Rational Communication Shapes Morphological Composition

Sintesi Tecnica: La Comunicazione Razionale Modella la Composizione Morfologica

Enunciato del Problema
Le lingue umane espandono i vocabolari combinando morfemi esistenti piuttosto che inventando forme arbitrarie. Sebbene si sappia che l'efficienza comunicativa plasma i sistemi lessicali a più livelli (Gibson et al., 2019), il meccanismo specifico alla base della composizione morfologica — la scelta di una sequenza di morfemi rispetto ad altre alternative plausibili per lo stesso concetto — rimane sottomodellata. Lavori precedenti si sono concentrati sull'efficienza lessicale globale, sui pattern di formazione delle parole o sulla sopravvivenza delle forme introdotte nel lessico (Xu et al., 2024), ma non hanno modellato esplicitamente la scelta del parlante tra sequenze di morfemi concorrenti in un momento storico specifico. La domanda centrale è se un compromesso tra recuperabilità dell'ascoltatore (informatività semantica) e costo di produzione del parlante possa prevedere perché una lingua si assesta su una composizione attestata specifica (ad esempio, computer) rispetto ad alternative disponibili nello stesso periodo (ad esempio, cervello-elettrico o macchina-della-conoscenza).

Metodologia
Gli autori estendono il framework Rational Speech Act (RSA) (Frank & Goodman, 2012; Goodman & Frank, 2016) alla composizione morfologica, trattando la formazione delle parole come un gioco referenziale cooperativo all'interno di un lessico indicizzato nel tempo ($L_t$).

• Dati: Lo studio utilizza un dataset di 4.323 composti e derivazioni inglesi di origine naturale tratti da WordNet, che coprono anni di comparsa dal 1820 al 2019. Il lessico è costruito utilizzando il Corpus of Historical American English (COHA) e il Corpus of Contemporary American English (COCA) per tracciare la disponibilità e la frequenza dei morfemi nel tempo.
• Generazione dei Candidati: Per ogni concetto target $c$ al tempo $t$, viene generato un insieme di candidati $C(c, t)$. Questo insieme include sequenze di morfemi derivate da synset di WordNet, vicini relazionali e vicini più prossimi da spazi word2vec indicizzati nel tempo. I candidati sono limitati a un massimo di tre morfemi e filtrati da un cancello semantico per garantire la plausibilità.
• Architettura del Modello:
  • Ascoltatore Letterale ($L_0$): Stima la recuperabilità dell'ascoltatore calcolando la compatibilità tra una sequenza di morfemi candidata $u$ e il concetto target $c$. Ciò viene fatto incorporando i morfemi e la definizione target (utilizzando Qwen3-Embedding-8B) e riassumendo la distribuzione delle similarità coseno tramite cinque statistiche (media, massimo, deviazione standard, entropia e similarità dell'intero candidato).
  • Costo di Produzione: Modellato come una funzione additiva delle caratteristiche dei morfemi (lunghezza, numero di fonemi, numero di sillabe e frequenze storiche di token/tipo) estratte dal lessico indicizzato nel tempo.
  • Parlante Pragmatico ($S_1$): Seleziona gli enunciati bilanciando la recuperabilità dell'ascoltatore contro il costo di produzione. Vengono testate due varianti:
    • $S_1$ Lineare: Implementa una funzione di utilità RSA standard $U = \alpha \cdot \text{Semantico} - \beta \cdot \text{Costo}$.
    • $S_1$ Non Lineare: Utilizza un Perceptron a Strati Multipli (MLP) per catturare le interazioni tra punteggi semantici e di costo.
  • Baseline: Lo studio confronta i modelli $S_1$ con modelli Solo-Costo, Solo-Semantico e un modello Discriminativo (che concatena tutte le caratteristiche in un singolo MLP senza imporre la decomposizione RSA).
• Valutazione: I modelli sono addestrati come ranker per posizionare la sequenza di morfemi gold (attestata) sopra i candidati negativi campionati. Le prestazioni sono misurate utilizzando il Mean Reciprocal Rank (MRR) e l'Accuratezza Top-k (Acc@k) su un set di test tenuto da parte stratificato per anno.

Risultati Chiave

1. Superiorità dei Modelli Integrati: I modelli che integrano l'informatività semantica con il costo di produzione ($S_1$) superano costantemente le baseline a fattore singolo. Il modello Discriminativo ottiene le prestazioni complessive più elevate (MRR = 0,096), indicando che esistono interazioni di caratteristiche aggiuntive oltre alla semplice decomposizione RSA a due fattori.
2. Vantaggio Pragmatico: I modelli $S_1$ (MRR = 0,050–0,053) superano significativamente le baseline Solo-Semantico (MRR = 0,047) e Solo-Costo (MRR = 0,031). Crucialmente, il vantaggio del modello $S_1$ rispetto alla baseline solo semantica cresce man mano che l'insieme dei candidati si espande (k più alto). Ciò suggerisce che, mentre i segnali semantici dominano quando i candidati sono pochi, il costo di produzione diventa il fattore decisivo quando esistono molte alternative semanticamente plausibili.
3. Comportamento Qualitativo:
   • I modelli Solo-Costo favoriscono frammenti brevi e ad alta frequenza (ad esempio, ed+ing) che sono economici ma semanticamente poco informativi.
   • I modelli Solo-Semantico tendono a selezionare forme ridondanti o morfologicamente strane (ad esempio, cynic+cynic) che massimizzano la copertura ma ignorano l'economia.
   • I modelli $S_1$ bilanciano con successo queste pressioni, classificando le sequenze gold vicino alla cima selezionando candidati allineati al significato senza essere inutilmente lunghi o implausibili.
4. Robustezza Temporale: L'ordinamento relativo delle prestazioni del modello rimane stabile attraverso diverse finestre di addestramento storico (1830–1910), suggerendo che il compromesso comunicativo è un fattore coerente nella lessicalizzazione.

Significato e Affermazioni
Il documento afferma di fornire un conto computazionale della composizione morfologica come comunicazione razionale. Formalizzando la formazione delle parole come una scelta in stile RSA, gli autori dimostrano che le forme morfologiche attestate sono classificate sistematicamente più in alto rispetto alle alternative non attestate quando valutate sia per la recuperabilità dell'ascoltatore che per l'efficienza del parlante.

Lo studio estende il programma di comunicazione razionale dalla scelta a livello di enunciato alla struttura interna delle parole. Sostiene che la lessicalizzazione riflette un compromesso comunicativo tra espressività ed efficienza. Sebbene gli autori riconoscano che il framework RSA cattura solo una "parte sistematica" della scelta (come dimostrato dal divario tra $S_1$ e il modello Discriminativo), i risultati confermano che il compromesso informatività–costo è un driver fondamentale nel modo in cui le lingue selezionano combinazioni specifiche di morfemi nel tempo. Il lavoro offre una decomposizione complementare e interpretabile per le scelte a livello di candidato che i modelli di efficienza globale o gli approcci basati sull'analogia non affrontano esplicitamente.