Rational Communication Shapes Morphological Composition

Résumé technique : La communication rationnelle façonne la composition morphologique

Énoncé du problème
Les langues humaines étendent leurs vocabulaires en combinant des morphèmes existants plutôt qu'en inventant des formes arbitraires. Bien qu'il soit établi que l'efficacité communicative façonne les systèmes lexicaux à plusieurs niveaux (Gibson et al., 2019), le mécanisme spécifique derrière la composition morphologique — le choix d'une séquence de morphèmes plutôt que d'autres alternatives plausibles pour un même concept — reste sous-modélisé. Les travaux antérieurs se sont concentrés sur l'efficacité lexicale globale, les modèles de formation des mots ou la survie des formes introduites dans le lexique (Xu et al., 2024), mais n'ont pas explicitement modélisé le choix du locuteur parmi des séquences de morphèmes concurrentes à un moment historique précis. La question centrale est de savoir si un compromis entre la récupérabilité par l'auditeur (informativité sémantique) et le coût de production du locuteur peut prédire pourquoi une langue se fixe sur une composition attestée spécifique (par exemple, computer) plutôt que sur des alternatives disponibles à la même époque (par exemple, electric-brain ou knowledge-machine).

Méthodologie
Les auteurs étendent le cadre de l'Acte de Parole Rationnel (RSA) (Frank & Goodman, 2012 ; Goodman & Frank, 2016) à la composition morphologique, traitant la formation des mots comme un jeu de référence coopératif au sein d'un lexique indexé dans le temps ($L_t$).

• Données : L'étude utilise un ensemble de données de 4 323 composés et dérivations anglais naturellement attestés issus de WordNet, couvrant des années d'émergence de 1820 à 2019. Le lexique est construit à l'aide du Corpus of Historical American English (COHA) et du Corpus of Contemporary American English (COCA) pour suivre la disponibilité et la fréquence des morphèmes au fil du temps.
• Génération de candidats : Pour chaque concept cible $c$ à l'instant $t$, un ensemble de candidats $C(c, t)$ est généré. Cet ensemble inclut des séquences de morphèmes dérivées des synsets de WordNet, des voisins relationnels et des voisins les plus proches issus des espaces word2vec indexés dans le temps. Les candidats sont limités à un maximum de trois morphèmes et filtrés par une porte sémantique pour garantir leur plausibilité.
• Architecture du modèle :
  • Auditeur littéral ($L_0$) : Estime la récupérabilité par l'auditeur en calculant la compatibilité entre une séquence de morphèmes candidate $u$ et le concept cible $c$. Cela est réalisé en intégrant les morphèmes et le glose cible (en utilisant Qwen3-Embedding-8B) et en résumant la distribution des similarités cosinus via cinq statistiques (moyenne, maximum, écart-type, entropie et similarité globale du candidat).
  • Coût de production : Modélisé comme une fonction additive des caractéristiques des morphèmes (longueur, nombre de phonèmes, nombre de syllabes et fréquences historiques des jetons/types) extraites du lexique indexé dans le temps.
  • Locuteur pragmatique ($S_1$) : Sélectionne les énoncés en arbitrant entre la récupérabilité par l'auditeur et le coût de production. Deux variantes sont testées :
    • $S_1$ linéaire : Implémente une fonction d'utilité RSA standard $U = \alpha \cdot \text{Sémantique} - \beta \cdot \text{Coût}$.
    • $S_1$ non linéaire : Utilise un Perceptron Multicouche (MLP) pour capturer les interactions entre les scores sémantiques et de coût.
  • Lignes de base : L'étude compare les modèles $S_1$ à des modèles Coût-seulement, Sémantique-seulement et un modèle Discriminatif (qui concatène toutes les caractéristiques en un seul MLP sans imposer la décomposition RSA).
• Évaluation : Les modèles sont entraînés comme des classeurs pour placer la séquence de morphèmes dorée (attestée) au-dessus des candidats négatifs échantillonnés. La performance est mesurée à l'aide du Rang Réciproque Moyen (MRR) et de la Précision Top-k (Acc@k) sur un ensemble de test retenu stratifié par année.

Résultats clés

1. Supériorité des modèles intégrés : Les modèles intégrant l'informativité sémantique avec le coût de production ($S_1$) surpassent systématiquement les lignes de base à facteur unique. Le modèle Discriminatif atteint la meilleure performance globale (MRR = 0,096), indiquant qu'il existe des interactions de caractéristiques supplémentaires au-delà de la simple décomposition RSA à deux facteurs.
2. Avantage pragmatique : Les modèles $S_1$ (MRR = 0,050–0,053) surpassent significativement les lignes de base Sémantique-seulement (MRR = 0,047) et Coût-seulement (MRR = 0,031). Crucialement, l'avantage du modèle $S_1$ sur la ligne de base Sémantique-seulement augmente à mesure que l'ensemble de candidats s'élargit (k plus élevé). Cela suggère que, si les indices sémantiques dominent lorsque les candidats sont peu nombreux, le coût de production devient le facteur décisif lorsque de nombreuses alternatives sémantiquement plausibles existent.
3. Comportement qualitatif :
   • Les modèles Coût-seulement privilégient des fragments courts et à haute fréquence (par exemple, ed+ing) qui sont peu coûteux mais sémantiquement peu informatifs.
   • Les modèles Sémantique-seulement tendent à sélectionner des formes redondantes ou morphologiquement étranges (par exemple, cynic+cynic) qui maximisent la couverture mais ignorent l'économie.
   • Les modèles $S_1$ parviennent à équilibrer ces pressions, classant les séquences dorées près du sommet en sélectionnant des candidats alignés sur le sens sans être inutilement longs ou implausibles.
4. Robustesse temporelle : L'ordre relatif des performances des modèles reste stable à travers différentes fenêtres d'entraînement historiques (1830–1910), suggérant que le compromis communicatif est un facteur constant dans la lexicalisation.

Signification et affirmations
L'article prétend fournir un compte rendu computationnel de la composition morphologique comme communication rationnelle. En formalisant la formation des mots comme un choix de type RSA, les auteurs démontrent que les formes morphologiques attestées sont systématiquement classées plus haut que les alternatives non attestées lorsqu'elles sont évaluées à la fois pour la récupérabilité par l'auditeur et l'efficacité du locuteur.

L'étude étend le programme de communication rationnelle du choix au niveau de l'énoncé à la structure interne des mots. Elle soutient que la lexicalisation reflète un compromis communicatif entre expressivité et efficacité. Bien que les auteurs reconnaissent que le cadre RSA ne capture qu'une « partie systématique » du choix (comme en témoigne l'écart entre $S_1$ et le modèle Discriminatif), les résultats confirment que le compromis informativité–coût est un moteur fondamental de la manière dont les langues sélectionnent des combinaisons de morphèmes spécifiques au fil du temps. Ce travail offre une décomposition complémentaire et interprétable pour les choix au niveau des candidats que les modèles d'efficacité globale ou les approches basées sur l'analogie n'abordent pas explicitement.