Rational Communication Shapes Morphological Composition

技術的概要：合理的なコミュニケーションが形態的構成を形成する

問題定義
人間の言語は、任意の形式を創造するのではなく、既存の形態素を組み合わせることで語彙を拡張する。伝達効率性が複数のレベルで語彙体系を形成することは知られている（Gibson et al., 2019）が、同一の概念に対する複数の妥当な代替案の中から特定の形態素系列を選択する形態的構成の背後にある具体的なメカニズムは、未だ十分にモデル化されていない。先行研究は、大域的な語彙効率、語形成パターン、または語彙への導入形式の存続に焦点を当ててきた（Xu et al., 2024）が、特定の歴史的瞬間における話者が競合する形態素系列の中から行う選択を明示的にモデル化したわけではない。核心的な問いは、聞き手の復元可能性（意味的な情報量）と話者の生成コストの間のトレードオフが、なぜある言語が同時期に利用可能な代替案（例：electric-brain や knowledge-machine）ではなく、特定の実証された構成（例：computer）に落ち着くのかを予測できるかどうかである。

手法
著者らは、合理的発話行為（RSA）（Frank & Goodman, 2012; Goodman & Frank, 2016）を形態的構成に拡張し、時間インデックス付き語彙（$L_t$）内での協力的な指示ゲームとして語形成を扱う。

• データ: 本研究は、WordNet から得られた 1820 年から 2019 年までの出現年を跨ぐ4,323 の自然発生の英語複合語と派生語のデータセットを利用する。語彙は、形態素の可用性と頻度を時間経過とともに追跡するために、Corpus of Historical American English (COHA) と Corpus of Contemporary American English (COCA) を用いて構築された。
• 候補生成: 時刻 $t$ における各目標概念 $c$ に対して、候補集合 $C(c, t)$ が生成される。この集合には、WordNet のシノセット、関係的隣接語、および時間インデックス付き word2vec 空間からの最隣接語に由来する形態素系列が含まれる。候補は最大 3 つの形態素に制限され、妥当性を確保するために意味的ゲートでフィルタリングされる。
• モデルアーキテクチャ:
  • リテラルリスナー（$L_0$）: 候補形態素系列 $u$ と目標概念 $c$ の間の適合性を計算することで、聞き手の復元可能性を推定する。これは、形態素と目標の定義（Qwen3-Embedding-8B を使用）を埋め込み、コサイン類似度の分布を 5 つの統計量（平均、最大値、標準偏差、エントロピー、および全候補類似度）で要約することによって行われる。
  • 生成コスト: 時間インデックス付き語彙から抽出された形態素の特徴（長さ、音素数、音節数、歴史的トークン/タイプ頻度）の加算関数としてモデル化される。
  • 発話的発話者（$S_1$）: 聞き手の復元可能性と生成コストのトレードオフを行って発話を選択する。2 つの変種がテストされる。
    • 線形 $S_1$: 標準的な RSA 効用関数 $U = \alpha \cdot \text{Semantic} - \beta \cdot \text{Cost}$ を実装する。
    • 非線形 $S_1$: 意味スコアとコストスコア間の相互作用を捉えるために多層パーセプトロン（MLP）を使用する。
  • ベースライン: 本研究では、$S_1$ モデルをコストのみ、意味のみ、および識別モデル（RSA 分解を強制せずにすべての特徴を単一の MLP に連結するもの）と比較する。
• 評価: モデルは、ゴールド（実証された）形態素系列をサンプリングされたネガティブ候補よりも上位にランク付けするランカーとして訓練される。性能は、年次層別化されたホールドアウトテストセットにおける平均逆ランク（MRR）およびTop-k 精度（Acc@k）で測定される。

主要な結果

1. 統合モデルの優位性: 意味的情報量と生成コストを統合したモデル（$S_1$）は、単一因子のベースラインを一貫して上回る。識別モデルが最も高い全体的な性能（MRR = 0.096）を達成し、単純な 2 因子 RSA 分解を超えた追加の特徴間相互作用が存在することを示している。
2. 発話的優位性: $S_1$ モデル（MRR = 0.050–0.053）は、意味のみ（MRR = 0.047）およびコストのみ（MRR = 0.031）のベースラインを有意に上回る。重要なのは、$S_1$ モデルが意味のみのベースラインに対して示す優位性が候補集合が拡大するにつれて（高い $k$）である。これは、候補が少ない場合は意味の手がかりが支配的である一方、多くの意味的に妥当な代替案が存在する場合には、生成コストが決定的な要因となることを示唆している。
3. 定性的な挙動:
   • コストのみのモデルは、安価だが意味的に情報量の少ない短い高頻度フラグメント（例：ed+ing）を好む。
   • 意味のみのモデルは、網羅性を最大化するが経済性を無視する、冗長または形態的に奇妙な形式（例：cynic+cynic）を選択する傾向がある。
   • $S_1$ モデルはこれらの圧力を効果的にバランスさせ、不必要に長かったり非現実的だったりしない意味整合性の高い候補を選択することで、ゴールド系列を上位にランク付けする。
4. 時間的頑健性: モデル性能の相対的な順序は、異なる歴史的訓練ウィンドウ（1830–1910）全体で安定しており、伝達上のトレードオフが語彙化における一貫した要因であることを示唆している。

意義と主張
本論文は、形態的構成を合理的なコミュニケーションとして計算的に説明することを主張する。語形成を RSA 様式の選択として形式化することで、著者らは、聞き手の復元可能性と話者の効率性の両面で評価された場合、実証された形態的形式が実証されていない代替案よりも体系的に上位にランク付けされることを実証している。

本研究は、合理的コミュニケーションのプログラムを発話レベルの選択から語の内部構造へと拡張する。それは、語彙化が表現力と効率性の間の伝達上のトレードオフを反映していると論じる。著者らは、RSA フレームワークが（$S_1$ と識別モデルの間のギャップが示すように）選択の「体系的な部分」のみを捉えていることを認めているが、その結果は、情報量とコストのトレードオフが、時間経過とともに言語が特定の形態素の組み合わせを選択する際の根本的な駆動力であることを確認している。この研究は、大域的効率モデルや類推ベースのアプローチが明示的に扱わない候補レベルの選択に対する補完的かつ解釈可能な分解を提供する。