Rational Communication Shapes Morphological Composition

ملخص تقني: التواصل العقلاني يشكل التركيب المورفولوجي

بيان المشكلة
توسع اللغات البشرية مفرداتها عبر دمج المورفيمات (الوحدات الصرفية) الموجودة بدلاً من ابتكار أشكال تعسفية. وبينما عُرف أن الكفاءة التواصلية تشكل الأنظمة المعجمية على مستويات متعددة (Gibson et al., 2019)، إلا أن الآلية المحددة وراء التركيب المورفولوجي —أي اختيار تسلسل مورفيمي معين من بين بدائل معقولة أخرى لنفس المفهوم— لا تزال غير مُنمذجة بشكل كافٍ. ركزت الأعمال السابقة على الكفاءة المعجمية العالمية، أو أنماط تكوين الكلمات، أو بقاء الأشكال المُدخلة في المعجم (Xu et al., 2024)، لكنها لم تضع نموذجاً صريحاً لاختيار المتحدث بين التسلسلات المورفيمية المتنافسة في لحظة تاريخية محددة. السؤال المركزي هو ما إذا كانت المقايضة بين قابلية الاسترداد من قِبل المستمع (الإخبارية الدلالية) وتكلفة الإنتاج لدى المتحدث يمكن أن تتنبأ بالسبب الذي يجعل اللغة تستقر على تركيب محدد (مثل computer) بدلاً من البدائل المتاحة في الوقت ذاته (مثل electric-brain أو knowledge-machine).

المنهجية
يوسع المؤلفون إطار فعل الكلام العقلاني (RSA) (Frank & Goodman, 2012; Goodman & Frank, 2016) ليشمل التركيب المورفولوجي، حيث يتم التعامل مع تكوين الكلمة كعملية لعبة مرجعية تعاونية ضمن معجم مرتبط زمنياً ($L_t$).

• البيانات: تستخدم الدراسة مجموعة بيانات مكونة من 4,323 كلمة مركبة واشتقاقية طبيعية في اللغة الإنجليزية من WordNet، تمتد من سنوات الظهور بين 1820 و2019. تم بناء المعجم باستخدام (Corpus of Historical American English - COHA) و(Corpus of Contemporary American English - COCA) لتتبع توافر المورفيمات وتكرارها عبر الزمن.
• توليد المرشحين: لكل مفهوم مستهدف $c$ عند الزمن $t$، يتم توليد مجموعة مرشحين $C(c, t)$. تتضمن هذه المجموعة تسلسلات مورفيمية مشتقة من مجموعات (synsets) في WordNet، والجيران العلاقاتيين، والجيران الأقرب من فضاءات word2vec المرتبطة زمنياً. تُقيد المرشحات بحد أقصى ثلاثة مورفيمات ويتم تصفيتها بواسطة بوابة دلالية لضمان المعقولية.
• بنية النموذج:
  • المستمع الحرفي ($L_0$): يقدر قابلية الاسترداد من قِبل المستمع عبر حساب التوافق بين تسلسل المورفيمات المرشح $u$ والمفهوم المستهدف $c$. يتم ذلك عبر تضمين المورفيمات وشرح المفهوم (باستخدام Qwen3-Embedding-8B) وتلخيص توزيع تشابه جيب التمام (cosine similarity) عبر خمس إحصائيات (المتوسط، الحد الأقصى، الانحراف المعياري، الإنتروبيا، وتشابه المرشح ككل).
  • تكلفة الإنتاج: تُنمذج كدالة إضافية لسمات المورفيم (الطول، عدد الفونيمات، عدد المقاطع اللفظية، والتكرارات التاريخية للكلمة والنوع) المستخرجة من المعجم المرتبط زمنياً.
  • المتحدث البراغماتي ($S_1$): يختار المنطوقات عبر الموازنة بين قابلية الاسترداد من قِبل المستمع وتكلفة الإنتاج. تم اختبار متغيرين:
    • النموذج الخطي $S_1$: ينفذ دالة منفعة RSA قياسية $U = \alpha \cdot \text{Semantic} - \beta \cdot \text{Cost}$.
    • النموذج غير الخطي $S_1$: يستخدم شبكة عصبية متعددة الطبقات (MLP) لالتقاط التفاعلات بين درجات الدلالة والتكلفة.
  • النماذج المرجعية (Baselines): تقارن الدراسة نماذج $S_1$ بنماذج التكلفة فقط، والدلالة فقط، ونموذج تمييزي (Discriminative) (يقوم بدمج جميع السمات في MLP واحد دون فرض تفكيك RSA).
• التقييم: تم تدريب النماذج كمرتبات (rankers) لوضع التسلسل المورفيمي الأصلي (gold) فوق المرشحين السلبيين المأخوذين بالعينات. يُقاس الأداء باستخدام متوسط الرتبة العكسية (MRR) ودقة أفضل $k$ (Acc@k) على مجموعة اختبار محجوزة ومصنفة زمنياً.

النتائج الرئيسية

1. تفوق النماذج المتكاملة: النماذج التي تدمج المعلوماتية الدلالية مع تكلفة الإنتاج ($S_1$) تتفوق باستمرار على النماذج المرجعية أحادية العامل. حقق النموذج التمييزي أعلى أداء إجمالي (MRR = 0.096)، مما يشير إلى وجود تفاعلات سمات إضافية تتجاوز مجرد تفكيك RSA الثنائي البسيط.
2. الميزة البراغماتية: تفوقت نماذج $S_1$ (MRR = 0.050–0.053) بشكل ملحوظ على النماذج المرجعية الدلالية فقط (MRR = 0.047) والتكلفة فقط (MRR = 0.031). ومن الأهمية بمكان أن ميزة نموذج $S_1$ على النموذج الدلالي تزداد مع توسع مجموعة المرشحين (ارتفاع $k$). وهذا يشير إلى أنه بينما تهيمن الإشارات الدلالية عندما يكون عدد المرشحين قليلاً، تصبح تكلفة الإنتاج هي العامل الحاسم عندما توجد بدائل عديدة معقولة دلالياً.
3. السلوك النوعي:
   • نماذج التكلفة فقط تفضل الأجزاء القصيرة وعالية التكرار (مثل ed+ing) التي تكون رخيصة ولكنها غير معلوماتية دلالياً.
   • نماذج الدلالة فقط تميل إلى اختيار أشكال مكررة أو غريبة مورفولوجياً (مثل cynic+cynic) التي تعظم التغطية ولكنها تتجاهل الاقتصاد في اللغة.
   • نماذج $S_1$ توازن بنجاح بين هذه الضغوط، حيث ترتب التسلسلات الأصلية بالقرب من القمة عبر اختيار مرشحين متوافقين مع المعنى دون أن يكونوا طويلين بشكل غير ضروري أو غير معقولين.
4. المتانة الزمنية: يظل الترتيب النسبي لأداء النماذج مستقراً عبر نوافذ التدريب التاريخية المختلفة (1830–1910)، مما يشير إلى أن المقايضة التواصلية هي عامل ثابت في عملية التأسيس المعجمي.

الأهمية والادعاءات
يدعي البحث تقديم تفسير حوسبي للتركيب المورفولوجي كونه تواصلاً عقلانياً. من خلال صياغة تكوين الكلمة كخيار على طراز RSA، يوضح المؤلفون أن الأشكال المورفولوجية المثبتة يتم ترتيبها بشكل منهجي أعلى من البدائل غير المثبتة عند تقييمها من حيث كل من قابلية الاسترداد من قِبل المستمع وكفاءة المتحدث.

توسع هذه الدراسة برنامج التواصل العقلاني من اختيار مستوى المنطوق إلى البنية الداخلية للكلمات. وهي تجادل بأن التأسيس المعجمي يعكس مقايضة تواصلية بين التعبيرية والكفاءة. وبينما يقر المؤلفون بأن إطار RSA يلتقط "جزءاً منهجياً" فقط من الاختيار (كما يتضح من الفجوة بين النموذج التمييزي ونموذج $S_1$)، فإن النت النتائج تؤكد أن المقايضة بين المعلوماتية والتكلفة هي محرك أساسي في كيفية اختيار اللغات لتركيبات مورفيمية معينة بمرور الوقت. يقدم هذا العمل تفكيكاً قابلاً للتفسير ومكملاً للاختيارات على مستوى المرشحين، وهو ما لا تعالجه نماذج الكفاءة العالمية أو النماذج القائمة على القياس (analogy) بشكل صريح.