A Collaborative Tool for the Computational Modelling of Child 
Language Acquisition
Kris Jack
CEA LIST, Laboratoire d'ingénerie de la connaissance multimédia multilingue
18 route du Panorama, BP6
Fontenay­aux­Roses, F­92265 France
mrkrisjack@gmail.com
Abstract
A   large   number   of   computational   language 
learners have been proposed for modelling the 
process  of child language acquisition.    Com­
paring them, however, can be difficult due to 
the different  assumptions that  they make,  the 
diverse test results presented, and the different 
linguistic behaviours investigated.   This paper 
introduces  a  toolkit   that  allows different   lan­
guage  learners   to  be  trained,   tested and  ana­
lysed under standardised conditions.   The res­
ults can be easily compared with one another 
and  with  typical  child   language development 
to highlight the relative advantages and disad­
vantages of learners.
1 Introduction
The computational modelling of language acquis­
ition   can  help   in  understanding   the   acquisition 
process by estimating the problem faced by chil­
dren and designing algorithms that solve it in a 
similar way as they do.  Many such models have 
been produced in recent  years,   tackling various 
linguistic behaviours.  Like in any relatively new 
domain  of   research,   however,   the   treatment   of 
one problem often reveals the presence of several 
more that in turn require new solutions of their 
own.  This has led to the design and implementa­
tion   of   numerous   learners   that   differ   in   either 
subtle or fundamental ways.  Given such variety, 
it is not yet clear which kind of model, or com­
bination of models, can best account for the over­
all behaviour witnessed during child language de­
velopment.
When   surveying   the   computational   language 
acquisition literature, the relative advantages and 
disadvantages   of   language   learners   are   not   al­
ways clear.   As such, it can be very difficult to 
compare different learners with one another.  The 
main problem is the lack of standardisation in the 
field.     Language   learners   are   constructed   with 
different underlying assumptions, largely due to 
the   lack   of   consensus   in   linguistic   theory,   are 
trained using different data (that can vary from 
miniature   languages   to   full   blown   natural   lan­
guages)   and   are   tested   using   different   testing 
measures   (some   of   which   include   the   'Looks 
good to me' approach).
In   this   paper,   a   toolkit   for   investigating   the 
computational   modelling   of   child   language   ac­
quisition is proposed.  The Language Acquisition 
Toolkit (LAT) allows researchers to work collab­
oratively in solving the modelling task, while ad­
dressing   the  problems  introduced.     It   is  an  at­
tempt   to  bring   the   field   forward  by   creating  a 
standardised  way   for   testing  and   implementing 
language   acquisition   learners.     The   issues   ad­
dressed in this paper are largely driven by engin­
eering   concerns   although   the   choices   that   are 
made by   the modeller  will   impact  not  only  on 
their learner but also on the associated language 
theory.   The driving motivation behind the LAT 
is that the best way to compare different language 
learners  is   to compare  the behaviours  that   they 
produce.   The closer a learner's behaviour is to 
the behaviour witnessed in children, the better the 
model.
The LAT is  a computational  framework that 
can train, test and analyse the linguistic perform­
ance of a computational language learner in order 
to   chart   developmental   linguistic   trajectories. 
The  motivation   for   the   LAT  shall   first   be   ex­
plored before describing it in detail, discussing its 
features and considering future directions.

2 Background
The process of modelling child language acquisi­
tion   is   very   complex,   as  many  of   the   first   at­
tempts confirmed (Feldman et al., 1990; Suppes, 
Liang & Bottner, 1991).   Rather than modelling 
the process in entirety, an undoubtedly daunting 
task,  modellers  took the simplified approach of 
focusing   upon   individual   linguistic   behaviours, 
leading   to   much   research   into   relatively   con­
strained   problems   such   as  understanding   over­ 
and under­generalisation errors (Plunkett, Sinha, 
Moller & Strandsby, 1992), single word learning 
(Regier,   2005),   syntactic   category   acquisition 
(Redington,   Chater   &   Finch,   1988)   and   past­
tense learning (Rumelhart & Mcclelland, 1986). 
While such models have led to valuable insights 
in the domain, it can be difficult to see how each 
of them is related to one another given the lack of 
standardised learning, testing and analysis.
Often,   the   variety   found   in   computational 
models  reflects   the  divisions  between  linguistic 
theories pertaining to child language acquisition 
(Kaplan, Oudeyer & Bergen, 2008).   Given that 
linguists remain divided about how children learn 
language, it is not surprising to find a similar di­
vision   in   the   computational   modelling   com­
munity as well.   One of the fundamental issues 
that separates modellers is the kind of data that 
the learner learns.  This can range from the use of 
plain   textual   data   (Elman,   1993),   to   grounded 
sensor­based   input   (Roy,  2008).    Standardising 
the type of learning data would thus be useful for 
comparing language learners.
Typical computational models are often tested 
under different circumstances and using different 
techniques.  For example, while some papers of­
fer a general analysis of the model's behaviour, 
others   focus  on  particular   features,  while  some 
test   language   comprehension,   others   test   lan­
guage production, and while some consider de­
velopmental   growth,   others   consider   only   the 
start and end points of training.  Although this is 
often   justifiable   in   the   context   of   the   research 
problem, it makes it difficult to directly compare 
two models.  It would be useful to put all models 
through the same set of rigorous tests in order to 
find out how they are similar and how they differ 
from one another.  Such standardised testing will 
often reveal important differences that may have 
previously been hidden.
Practically,  however,  not  all  models   that  are 
described in the literature are made available for 
download.  As a result, researchers often have to 
spend time recreating models.   This assumes, of 
course,   that   the   model   has   been   described   in 
enough detail that it can be  faithfully  recreated. 
Much time could be saved if such models were 
available for download, from a common reposit­
ory, such as the Weka makes machine learning 
algorithms freely available  in  a software work­
bench (http://www.cs.waikato.ac.nz/~ml/).
A good language learner should not just solve 
language learning problems, but should do so in a 
similar way as is witnessed in children.  Based on 
psycho­linguistic   evidence,   several   linguistic 
timetables have been derived containing import­
ant linguistic milestones  (Brown, 1973; Ingram, 
1989; Pinker, 1994; Tomasello, 2005).  The char­
acter   of   language   development   is   a   significant 
feature in child language acquisition and model­
lers should be encouraged to model  it   to better 
understand the process.   A language learner that 
demonstrates a good use of  syntax at   the same 
time as producing its first words is not very real­
istic.  Instead, there should be a prolonged period 
in which words are learned followed by the emer­
gence of syntax.  Unfortunately, a language mod­
el   can  often  produce  behaviours  at   unexpected 
times,   signalling   a   problem   with   the   linguistic 
theory that it embodies.  A standardised approach 
to analysing the linguistic development of a lan­
guage learner would be an advantage.
3 The Language Acquisition Toolkit
3.1 Introduction
The   Language   Acquisition   Toolkit   (LAT)   is   a 
piece of software that allows researchers to de­
velop  and   test   computational   language   learners 
within a standardised environment.   The LAT's 
target users are researchers who have basic skills 
in software development and are comfortable us­
ing the programming language Java.   It assumes 
that the language learner operates under the re­
strictions   imposed   in   the   miniature   language 
paradigm (Feldman  et al., 1990).   The LAT can 
be obtained from www.langac.com and is avail­
able  under  a  GNU public   license meaning  that 
the code can be reproduced and modified without 
obtaining permission.
The LAT is an attempt to standardise the train­
ing,   testing  and  analysing  of   language   learners 
within an open an accessible environment (Figure 
1).   In training, the language learner observes a 

simulated world in which action­based events oc­
cur.  Both simulated descriptions and visual data 
are sent to the language learner for analysis.  The 
LAT then tests both the language learner's com­
prehension and production capacities.    Compre­
hension is tested by sending a description to the 
language learner and scoring the visual data that 
are produced.   Similarly, production is tested by 
sending visual data to language learner and scor­
ing   the  descriptions  produced.    The  LAT  then 
analyses the results obtained from testing and de­
velops data describing the learner's development.
Figure 1: LAT Overview.  A language learner is 
placed in the LAT's simulated world where it 
learns from simulated audio and visual data.  The 
LAT tests the learner  and the results are used to 
produce data describing its development.
3.2 Training
The LAT can be configured to train different 
language learners by generating a simulated en­
vironment   in  which   action­based   events   occur. 
The   simulated  environment  operates  within   the 
miniature   language  acquisition  paradigm  (Feld­
man  et al., 1990), a simplified simulation of the 
real­world.  A simulation is employed rather than 
grounding the model in the real­world in order to 
better control the number and type of problems 
that are being investigated in a single experiment. 
While the miniature language paradigm imposes 
a number of constraints, the proposed simulation 
contains enough complexity to justify its use.
The   learner   is   trained  by  watching  an  event 
that is simulated in the blocks world in which a 
number   of   geometric   objects   can   be   found. 
When an event occurs, a symbolic representation 
of the description and visual data are generated. 
More concretely, an event is the pairing of a sim­
ulated   description   and   a   action,   e=〈d , a〉 . 
Events are represented following evidence from 
child studies.  First, it is assumed that the learner 
can   establish   a   triadic   relationship   between   an 
object, a speaker and themselves in order to asso­
ciate a description with an action.   This kind of 
relationship is typically called joint­attention and 
does   not   appear   in   children   until   around   12 
months­old   (Tomasello,   1995).     As   such,   the 
symbolic content present in descriptions and ac­
tions are limited to those found in child literature 
during the first year of life.
An   infant's   acoustic   sensitivity   is   so  attuned 
that   from   four­days­old   she   demonstrates   the 
ability   to  differentiate between native and non­
native speech (Mehler  et  al.,  1988).    Such dis­
crimination lies in rhythmic properties that differ 
over   language   groups   (Dehaene­Lambertz   & 
Houston,  1998;  Mehler,  Dupoux,  Nazzi  & De­
haene­Lambertz,  1996)  and   is   likely  to  be  syl­
lable­based since infants detect change in syllable 
quantity,   but   not   in   phoneme   quantity   over 
samples of speech (Bijeljac­Babic, Bertoncini & 
Mehler, 1993).  Infants also detect vowel change, 
a syllable covariant, more readily than consonant 
change (Bertoncini et al., 1988), further support­
ing a syllabic base.  A description is thus repres­
ented  as  a  non­zero   length  ordered   list  of   syl­
lables in the LAT.   Word segmentations are not 
included as there is no acoustic equivalent of the 
blank space in written language.
In   terms   of   visual   sensitivity,   infants   can 
identify  objects   through   retinal   and  object   dis­
placement  during motion from four months­old 
(Kellman, Gleitman & Spelke, 1987), and make 
relative   spacial   distinctions   between   left   and 
right,   and  above   and  below,   from  three   to   ten 
months old (Quinn & Schyns, 2003).  Infants can 
also make use of shape and colour to differentiate 
between objects in the first year of life (Landau, 
Smith & Jones, 1988).   The LAT thus describes 
the physical properties of objects that inhabit the 
blocks world (e.g. shape, colour, size and posi­
tion), referred to as features.  An action is defined 
as a non­zero length ordered list of feature sets, 
where each feature set is associated with a unique 
time interval.  A set of features describes all ob­
jects that can be seen in an event.   Note that ac­
tions in this terminology do not relate to actions 
in terms of verbs in natural language, but to a list 
of   descriptions   of   scenes.     Properties   such   as 
Analysing
Training
comprehension
Testing
+
production
Language Learner
Developmental
Data

push and pull are thus not explicitly represented 
as symbolic features.
Two types of events can occur in the blocks 
world: action­based; and descriptive.  In the case 
of an action­based event, an object performs an 
action while  in  the case of  a descriptive event, 
objects do not change.   As a result, action­based 
events  contain different  feature  sets,  giving  the 
impression  of   change,  while   descriptive   events 
contain   the   same   feature   sets,   indicating   no 
change.  The description in an action­based event 
describes the action while the description in a de­
scriptive event  describes an object   in  the  static 
scene.    Objects can perform several  actions  in­
cluding moving, flashing, growing, shrinking, ap­
pearing, disappearing, destroying another object, 
hitting another object, pushing another object and 
pulling another object.
The LAT randomly generate events that can be 
used as training data.  It can create objects, make 
them perform actions, and describe the events by 
instantiating appropriate grammar fragments.  To 
encourage the use of standardised sets of training 
data,   a  number  of   sets  of  data  have  been   ran­
domly generated that each contain 10,000 events. 
These  data  have  been  generated   from different 
parameters (e.g. amount of noise, probability that 
an   object   will   perform   an   action   in   an   event, 
probabilities for each action to occur, number of 
time   intervals   for   an   event,   number   of 
colours/shapes/sizes/actions possible) with differ­
ent   language  properties   (e.g.   recursion  present/ 
not present, number of rules, language in use).
To provide concrete examples of typical LAT 
training data, one data set, called the Appearance 
data set will be presented in detail.   The appear­
ance data set is inspired from a study with real 
participants.   Participants sat in front of a com­
puter screen that initially showed a blank white 
screen.  They were asked to describe all changes 
that were made to the screen in enough detail that 
a   stranger   could   recreate   the   scene   using   only 
their descriptions.  By pressing a key on the key­
board,  a new geometric object  appeared on the 
screen and the change was described by the parti­
cipant.  While the addition of an object to a scene 
appears to be a trivial change, participants pro­
duced   complex   linguistic   descriptions   that   re­
vealed a deep knowledge of their language.   For 
example, descriptions such as “a blue circle ap­
peared to the upper right of the green square at 
the bottom” and “a red circle appeared between 
the   four   squares  making   the   shape  of   a   cross” 
(Jack, 2005).
Given   the   complexity   of   the   language   pro­
duced, a simplified version the task was construc­
ted in which only the appearance of one object 
next   to  another  object  was considered.    By re­
stricting the context,  there is less demand for a 
computational language learner to have a rich se­
mantic representation of scenes.  This served as a 
reasonable starting point from which to conduct 
the investigation.  The actions in the Appearance 
data set were constructed by randomly generating 
one object and placing it in the middle of a 3x3 
grid   scene   and   then   adding   a   second   object, 
which was also randomly generated, in a differ­
ent position.  Eight colours and shapes were used. 
Each action was also accompanied by an appro­
priate   description   that   was   generated   using   a 
grammar fragment (Figure 2).
E   NP→ 1 PAR 2
PAR1   NP→ 1 PART PAR2   REL NP→ 2
RELT   REL Det→ 2  REL   REL→ 1 | REL2
REL1   → a bove | be low | 
to the REL4
REL2   → REL3 REL4
REL3   to the low er→  | to 
the u pper
REL4   → left of | right of
NP1   Det→ 1 Nbar NP2   Det→ 2 Nbar
Nbar   SHP COL→
Det1   a→ Det2   the→
COL   black | blue | grey→  
| green | pink | black | red 
| ye low
SHP   cir cle | cross | dia→  
mond | heart | rec tang gle 
| star |square | tri ang gle
Figure 2: Miniature Language from Appearance 
Data Set.  All strings are syllable segmented rather 
than word segmented.
Events from this data set have actions that are 
described  using  a  2­frame  time  interval,  where 
the first set of features describes the state of the 
scene before the action occurs and the second set 
of features describes the scene after the action oc­
curs (Figure 3).   Note that it is assumed that the 
learner   can   identify   concepts   such   as   colour, 
shape   and  position   and   that   such   symbolic   in­
formation is associated with a particular object. 
The notion of object­hood, where the first object 
in the scene is O1 and the second object is O2, is 
carried across time intervals with O1 being recog­

nised as the same object before and after an ac­
tion occurs.
Before action (t=1) After action (t=2)
O1: square
O1: blue
O1: x2
O1: y2
O1: square
O1: blue
O1: x2
O1: y2
O2: circle
O2: yellow
O2: x3
O2: y3
a ye low cir cle to the u pper right of the blue 
square
Figure 3: Sample Event from Appearance Data 
Set.  Two time frames represented graphically and 
as feature sets.  The accompanying syllable seg­
mented description of the event is also shown.
The remaining data sets contain more complex 
events   in  which  more  actions  and   richer  mini­
ature languages are employed.   Actions are ran­
domly generated, with respect to the constraints 
imposed on the data set (e.g. number of colours, 
shapes, and actions) and appropriate descriptions 
are generated.   These descriptions are produced 
by following a heuristic that minimises the num­
ber of  syllables  that  can appear in a single de­
scription.   This reduces the production of unnat­
ural sentences.  For example, take the case where 
an object appears in a scene amongst 10 other ob­
jects.    A description could be generated  to  de­
scribe the action with respect to one other object, 
two other objects or as many as 10 other objects. 
While   such  descriptions  are  all  valid,  many of 
them would sound unnatural if  employed.   The 
algorithm selects descriptions by favouring those 
that have fewer syllables.   A parser is then em­
ployed   that   eliminates   invalid  descriptions   that 
can be misinterpreted.   By making a parsimoni­
ous  use  of   syllables,  more  natural   descriptions 
tend to be produced.  More abstract language can 
also be found such as the use of the word 'bully­
ing' to describe pushing, pulling and hitting.
3.3 Testing
The LAT monitors the linguistic development 
of a language leaner by testing its comprehension 
and production capacities.  The learner's compre­
hension and production are tested at every round 
of training.
For each set of training data, there is an associ­
ated set of testing data, ensuring a standardised 
test procedure for language learners.  Test data is 
produced using grammar rules for producing de­
scriptions   and  heuristics   for   producing   actions. 
The tests are constructed to reflect the properties 
found in  the  training data's  miniature  language. 
As such, the learner is only tested on the kind of 
descriptions and actions that it has the opportun­
ity   to   learn   through   observing   events.     Con­
cretely, a testing set is a set of events where each 
event relates one or more descriptions to one or 
more actions.   The set of testing data associated 
with the Appearance training data set can be used 
to   test   the   learner's   vocabulary,   certain   multi­
word combinations and full sentences.  Using the 
terminology   found   in   Appearance's   grammar 
fragment (Figure  2), the LAT tests for the com­
prehension of shapes (SHP), colours (COL), ob­
jects (Nbar), indefinite objects (NP1), definite ob­
jects (NP2) and events (E).
In   testing   the   learner's   comprehension,   the 
LAT sends a description as input and receives a 
set of actions as output.  The output is automatic­
ally   scored  by   comparing   it  with   the   expected 
output   that   is   associated   with   the   description. 
Actions are compared based on the feature values 
that are relevant to the given description.  Given 
the description “a  ye  low cir  cle   to  the  u pper 
right of the blue square” (Figure  3), the colours, 
shapes  and relative positions  of   the objects  are 
relevant   whereas   their   exact   positions   are   not. 
The LAT equally accepts a yellow circle that ap­
pears higher or further right than its idealised po­
sition with respect to the blue square, as long as 
the relative positions remain correct.
Borrowing from research in child language ac­
quisition   studies,   four   kinds   of   incorrect   re­
sponses are identified:  over­extended; under­ex­
tended; mismatched; or incorrect.   For example, 
the meaning of the description “square” is under­
extended if the learner only uses it to refer to red 
squares, blue squares and green squares, but not 
to squares of other colours.  Similarly, the mean­
ing of the description “red square” is over­exten­
ded if it refers to red squares, blue squares and 
red circles.   A mismatch is found if the descrip­
tion “square” is used to refer to objects other than 
squares,   for  examples  circles  and  triangles,  but 
never to squares themselves.  Results that deviate 
from these cases are simply considered incorrect. 
3
2
1
1 2 3
3
2
1
1 2 3

The   LAT   can   score   both   single   words   and 
phrases based on these categories.
In addition, the output produced by the learner 
can also be described using the standard informa­
tion retrieval  measures  of  precision,   recall,  and 
the e­measure which is a weighted combination 
of the two former values (van Rijsbergen, 1979).
The process of testing the learner's production 
is   similar   to   that   of   testing   comprehension. 
Rather than the LAT sending a description as in­
put, however, it sends an action.  The learner then 
produces a set of descriptions as output.  Results 
from production are scored using the same prin­
ciples as applied during comprehension.  That is, 
the learner's output is compared to the expected 
output and it is scored as either correct, over­ex­
tended, under­extended, mismatched or incorrect.
3.4 Analysing
Both   the  comprehension  and  production   res­
ults   that  are  produced  from testing are  used to 
evaluate the learner's linguistic stage of develop­
ment.    Several  types of  analysis  have been de­
signed to ease learner comparisons: round­based; 
trial­based; and learner­based.  Round­based ana­
lyses analyse the results produced from a single 
round   of   testing.     Trial­based   analyses   take 
round­based   statistics   and   compare   them   with 
previous   rounds   in   order   to   find   behavioural 
trends   in   the  data.    Finally,   learner­based   ana­
lyses compare trial­based data for several trials in 
order to extract general behavioural trends.   By 
performing analyses at all three levels of detail, a 
more complete account of the learner's behaviour 
is produced.
The LAT is currently able to perform a num­
ber of round­based analyses that are often found 
in the literature: summary of test results in terms 
of correct results and errors; chart the linguistic 
generativity of the learner; and present evidence 
of syntactic activity.
Round­based analyses produce results that are 
then used to determine the model's stage of lin­
guistic  development  using  data   from child   lan­
guage studies: pre­linguistic; holophrastic; early 
multi­word; late multi­word; and abstract stages.
A   number   of   trial­based   analyses   are   per­
formed using these data, in order to identify par­
ticular   linguistic behaviours:   linguistic develop­
ment;   vocabulary   acquisition;   comprehension/ 
production imbalance.  With the creation of a lin­
guistic development timetable, all  data can also 
be presented in terms of stages.  For example, the 
number of  words  that are correctly comprehen­
ded and the rate of vocabulary acquisition can be 
shown by stage.
Model­based analyses can performed when the 
results from several trials are available.  Each of 
the results, such as the rate of vocabulary acquisi­
tion during a stage, are compared across trials to 
identify general behavioural trends.
The LAT thus offers a standardised platform 
for training, testing and analysing language mod­
els.   The results from all  analyses can be auto­
matically compared to determine the differences 
between learners and which learner best fits child 
language data.
4 Discussion
The LAT is a freely available tool that offers a 
standardised  environment   from which   language 
modellers can develop their language learners.  It 
is an attempt to advance the domain by offering a 
platform where common goals can be focussed 
upon in a collaborative environment.   It aims to 
standardise the training, testing and analysing of 
language learners by understanding the needs of 
language modellers through collaboration.
By using the LAT, the language modeller ac­
cepts the need to work with standardised training 
data.  Such standardisation is widespread in com­
putational linguistics.   For example, in the field 
of automatic text classification, there are several 
databases of pre­classified documents (e.g. Reu­
ters­21578,   Reuters   Corpus   Volume   1   and   20 
Newsgroups) that researchers can use to evaluate 
different algorithms and to compare their results. 
The LAT offers different sets of training data that 
are   constrained   by   principles   of   the   miniature 
language paradigm.  In using such data, the mod­
elling task differs from the task that a child faces 
in a number of ways.   In particular, the learning 
problem is simplified in that the real­world con­
tains   many   more   objects   and   that   natural   lan­
guage   has   far   more   linguistic   structures   and 
words   than   the   language   fragments.     It   is   for 
these reasons, however, that such a paradigm is 
attractive.  Many language learning problems can 
be   effectively   investigated   by   first   simplifying 
the   problem   and   then   developing   solutions. 
When such problems in  the miniature  language 
paradigm have been adequately solved, it is en­
visaged that the LAT can be grounded in a real 

environment   where   vast   volumes   of   data   are 
available for processing.
The  results  from learning can then be  tested 
using a standardised set of tests.   The learner is 
treated   as   a   black  box,  meaning   that   the  LAT 
evaluates  its  output  alone without  entering  into 
its inner workings.  This helps to keep the LAT's 
functionality independent from the learner by fo­
cussing  on   the way  in  which   it  behaves   rather 
than how it produces particular behaviours, simil­
ar to the relationship found between the linguist 
and child in the real world.  By testing both com­
prehension and production on a large set of de­
scriptions and actions, a complete picture of the 
learner's   linguistic   state   can   be   derived.     The 
LAT   also   checks   for   language   errors   such   as 
over­extensions,   under­extensions   and   mis­
matches.  Individual results are made available to 
the   researcher   in   a   tabular   format   as   well   as 
providing overall recall, precision and e­measure 
scores.
By standardising the test results, different lan­
guage learners can be easily compared with one 
another.    The LAT can analyse these results to 
discover behavioural trends in the data with can 
be used in further comparisons.   It is also inter­
esting to note that the LAT makes an attempt to 
compare the behaviour produced by a language 
learner with that of children.   Inspired by child 
language development timetables, a set of mile­
stones has been derived that are used to charac­
terise the learner's behaviour in terms of stages. 
The  LAT attempts   to   encourage   researchers   to 
consider   the   developmental   behaviour   of   their 
language learners over time.
It is important to note that the LAT is a work 
in progress.   This disclaimer is likely to remain 
true for many years.  Developing a gold standard 
is a difficult task and one that risks to evolve over 
time.  The LAT should be regarded as a proposal 
for   standardisation.    Being  a  collaborative pro­
ject, any contributor can challenge this proposal 
by offering their own solutions.  Contributors are 
encouraged   to   create   their   own   data   and   al­
gorithms and to upload them to the LAT.  A gold 
standard can only emerge from the selections that 
are made by other modellers, who vote by using 
certain data and algorithms in their  own model­
ling tasks.   In this sense, the proposed instanti­
ation of the LAT described in this article is less 
important than the idea behind the LAT itself.
5 Future Considerations
In  designing  the  LAT,   it  quickly became clear 
that the task was not straight­forward.  Designing 
a   tool   that   can   make   useful   and   standardised 
comparisons between language learners is a com­
plex task.  A balancing act between not excluding 
certain   types   of   learners   and   creating   a   con­
strained, manageable environment is not without 
its difficulties.   As such, it is worth considering 
future developments for the LAT.  While still in a 
preliminary state of development, it is hoped that 
a collaborative approach to the task will allow it 
to be steered in the directions that are best adap­
ted to its potential users.  A number of these dir­
ections are now considered.
The   miniature   language   paradigm   is   at   the 
heart of the LAT.  This language can be extended 
to include more complex linguistic constructions 
and a  larger vocabulary.    It   is suggested that  a 
systematic   approach   is   followed   in   which   the 
learning task is made progressively complex by 
adding   linguistic   features   that   tend   to   be   wit­
nessed in children during development.  It seems 
reasonable to follow a   longitudinal approach to 
development.   Contributors are also encouraged 
to create and submit new training data sets in or­
der to explore how complex a miniature language 
can become.
The type of information that is available to the 
learner could also be changed.    At present,   the 
descriptions   lack   acoustic   information   such   as 
tone.  Such data is indispensable in investigating 
certain languages such as Mandarin and Swahili. 
Similarly, the symbolic representations of visual 
objects can be refined to better represent reality. 
Colours can be represented by RGB values rather 
than   linguistically­related   symbols,   as   it   is   un­
likely that children start with such pre­defined se­
mantic categories from the outset of learning.
It   is  also worthwhile  considering more com­
plex testing and analysis algorithms.   It is likely 
that they will be developed in step with new lin­
guistic phenomena that are investigated, building 
a useful catalogue of tools.  In addition, it may be 
useful   to   develop   learner­dependant   analysis 
tools in order to demonstrate how the inner work­
ings are related to the outward behaviour.
Finally, it is hoped that the LAT will become a 
useful   resource  not   just   for  modellers  who  are 
comfortable with coding but  also non­program­
mers.  They should be able to implement and ex­
periment with different kinds of models with the 

flexibility of  looking at different  aspects of ac­
quisition under different settings and with differ­
ent types of data.  They can then inform language 
modellers directly about how particular language 
models perform well and poorly in certain cases. 
The collaborative aspect of the LAT encourages 
not just programmers to share their code, but for 
everyone to share their ideas.
6 Conclusion
This   article   proposes   a   tool   that   facilitates   the 
consolidation of research into the computational 
modelling of child language acquisition under the 
miniature language paradigm.   The workshop is 
being used to launch a first version of the LAT, 
that   is   hoped   to   help   language   modellers   and 
child language experts to communicate and share 
their knowledge.
7 Acknowledgements
This research was supported by the Jean­Luc 
Lagardère   Foundation   (http://www.fondation­
jeanluclagardere.com).
Many thanks to the anonymous reviewers for 
their constructive comments.
References
Bertoncini, J., Bijeljac­Babic, R., Jusczyk, P., Kennedy, L. 
& Mehler, J. (1988). An investigation of Young infants' 
perceptual representations of speech sounds. Journal of  
experimental psychology, 117, pp. 21­33.
Bijeljac­Babic, R., Bertoncini, J. & Mehler, J. (1993). How 
Do 4­Day­Old Infants  Categorize Multisyllabic  Utter­
ances?. Developmental Psychology, 29, pp. 711­721.
Brown,  R.   (1973).  A First  Language:  The Early  Stages. 
Harvard University Press.
Dehaene­Lambertz, G. & Houston, D. (1998). Faster Ori­
entation  Latencies  Toward  Native  Language   in  Two­
Month­Old   Infants.  Language   and   Speech,  41,   pp. 
21­43.
Elman, J. (1993). Learning and development in neural net­
works: the importance of starting small.  Cognition,  48, 
pp. 71­99.
Feldman, J., Lakoff, G., Stolcke, A. & Weber, S. (1990,). 
Miniature   Language   Acquisition:   A   Touchstone   for  
Cognitive Science.
Ingram,  D.   (1989).  First  Language  Acquisition:  Method, 
Description   and   Explanation.   Cambridge   University 
Press.
Jack, K. (2005,).  Introducing a Scene Building Game to  
Model   Early   First   Language   Acquisition,   CLUK, 
Manchester, England.
Kaplan, F.,  Oudeyer,  P. & Bergen, B.  (2008). Computa­
tional models in the debate over language learnability. 
Infant and Child Development, 17, pp. 55­80.
Kellman, P., Gleitman, H. & Spelke, E. (1987). Object and 
observer motion in the perception of objects by infants. 
Journal of experimental psychology. Human perception 
and performance, 13, pp. 586­593.
Landau, B., Smith, L. & Jones, S. (1988). The importance 
of shape in early lexical   learning.  Cognitive Develop­
ment, 3, pp. 299­321.
Mehler, J., Dupoux, T., Nazzi, T. & Dehaene­Lambertz, G. 
(1996).  Coping  with   linguistic  diversity:   The   infant's 
viewpoint. Lawrence Erlbaum.
Mehler, J., Jusczyk, P., Lambertz, G., Halsted, N., Berton­
cini, J. & Amiel­Tison, C. (1988). A precursor of lan­
guage acquisition in young infants.  Cognition,  29,  pp. 
143­178.
Pinker,  S.   (1994).  The Language Instinct.  William Mor­
row.
Plunkett, K., Sinha, C., Moller, M. & Strandsby, O. (1992). 
Symbol   grounding   or   the   emergence   of   symbols? 
Vocabulary growth in children and a connectionist net. 
Connection Science, 4, pp. 293­312.
Quinn, P. & Schyns, P. (2003). What goes up may come 
down: perceptual process and knowledge access in the 
organization of  complex visual  patterns  by young  in­
fants. Cognitive Science, 27, pp. 923­935.
Redington, M., Chater,  N.  & Finch, S.   (1988).  Distribu­
tional  Information: A powerful  cue for acquiring syn­
tactic categories. Cognitive Science, 22, pp. 425­469.
Regier, T. (2005). The emergence of words : Attentional 
learning in form and meaning.  Cognitive Science,  29, 
pp. 819­865.
Roy,  D.   (2008).  A mechanistic  model  of   three facets  of 
meaning. In M. D. Vega, G. Glennberg & G. Graesser 
(Eds.),  Symbols   and   Embodiment.   Oxford   University 
Press.
Rumelhart,  D.  & Mcclelland,   J.   (1986).  On  learning  the 
past tenses of English verbs. In D. Rumelhart & J. Mc­
clelland (Eds.), Parallel distributed processing: explor­
ations  in   the microstructure  of  cognition.  MIT Press. 
pp. 216­271.
Suppes, P., Liang, L. & Bottner, M. (1991). Complexity Is­
sues in Robotic Machine Learning of Natural Language. 
In L. Lam & V. Naroditsky (Eds.),  Modeling Complex 
Phenomena. Springer Verlag.
Tomasello, M. (1995). Joint attention as social cognition. 
In C. Moore & P. J. Dunham (Eds.), Joint attention: Its  
origins and role in development. Erlbaum.
Tomasello, M. (2005). Constructing a Language : A Us­
age­Based   Theory   of   Language   Acquisition.   Harvard 
University Press.
van Rijsbergen, C. J. (1979). Information Retrieval.   Lon­
don, Butterworths.