Is Child-Directed Language Optimized for Word Learning? A Computational Study of Verb Meaning Acquisition

Résumé technique : Le langage adressé aux enfants est-il optimisé pour l'apprentissage des mots ? Une étude computationnelle de l'acquisition du sens des verbes

Énoncé du problème
L'étude examine si le langage adressé aux enfants (CDL) est structurellement optimisé pour faciliter l'apprentissage du langage, en particulier l'acquisition du sens des verbes. Bien que le CDL soit traditionnellement considéré comme particulièrement propice à l'apprentissage, des critiques récentes suggèrent que ses avantages pourraient être limités à des caractéristiques spécifiques (par exemple, la prosodie) et ne pas se généraliser à la morphosyntaxe ou à la sémantique. De plus, les études computationnelles existantes ont produit des résultats contradictoires : certaines suggèrent que le CDL soutient une inférence sémantique indépendante de la syntaxe (You et al., 2021), tandis que d'autres indiquent que l'étayage syntaxique reste crucial même dans le CDL (Zhu et al., 2025). Un écart majeur subsiste dans la compréhension de savoir si la robustesse de l'apprentissage des verbes face à la dégradation syntaxique est une propriété unique du CDL ou une caractéristique plus large du registre parlé par rapport au langage écrit.

Méthodologie
Les auteurs emploient une approche computationnelle contrôlée utilisant des modèles de langage Transformer autorégressifs (architecture GPT-2 : 12 couches, 12 têtes, 768 unités cachées) entraînés sur quatre corpus distincts :

1. CDL : Transcriptions CHILDES (sous-ensemble du défi BabyLM).
2. ADL parlé : Une composite de CANDOR, Switchboard et du BNC parlé.
3. ADL écrit (BNC) : La partie écrite du British National Corpus.
4. ADL écrit (Wikipedia) : Prose encyclopédique.

Pour isoler les contributions de la syntaxe et de la co-occurrence lexicale, les auteurs appliquent deux perturbations ciblées aux données d'entraînement, suivant le cadre de Zhu et al. (2025) :

• REPLACE.WORD (Perturbation lexicale) : Les noms, adjectifs et adverbes co-occurrents avec les verbes sont remplacés par des mots de la même catégorie grammaticale et d'un tag morphologique fin, préservant l'ordre des mots mais perturbant les indices distributionnels spécifiques aux verbes.
• SHUFFLE.ORDER (Perturbation syntaxique) : L'ordre des mots au sein des phrases est randomisé, détruisant la structure syntaxique tout en conservant les statistiques de co-occurrence au niveau de la phrase.

Métriques d'évaluation
L'acquisition du sens des verbes et la compétence syntaxique sont évaluées à l'aide de paradigmes de paires minimales :

• Paires minimales sémantiques : Paires intra-domaine où le verbe cible est substitué par une alternative sémantiquement inadaptée provenant du même intervalle de fréquence. La précision est mesurée par la capacité du modèle à attribuer une probabilité plus élevée au verbe correct.
• Paires minimales syntaxiques : Le benchmark FIT-CLAMS (adapté pour les quatre corpus) teste l'accord sujet-verbe en nombre.

L'étude aborde trois questions de recherche (QR) concernant l'impact différentiel de ces perturbations et les trajectoires développementales de l'apprentissage sémantique par rapport à l'apprentissage syntaxique.

Résultats clés

• QR1 (Impact relatif des perturbations) : Dans les quatre domaines (CDL, ADL parlé et ADL écrit), la perturbation de la structure syntaxique (SHUFFLE.ORDER) entraîne une baisse significativement plus importante de la précision de l'apprentissage des verbes que la perturbation des co-occurrences lexicales (REPLACE.WORD). Cela confirme que les indices syntaxiques servent d'échafaudage universel pour l'apprentissage des verbes, indépendamment du domaine d'entrée.
• QR2 (Robustesse à l'ablation syntaxique) : Bien que les modèles CDL montrent une grande résilience face à la perturbation syntaxique, cette résilience n'est pas unique au CDL. Les modèles entraînés sur ADL parlé (CANDOR) présentent une robustesse comparable à celle du CDL. En revanche, les modèles entraînés sur ADL écrit (BNC et Wikipedia) montrent une baisse de performance significativement plus importante lorsque la syntaxe est ablatée. Cela suggère que l'avantage réside dans la distinction registre parlé vs écrit plutôt que dans une optimisation spécifique CDL vs ADL.
• QR3 (Trajectoires développementales) : Le suivi des performances sur 20 époques d'entraînement révèle une trajectoire « sémantique d'abord » dans tous les domaines, où la précision sémantique augmente avant la compétence syntaxique. Cependant, le degré d'asynchronie varie :
  • CDL maintient le ratio le plus élevé et le plus persistant de connaissances sémantiques par rapport aux connaissances syntaxiques tout au long de l'entraînement.
  • ADL écrit montre une « rattrapage » rapide des compétences syntaxiques, conduisant à un développement étroitement couplé de la sémantique et de la syntaxe.
  • ADL parlé occupe une position intermédiaire, ressemblant initialement au CDL mais convergeant éventuellement plus près des modèles écrits, tout en conservant un profil distinct du domaine parlé.

Signification et affirmations
L'article soutient que l'avantage précédemment attribué au CDL pour l'apprentissage des verbes pourrait ne pas découler d'une optimisation unique de la parole adressée aux enfants, mais refléter plutôt des propriétés plus larges du registre parlé. Les résultats remettent en cause l'idée que le CDL permet une inférence sémantique indépendante de la syntaxe d'une manière que l'ADL ne permet pas ; au contraire, tant le CDL parlé que l'ADL parlé soutiennent des représentations sémantiques plus robustes face à la dégradation syntaxique par rapport à l'entrée écrite.

L'étude conclut que, bien que la syntaxe soit un échafaudage universel pour l'apprentissage des verbes, l'entrée conversationnelle (qu'elle soit adressée aux enfants ou aux adultes) permet une acquisition sémantique plus robuste même lorsque les connaissances syntaxiques sont limitées. Les auteurs mettent en garde que ces conclusions sont spécifiques à l'anglais et reposent sur une opérationnalisation grossière de la syntaxe (ordre des mots), suggérant que les travaux futurs devraient examiner des cadres syntaxiques plus fins et des langues typologiquement diverses.