为道德计算研究的基准语料。

实际应用

在实际应用中，MFRC数据集所支持的道德情感检测技术可被广泛应用于在线内容治理与行为预测领域。社交媒体平台可利用基于该语料库训练的模型，自动识别可能引发极化、仇恨或暴力倾向的道德修辞，从而优化内容审核策略。此外，政治竞选、公共健康宣传及环保倡议等活动中，组织者能够通过分析公众舆论中的道德框架，设计更具说服力的传播信息。非政府组织亦可借助此类模型评估捐赠呼吁或抗议动员文本的情感基调，更精准地激发目标群体的道德情感共鸣。

衍生相关工作

MFRC数据集的发布催生了一系列具有影响力的衍生研究工作。研究者基于该语料库比较了零样本、少样本及参数高效微调等设置下Llama3-8B、Ministral-8B等大语言模型与BERT等编码器模型在道德情感分类任务中的表现，结果证实了微调编码器模型在该主观任务上的持续优势。此外，该数据集推动了道德基础理论在计算语言学中的量化研究，衍生出针对不同子版块道德框架分布的统计分析、跨文化道德感知对比以及基于道德情感的舆论演化建模等工作，为AI对齐中的价值嵌入研究提供了实证基础。