Rational Communication Shapes Morphological Composition

Resumen Técnico: La Comunicación Racional Moldea la Composición Morfológica

Enunciado del Problema
Los idiomas humanos expanden sus vocabularios combinando morfemas existentes en lugar de inventar formas arbitrarias. Si bien se sabe que la eficiencia comunicativa moldea los sistemas léxicos en múltiples niveles (Gibson et al., 2019), el mecanismo específico detrás de la composición morfológica—la elección de una secuencia de morfemas sobre otras alternativas plausibles para el mismo concepto—sigue estando poco modelado. Trabajos anteriores se han centrado en la eficiencia léxica global, los patrones de formación de palabras o la supervivencia de formas introducidas en el léxico (Xu et al., 2024), pero no han modelado explícitamente la elección del hablante entre secuencias de morfemas competidoras en un momento histórico específico. La pregunta central es si un equilibrio entre la recuperabilidad del oyente (informatividad semántica) y el costo de producción del hablante puede predecir por qué un idioma se establece en una composición atestiguada específica (por ejemplo, computer) frente a alternativas disponibles contemporáneamente (por ejemplo, electric-brain o knowledge-machine).

Metodología
Los autores extienden el marco de Acto de Habla Racional (RSA) (Frank & Goodman, 2012; Goodman & Frank, 2016) a la composición morfológica, tratando la formación de palabras como un juego referencial cooperativo dentro de un léxico indexado en el tiempo ($L_t$).

• Datos: El estudio utiliza un conjunto de datos de 4.323 compuestos y derivaciones en inglés de ocurrencia natural procedentes de WordNet, que abarcan años de aparición desde 1820 hasta 2019. El léxico se construye utilizando el Corpus of Historical American English (COHA) y el Corpus of Contemporary American English (COCA) para rastrear la disponibilidad y frecuencia de los morfemas a lo largo del tiempo.
• Generación de Candidatos: Para cada concepto objetivo $c$ en el tiempo $t$, se genera un conjunto de candidatos $C(c, t)$. Este conjunto incluye secuencias de morfemas derivadas de sinsets de WordNet, vecinos relacionales y vecinos más cercanos de espacios word2vec indexados en el tiempo. Los candidatos se restringen a un máximo de tres morfemas y se filtran mediante una puerta semántica para garantizar la plausibilidad.
• Arquitectura del Modelo:
  • Oyente Literal ($L_0$): Estima la recuperabilidad del oyente calculando la compatibilidad entre una secuencia de morfemas candidata $u$ y el concepto objetivo $c$. Esto se realiza incrustando morfemas y la glosa objetivo (utilizando Qwen3-Embedding-8B) y resumiendo la distribución de similitudes coseno mediante cinco estadísticas (media, máximo, desviación estándar, entropía y similitud del candidato completo).
  • Costo de Producción: Se modela como una función aditiva de características de los morfemas (longitud, conteo de fonemas, conteo de sílabas y frecuencias históricas de tipos/tokens) extraídas del léxico indexado en el tiempo.
  • Hablante Pragmático ($S_1$): Selecciona enunciados equilibrando la recuperabilidad del oyente frente al costo de producción. Se prueban dos variantes:
    • $S_1$ Lineal: Implementa una función de utilidad RSA estándar $U = \alpha \cdot \text{Semántica} - \beta \cdot \text{Costo}$.
    • $S_1$ No lineal: Utiliza un Perceptrón de Capa Múltiple (MLP) para capturar interacciones entre las puntuaciones semánticas y de costo.
  • Líneas Base: El estudio compara los modelos $S_1$ frente a modelos de Solo Costo, Solo Semántica y un modelo Discriminativo (que concatena todas las características en un único MLP sin imponer la descomposición RSA).
• Evaluación: Los modelos se entrenan como clasificadores para colocar la secuencia de morfemas dorada (atestiguada) por encima de los candidatos negativos muestreados. El rendimiento se mide utilizando la Media de la Posición Recíproca (MRR) y la Precisión Top-k (Acc@k) en un conjunto de prueba retenido estratificado por año.

Resultados Clave

1. Superioridad de los Modelos Integrados: Los modelos que integran la informatividad semántica con el costo de producción ($S_1$) superan consistentemente a las líneas base de un solo factor. El modelo discriminativo logra el mejor rendimiento general (MRR = 0,096), lo que indica que existen interacciones de características adicionales más allá de la simple descomposición RSA de dos factores.
2. Ventaja Pragmática: Los modelos $S_1$ (MRR = 0,050–0,053) superan significativamente a las líneas base de Solo Semántica (MRR = 0,047) y Solo Costo (MRR = 0,031). Crucialmente, la ventaja del modelo $S_1$ sobre la línea base de solo semántica crece a medida que se expande el conjunto de candidatos (mayor $k$). Esto sugiere que, si bien las señales semánticas dominan cuando hay pocos candidatos, el costo de producción se convierte en el factor decisivo cuando existen muchas alternativas semánticamente plausibles.
3. Comportamiento Cualitativo:
   • Los modelos de Solo Costo favorecen fragmentos cortos y de alta frecuencia (por ejemplo, ed+ing) que son baratos pero semánticamente poco informativos.
   • Los modelos de Solo Semántica tienden a seleccionar formas redundantes o morfológicamente extrañas (por ejemplo, cynic+cynic) que maximizan la cobertura pero ignoran la economía.
   • Los modelos $S_1$ equilibran con éxito estas presiones, clasificando las secuencias doradas cerca de la parte superior al seleccionar candidatos que están alineados con el significado sin ser innecesariamente largos o implausibles.
4. Robustez Temporal: El orden relativo del rendimiento del modelo permanece estable a través de diferentes ventanas de entrenamiento histórico (1830–1910), lo que sugiere que el equilibrio comunicativo es un factor consistente en la lexicalización.

Significado y Afirmaciones
El artículo afirma proporcionar una explicación computacional de la composición morfológica como comunicación racional. Al formalizar la formación de palabras como una elección al estilo RSA, los autores demuestran que las formas morfológicas atestiguadas se clasifican sistemáticamente más alto que las alternativas no atestiguadas cuando se evalúan tanto por la recuperabilidad del oyente como por la eficiencia del hablante.

El estudio extiende el programa de comunicación racional desde la elección a nivel de enunciado hasta la estructura interna de las palabras. Argumenta que la lexicalización refleja un equilibrio comunicativo entre expresividad y eficiencia. Si bien los autores reconocen que el marco RSA captura solo una "parte sistemática" de la elección (como lo demuestra la brecha entre $S_1$ y el modelo discriminativo), los resultados confirman que el equilibrio informatividad–costo es un motor fundamental en cómo los idiomas seleccionan combinaciones específicas de morfemas a lo largo del tiempo. El trabajo ofrece una descomposición complementaria e interpretable para las elecciones a nivel de candidato que los modelos de eficiencia global o los enfoques basados en analogía no abordan explícitamente.