Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

Sintesi Tecnica: Evidenza di Embedding Contestuali per le Distinzioni tra Verbi Principali e Verbi Leggeri in Urdu

Problema e Motivazione
La grammatica dell'urdu presenta costruzioni con verbi leggeri (LVCs) in cui un verbo lessicale (V1) si combina con un secondo verbo (V2) che contribuisce con un significato aspectuale, completivo o strutturale dell'evento, pur esibendo un contenuto lessicale ridotto. Sebbene la teoria linguistica, in particolare il lavoro di Butt (1995, 2003, 2010) e Butt e Lahiri (2013), sostenga che i verbi leggeri siano distinti dai loro corrispettivi verbi principali pur mantenendo una specifica relazione lessicale, rimane incerto se i modelli linguistici contestuali codifichino questa distinzione. Nello specifico, non è noto se la geometria rappresentazionale dei modelli basati su encoder rifletta le previsioni teoriche secondo cui: (1) gli usi principali e quelli leggeri sono sistematicamente differenziati, (2) gli usi dello stesso lemma rimangono più vicini tra loro rispetto alle coppie di lemmi disallineati, e (3) i singoli verbi leggeri mantengono profili distinguibili anziché collassare in una classe omogenea.

Metodologia
Lo studio analizza 1.126 frasi in lingua urdu naturale contenenti sette verbi leggeri canonici (āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā). Il dataset è stato costruito da un corpus in-house di 1,6 GB, con frasi estratte in cui il verbo target appariva in posizione finale della frase. L'annotazione ha seguito un rigoroso protocollo di accordo a tre vie: GPT-5.1 ha prima classificato ogni frase utilizzando prompt basati sui criteri linguistici di Butt, e successivamente due annotatori umani esperti hanno revisionato indipendentemente le etichette assegnate da GPT. Sono state trattenute solo le frasi per le quali tutte e tre le fonti (GPT-5.1, Annotatore 1 e Annotatore 2) erano in pieno accordo; qualsiasi frase con anche un singolo disaccordo è stata scartata.

Sono stati valutati tre modelli basati su encoder:

1. UrduBERT: Un modello BERT-base addestrato da zero su un corpus di urdu de-duplicato di 5,8 GB.
2. DunbaaBERT: Un modello di tipo RoBERTa addestrato su un corpus di urdu di 17 GB.
3. Multilingual BERT (mBERT): Un modello multilingue standard non ottimizzato specificamente per l'urdu.

La metodologia ha impiegato tre analisi complementari sugli embedding contestuali estratti dagli ultimi strati nascosti:

• Separazione Rappresentazionale: La distanza del coseno e i punteggi di silhouette sono stati calcolati tra i centroidi dell'uso principale e dell'uso leggero per ogni verbo e modello. La significatività statistica è stata valutata tramite test di permutazione delle etichette.
• Relazione Lessicale: La distanza tra i centroidi principale-leggero dello stesso lemma è stata confrontata con le distanze cross-lemma disallineate per testare se le coppie dello stesso lemma rimangano più vicine.
• Struttura Specifica del Verbo: È stata eseguita un'attività di classificazione a sette vie per predire l'identità del verbo leggero. Questa includeva una condizione di "target mascherato" in cui il verbo target veniva sostituito con un token di maschera, e una valutazione "preceding-form-disjoint" per testare la generalizzazione oltre le combinazioni ripetute V1–V2.

Risultati Chiave

• Differenziazione Sistematica: Tutte le 21 comparazioni verbo-modello hanno mostrato una separazione rappresentazionale significativa tra usi principali e leggeri ($p < 0,001$). UrduBERT ha dimostrato le distanze tra i centroidi più grandi (media 0,177) e i punteggi di silhouette più elevati (media 0,272), seguito da mBERT e DunbaaBERT.
• Recuperabilità Lineare e Non Supervisionata: Il probing logistico ha raggiunto un'elevata accuratezza nel distinguere l'uso principale da quello leggero in tutti i modelli (UrduBERT media F1: 0,997). Tuttavia, il clustering non supervisionato KMeans ha mostrato che, sebbene UrduBERT abbia ottenuto un indice Rand corretto (ARI) medio di 0,778, gli altri modelli hanno performato vicino al caso, indicando che un'alta separabilità lineare non garantisce la formazione di due cluster sferici dominanti.
• Relazione Lessicale: I centroidi principale-leggero dello stesso lemma sono stati costantemente più vicini rispetto alle coppie cross-lemma disalligate in tutti i modelli. L'accuratezza di matching Top-1 è stata di 1,0 per tutti i modelli, a supporto della previsione che gli usi principali e leggeri mantengano la relazione lessicale nonostante la loro differenziazione.
• Identità del Verbo Leggero: Nella condizione di target mascherato, UrduBERT ha raggiunto un'accuratezza di 0,866 e un macro-F1 di 0,852 nel predire l'identità specifica del verbo leggero, superando significativamente il caso. Nella valutazione "preceding-form-disjoint", UrduBERT ha mantenuto un'accuratezza di 0,782, suggerendo una generalizzazione oltre le immediate co-occorrenze superficiali. DunbaaBERT e mBERT hanno mostrato prestazioni inferiori ma comunque significative nelle condizioni di mascheramento.

Significatività e Rivendicazioni
Il documento fornisce evidenza computazionale coerente con l'analisi linguistica di Butt dei verbi leggeri in urdu. I risultati dimostrano che gli embedding contestuali differenziano sistematicamente gli usi principali e leggeri preservando al contempo la struttura specifica del lemma. Nello specifico, i risultati supportano la visione secondo cui i verbi leggeri non sono marcatori grammaticali semanticamente vuoti, ma mantengono contributi specifici del verbo e una relazione con i loro corrispettivi verbi principali.

Gli autori dichiarano esplicitamente che questi risultati forniscono evidenza delle conseguenze rappresentazionali dell'analisi di Butt senza stabilire direttamente una particolare struttura di voce lessicale formale o un percorso diacronico. Lo studio completa il lavoro precedente sui verbi leggeri in inglese estendendo l'indagine all'urdu e valutando specifiche previsioni riguardanti la relazione lessicale e la specificità del verbo che sono centrali nella teoria linguistica dell'urdu. I risultati suggeriscono che i modelli basati su encoder, in particolare quelli addestrati su dati monolingue in urdu, catturano la sfumata geometria rappresentazionale delle costruzioni con verbi leggeri.