MET : Raisonnement moral multilingue ancré dans la théorie et conscient de la culture

Résumé

Les modèles de langue sont de plus en plus utilisés pour la prise de décision morale dans divers contextes linguistiques et culturels, mais les travaux existants négligent la multilingualité sous trois aspects : 1) les benchmarks d'évaluation multilingues reposent sur une traduction directe, échouant à adapter les éléments spécifiques à une culture ; 2) les méthodes au moment de l'inférence pour le raisonnement moral s'appuient sur des scaffolds statiques et centrés sur l'anglais, sans ancrage dans la théorie morale ; 3) les méthodes d'entraînement pour la prise de décision morale nécessitent généralement une supervision coûteuse provenant de modèles plus puissants ou d'annotateurs humains. Nous comblons ces lacunes avec trois contributions. Premièrement, nous présentons MCLASH, un benchmark multilingue de prise de décision morale conçu pour saisir les intuitions morales situées culturellement et les normes sociales à travers les langues. Deuxièmement, nous proposons MET (Multilingual Ethics with Theory-grounded reasoning), une méthode de prompting en deux étapes fondée sur des bases théoriques élaborées par des experts, issues de la psychologie et de la philosophie : le modèle sélectionne d'abord des fondements spécifiques à la situation et à la culture, puis raisonne sur ceux-ci dans la langue maternelle de l'utilisateur. Troisièmement, nous introduisons MET-D (MET-Distillation), qui améliore la deuxième étape grâce à une phase d'entraînement par auto-distillation ne nécessitant aucune supervision externe. MET-D améliore le macro-F1 par rapport au modèle de base sur les trois modèles de tailles et de familles différentes (Qwen3-4B, Qwen3-8B, Gemma3-4B), avec une moyenne de 3,71 points sur MCLASH et de 4,23 sur MMoralExceptQA, et un gain maximal sur MCLASH de 12,94 points pour le malais sur Qwen3-8B. Nous révélons en outre que MET-D augmente le raisonnement en langue maternelle de 62,13 points en moyenne, et que les fondements bénéfiques diffèrent systématiquement selon les cultures. Ensemble, ces contributions ouvrent la voie à un raisonnement moral multilingue aligné sur les cultures et ancré dans la théorie.

English

Language models are increasingly used for moral decision-making across diverse linguistic and cultural contexts, yet existing work overlooks multilinguality on three aspects: 1) multilingual evaluation benchmarks use direct translation, failing to adapt culture-specific items; 2) inference-time methods for moral reasoning rely on static, English-centric scaffolds and lack grounding in moral theory; 3) training methods for moral decision-making typically require expensive supervision from stronger models or human annotators. We address these gaps with three contributions. First, we introduce MCLASH, a multilingual moral decision-making benchmark to capture culturally situated moral intuitions and social norms across languages. Second, we propose MET (Multilingual Ethics with Theory-grounded reasoning), a two-step prompting method built on expert-curated, theory-based grounds drawn from psychology and philosophy: the model first selects situation- and culture-specific grounds, then reasons over them in the native language of the user. Third, we introduce MET-D (MET-Distillation), which enhances the second step through a self-distillation training stage that requires no external supervision. MET-D improves macro-F1 over the base model on all three models of different sizes and families (Qwen3-4B, Qwen3-8B, Gemma3-4B), by an average of 3.71 points on MCLASH and 4.23 on MMoralExceptQA, with a peak MCLASH gain of 12.94 points for Malay on Qwen3-8B. We further reveal that MET-D increases native-language reasoning by 62.13 points on average, and that beneficial grounds differ systematically across cultures. Together, these contributions open the path for culture-aligned, theory-grounded multilingual moral reasoning.