Rational Communication Shapes Morphological Composition

तकनीकी सारांश: तर्कसंगत संचार रूपात्मक संरचना को आकार देता है

समस्या विवरण
मानवीय भाषाएँ मौजूदा रूपिमों (morphemes) को संयोजित करके अपनी शब्दावली का विस्तार करती हैं, न कि मनमाने रूप बनाकर। जबकि यह ज्ञात है कि संचार संबंधी दक्षता (communicative efficiency) विभिन्न स्तरों पर शाब्दिक प्रणालियों को आकार देती है (गिब्सन और अन्य, 2019), रूपात्मक संरचना (morphological composition) के पीछे का विशिष्ट तंत्र—अर्थात एक ही अवधारणा के लिए एक विशिष्ट रूपिम अनुक्रम के स्थान पर दूसरे संभावित विकल्प को चुनने की प्रक्रिया—अभी तक अपर्याप्त रूप से मॉडल किया गया है। पिछले कार्यों ने वैश्विक शाब्दिक दक्षता, शब्द निर्माण पैटर्न, या लेक्सिकन में पेश किए गए रूपों के अस्तित्व पर ध्यान केंद्रित किया है (क्सू और अन्य, 2024), लेकिन उन्होंने एक विशिष्ट ऐतिहासिक क्षण में प्रतिस्पर्धी रूपिम अनुक्रमों के बीच वक्ता के चुनाव को स्पष्ट रूप से मॉडल नहीं किया है। मुख्य प्रश्न यह है कि क्या श्रोता रिकोवरेबिलिटी (listener recoverability) (अर्थात अर्थ संबंधी सूचनात्मकता) और वक्ता उत्पादन लागत (speaker production cost) के बीच का समझौता यह भविष्यवाणी कर सकता है कि कोई भाषा एक विशिष्ट प्रमाणित संरचना (जैसे, computer) को उसके समकालीन उपलब्ध विकल्पों (जैसे, electric-brain या knowledge-machine) के ऊपर क्यों चुनती है।

कार्यप्रणाली
लेखक रूपात्मक संरचना के लिए रैशनल स्पीच एक्ट (RSA) ढांचे (फ्रैंक और गुडमैन, 2012; गुडमैन और फ्रैंक, 2016) का विस्तार करते हैं, जहाँ शब्द निर्माण को एक समय-सूचकांक वाले लेक्सिकन ($L_t$) के भीतर एक सहकारी संदर्भित खेल (cooperative referential game) के रूप में माना जाता है।

• डेटा: अध्ययन वर्डनेट (WordNet) से 4,323 स्वाभाविक रूप से उत्पन्न अंग्रेजी कंपाउंड्स और डेरिवेशंस के डेटासेट का उपयोग करता है, जो 1820 से 2019 तक के उद्भव वर्षों में फैले हुए हैं। लेक्सिकन का निर्माण COHA और COCA के माध्यम से किया गया है ताकि समय के साथ रूपिम उपलब्धता और आवृत्ति को ट्रैक किया जा सके।
• उम्मीदवार पीढ़ी (Candidate Generation): प्रत्येक लक्ष्य अवधारणा $c$ के लिए समय $t$ पर, एक उम्मीदवार सेट $C(c, t)$ तैयार किया जाता है। इस सेट में वर्डनेट सिनसेट्स (synsets), रिलेशनल नेबर्स और टाइम-इंडेक्स्ड word2vec स्पेस के निकटतम पड़ोसियों से प्राप्त रूपिम अनुक्रम शामिल हैं। उम्मीदवारों को अधिकतम तीन रूपिमों तक सीमित रखा गया है और एक 'सिमेंटिक गेट' द्वारा फ़िल्टर किया गया है ताकि उनकी सार्थकता सुनिश्चित की जा सके।
• मॉडल आर्किटेक्चर:
  • लिटरल लिसनर ($L_0$): एक उम्मीदवार रूपिम अनुक्रम $u$ और लक्ष्य अवधारणा $c$ के बीच अनुकूलता की गणना करके श्रोता रिकोवरेबिलिटी का अनुमान लगाता है। यह रूपिमों और लक्ष्य ग्लॉस (Qwen3-Embedding-8B का उपयोग करके) को एम्बेड करने और कोसाइन समानता के वितरण को पाँच सांख्यिकी (माध्य, अधिकतम, मानक विचलन, एंट्रॉपी और संपूर्ण-उम्मीदवार समानता) के माध्यम से सारांशित करके किया जाता है।
  • उत्पादन लागत (Production Cost): इसे टाइम-इंडेक्स्ड लेक्सिकन से निकाले गए रूपिम गुणों (लंबाई, फोनम संख्या, शब्दांश संख्या और ऐतिहासिक टोकन/टाइप फ्रीक्वेंसी) के एक योगात्मक फलन (additive function) के रूप में मॉडल किया गया है।
  • प्रैग्मैटिक स्पीकर ($S_1$): श्रोता रिकोवरेबिलिटी और उत्पादन लागत के बीच संतुलन बनाकर उच्चारणों का चयन करता है। दो वेरिएंट का परीक्षण किया गया है:
    • लीनियर $S_1$: एक मानक RSA उपयोगिता फलन $U = \alpha \cdot \text{Semantic} - \beta \cdot \text{Cost}$ को लागू करता है।
    • नॉन-लीनियर $S_1$: सिमेंटिक और कॉस्ट स्कोर के बीच अंतःक्रियाओं को पकड़ने के लिए एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) का उपयोग करता है।
  • बेसलाइन: अध्ययन $S_1$ मॉडलों की तुलना केवल-लागत (Cost-only), केवल-सिमेंटिक (Semantic-only), और एक डिस्क्रिमिनेटिव (Discriminative) मॉडल से करता है (जो RSA डिकंपोजिशन को लागू किए बिना सभी विशेषताओं को एक एकल MLP में जोड़ देता है)।
• मूल्यांकन: मॉडल्स को एक रेंकर के रूप में प्रशिक्षित किया गया है जो गोल्ड (प्रमाणित) रूपिम अनुक्रम को सैंपल किए गए नेगेटिव उम्मीदवारों से ऊपर रखता है। प्रदर्शन को वर्ष-स्तरीकृत होल्ड-आउट टेस्ट सेट पर मीन रेसिप्रोकल रैंक (MRR) और टॉप-k सटीकता (Acc@k) द्वारा मापा जाता है।

प्रमुख परिणाम

1. एकीकृत मॉडलों की श्रेष्ठता: सिमेंटिक सूचनात्मकता और उत्पादन लागत ($S_1$) को एकीकृत करने वाले मॉडल एकल-कारक बेसलाइन की तुलना में लगातार बेहतर प्रदर्शन करते हैं। डिस्क्रिमिनेटिव मॉडल उच्चतम समग्र प्रदर्शन (MRR = 0.096) प्राप्त करता है, जो यह दर्शाता है कि सरल दो-कारक RSA डिकंपोजिशन के परे अतिरिक्त फीचर इंटरैक्शन मौजूद हैं।
2. प्रैग्मैटिक लाभ: $S_1$ मॉडल (MRR = 0.050–0.053) केवल-सिमेंटिक (MRR = 0.047) और केवल-लागत (MRR = 0.031) बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करते हैं। महत्वपूर्ण रूप से, $S_1$ मॉडल का केवल-सिमेंटिक बेसलाइन पर लाभ उम्मीदवार सेट के विस्तार के साथ बढ़ता है (उच्च $k$ पर)। यह सुझाव देता है कि जब उम्मीदवार कम होते हैं तो सिमेंटिक संकेत हावी होते हैं, लेकिन जब कई सिमेंटिक रूप से प्रशंसनीय विकल्प मौजूद होते हैं, तो उत्पादन लागत निर्णायक कारक बन जाती है।
3. गुणात्मक व्यवहार:
   • केवल-लागत मॉडल छोटे, उच्च-आवृत्ति वाले अंशों (जैसे, ed+ing) का पक्ष लेते हैं जो सस्ते तो हैं लेकिन सिमेंटिक रूप से सूचनात्मक नहीं हैं।
   • केवल-सिमेंटिक मॉडल रेडंडेंट या रूपात्मक रूप से अजीब रूपों (जैसे, cynic+cynic) को चुनने की प्रवृत्ति रखते हैं जो कवरेज को अधिकतम करते हैं लेकिन अर्थव्यवस्था (economy) की अनदेखी करते हैं।
   • $S_1$ मॉडल इन दबावों को सफलतापूर्वक संतुलित करते हैं, ऐसे उम्मीदवारों को चुनकर जो अर्थ-अनुरूप हैं लेकिन अनावश्यक रूप से लंबे या अस्वाभाविक नहीं हैं, जिससे गोल्ड अनुक्रमों को शीर्ष पर रखा जा सके।
4. टेम्पोरल मजबूती (Temporal Robustness): मॉडल प्रदर्शन का सापेक्ष क्रम विभिन्न ऐतिहासिक प्रशिक्षण विंडो (1830–1910) में स्थिर रहता है, जो यह सुझाव देता है कि संचार संबंधी ट्रेड-ऑफ (trade-off) लेक्सिकलाइजेशन में एक सुसंगत कारक है।

महत्व और दावे
यह शोध पत्र रूपात्मक संरचना के रूप में तर्कसंगत संचार का एक कम्प्यूटेशनल विवरण प्रदान करने का दावा करता है। RSA-शैली के चुनाव के रूप में शब्द निर्माण को औपचारिक रूप देकर, लेखक यह प्रदर्शित करते हैं कि प्रमाणित रूपात्मक रूप, सूचनात्मकता और दक्षता दोनों के मूल्यांकन के लिए व्यवस्थित रूप से उच्च रैंक प्राप्त करते हैं।

यह अध्ययन तर्कसंगत संचार कार्यक्रम को वाक्य-स्तर के चुनाव से विस्तारित कर शब्दों की आंतरिक संरचना तक ले जाता है। यह तर्क देता है कि लेक्सिकलाइजेशन अभिव्यक्ति (expressiveness) और दक्षता (efficiency) के बीच एक संचार संबंधी समझौते को दर्शाता है। हालांकि लेखक स्वीकार करते हैं कि RSA ढांचा विकल्प के केवल एक "व्यवस्थित हिस्से" को पकड़ता है (जैसा कि $S_1$ और डिस्क्रिमिनेटिव मॉडल के बीच के अंतर से स्पष्ट है), परिणाम पुष्टि करते हैं कि सूचनात्मकता-लागत ट्रेड-ऑफ एक मौलिक चालक है कि कैसे भाषाएं समय के साथ विशिष्ट रूपिम संयोजनों को अन्य विकल्पों के ऊपर चुनती हैं। यह कार्य उम्मीदवार-स्तरीय चयनों के लिए एक पूरक, व्याख्या योग्य डिकंपोजिशन प्रदान करता है जिसे वैश्विक दक्षता मॉडल या एनालॉजी-आधारित दृष्टिकोण स्पष्ट रूप से संबोधित नहीं करते हैं।