跳到主要内容

DATASET 04 · 发展语言学

儿童语言发展追踪语料库

260 名儿童、36 个月纵向追踪的 540 小时自然互动语料,附 CHAT 转写与发展指标。

语音视频文本发展语言学儿童心理
儿童语言发展追踪语料库 · 封面示意
规模
540 小时
参与者
260 名儿童
语种
普通话(儿童自然口语)
标注
CHAT 格式转写、词性与句法标注、语音偏误标注、亲子互动行为编码
格式
WAV / MP4 / CHAT / JSON
同步
音视频同步误差 ≤ 2 ms
授权
科研授权(限伦理审查通过项目)
更新
2026 年 6 月 30 日

01 / 数据构成

规模、关键指标与数据流

沿着成长时间轴记录语言的出现与变化

540 h
总时长
260 名
儿童
36 个月
追踪周期
214 户
家庭
数据构成与规格
数据流规格说明
音频48 kHz / 24-bit领夹麦克风,儿童与照护者分轨
视频1920 × 1080 · 30 fps家庭自然场景单机位
文本CHAT / UTF-8CHAT 转写与词性、句法层标注

表格为示例批次的采集参数,最终规格以随数据交付的说明文档为准。

02 / 数据说明

采集、标注与质量控制

以下内容说明数据如何被采集、标注与验证,可作为方法学引用与方案评估的依据。

数据概况

儿童语言发展追踪语料库对 260 名儿童进行为期 36 个月的纵向追踪,来自 214 户家庭,累计 540 小时自然互动语料,采集时间为 2023 年 2 月至 2026 年 2 月。儿童入组年龄为 18 至 42 个月,每 3 个月完成一次家庭录制,每次约 45 分钟,内容包括自由游戏、绘本共读与用餐对话三类活动。

语料按年龄、性别、家庭语言环境(单语 / 双语)与照护者教育背景分层。追踪期内退出 12 名儿童,退出原因与时间均记录在元数据中,便于分析样本流失偏差。

采集规范

采集以家庭自然场景为主,避免实验室环境对儿童表达的影响。儿童与照护者各佩戴一枚领夹麦克风,48 kHz / 24-bit 分轨录制;视频使用单机位 1920 × 1080 · 30 fps,拍摄游戏区与阅读区,不移动机位以避免干扰。

研究助理在录制前完成设备摆放与音校准,录制后退场,由家长操作简单的开始与结束流程。所有家庭签署知情同意书,儿童在录制中表现出不适时立即终止。涉及家庭成员身份的片段在入库前完成遮挡与变声处理。

标注体系

转写遵循 CHAT 规范,并在其上叠加语音与互动层标注。

层级内容规模复核方式
转写层CHAT 逐句转写、发音变体、重复与自我修正约 60 万句双盲复核 25%
语音层音段偏误、音节结构、声调实现约 18 万个偏误实例语音学标注员双人复核
语法层词性、句长、从句深度全量自动标注 + 人工校对 20%
互动层共同注意、轮流、扩展与重述10 类行为关键片段双人标注

质量与验证

音视频同步误差中位数 1.5 ms,95 分位不超过 2 ms;CHAT 转写一致性 κ = 0.90;语音偏误标注一致性 κ = 0.84;亲子互动编码一致性 κ = 0.86。每批次抽取 15% 样本做双盲复核,其中 5% 由发展语言学研究者终审。交付附年龄常模表、转写规范、标注手册与纵向匹配说明。

典型研究问题

  • 汉语儿童声调与辅音习得的先后顺序。
  • 词汇量与句法复杂度的纵向增长曲线。
  • 亲子共读中的扩展与重述对语言发展的影响。
  • 语言发展迟缓的早期语音与互动特征。
  • 双语环境对儿童语码转换模式的影响。

获取与授权

本数据集仅面向通过伦理审查的科研项目开放,申请方须提交研究方案、伦理批件与儿童数据保护措施。交付格式为 WAV、MP4、CHAT 与 JSON,可按年龄段与活动类型筛选,纵向匹配 ID 已做不可逆映射。商业使用需单独评估,原则上不提供原始影像。可先通过示例数据了解 CHAT 字段结构,或在联系页咨询申请流程。

03 / 典型用途

这批数据可以回答的问题

以下为典型研究与产品方向,具体分析方案需结合研究设计与统计方法确定。

  • 01

    儿童语音习得顺序研究

  • 02

    词汇增长与句法复杂度分析

  • 03

    语言发展迟缓早期特征

  • 04

    亲子互动质量评估

NEXT STEP

需要调整采集场景或标注体系?

现有数据集可直接授权,也可基于你的研究设计扩展说话人、场景与标注层级。

1 个工作日内回复 · 支持 NDA 与数据授权协议 · 高校科研专属方案