大きな問い：慣用句はレゴのようなものか、それとも魔法の呪文のようなものか？

レゴブロックの箱を想像してみてください。お城を作ったとき、タワーを取り外したり、赤いブロックを青いものに替えたりしても、それは依然として明確にお城です。これが**分解可能（decomposable）**な慣用句の仕組みです。例えば、「spill the beans（秘密を漏らす）」という表現。あなたは「豆（beans）」を秘密として、「こぼす（spilling）」を明らかにすることとして想像できます。パーツが意味を成しているため、この論文は、文章の構造を変えても（例：「The beans were spilled（豆がこぼされた）」という受動態にしても）意味が失われないはずだと示唆しています。

次に、魔法の呪文を想像してください。「Kick the bucket（死ぬ）」は死を意味します。もしこれを「The bucket was kicked（バケツが蹴られた）」に変えようとすると、響きがおかしくなり、「死ぬ」という意味が失われてしまいます。これが**非分解的（non-decomposable）**な慣用句です。パーツ（「kick」と「bucket」）は、実際の意味を説明していません。それらは単一の、変えられないユニットとして機能しているのです。

数十年にわたり、言語学者は**慣用句分解仮説（Idiom Decomposability Hypothesis: IDH）**を信じてきました。彼らの理論はシンプルでした。

• ルール： もし慣用句のパーツが意味を成す（分解可能である）なら、それは多くの方法で形を変えることができる（構文の柔軟性）。
• ルール： もしパーツが意味を成さない（非分解的である）なら、それは硬直した固定されたものでなければならない。

新しいアプローチ：ロボットに読書を教える

この論文の著者たちは、このルールをテストしたいと考えました。しかし、彼らは人間がどう考えているかを尋ねるのではなく（人間は一貫性に欠けることがあるため）、AIの背後にあるチャットボットのような**大規模言語モデル（LLM）**を「制御された学習者」として使用しました。

これらのAIモデルを、インターネット上のすべてを読み込んではいるものの、文法のルールを教わったり、「なぜ何かが意味を成すのか」を説明するように求められたことは一度もない学生だと考えてください。彼らは、単に言葉がどのように隣り合って現れるかというパターンを見ることで学習します。

研究者たちはこう問いかけました。「もしAIに、例を見せること（分布学習）だけで教えた場合、AIは自然に『分解可能な慣用句は柔軟であり、非分解的な慣用句は硬直している』ということを理解するのだろうか？ それとも、全く別の何かを学習するのだろうか？」

実験：慣用句を壊してみる

これをテストするために、研究者たちはAIのための特別なテストを作成しました。

1. 「意味の一致（Meaning Match）」： AIに慣用句（例：「spill the beans」）とその平易な英語の意味（「reveal the secret」）を示しました。そして、AIによる両者の理解がどれほど似ているかを測定しました。
2. 「モルテスト（Mole Test）」： AIが持つ慣用句の理解から、密かに一つの単語（例：「beans」）を取り除きました。もしAIのフレーズ全体の理解が劇的に変わったなら、その単語は重要であった（分解可能であった）ということです。もし理解が変わらなかったなら、その単語はあまり重要ではなかった（非分解的であった）ということです。
3. 「柔軟性のチェック（Flexibility Check）」： 実世界のデータを見て、人々が実際にこれらの慣用句の構造をどの程度変えていたかを確認しました（例：誰も「The beans were spilled」と言ったりしないのか？）。

驚くべき結果

論文の結果は、AIの視点で見ると、従来の「レゴ対魔法の呪文」の理論が成り立たないことを示しました。

1. 人間とロボットの乖離
研究者がAIの「分解可能性スコア」と人間の評価を比較したところ、わずかな関連性しか見られませんでした。

• 比喩： 二人の人が一枚の絵を見ている場面を想像してください。一人は風景画を見ており、もう一人は顔を見ています。彼らはいくつかの点で一致しますが、基本的には異なるものを見ています。AIと人間は、慣用句を判断するために異なる「メガネ」を使用しているのです。

2. 柔軟性の神話
最大の衝撃は、AIの分解可能性の指標が、慣用句がどれほど柔軟であるかを予測できなかったことです。

• 発見： 論文では、ごくわずかで一貫した「負の関係」が見つかりました。あるケースでは、AIが慣用句をより「分解可能」だと考えれば考えるほど、実際にはその慣用句の柔軟性が低くなるという現象が起きていました。
• 比喩： 旧理論は、「もしブロックが緩ければ、何でも作れる」と言っていました。しかしデータは、「実際には、ブロックが緩やかに見えるほど、人々はそれらを接着して動かそうとしない」ということを示しています。

3. 真の要因：頻度と驚き
もし分解可能性が、慣用句の振る舞いを決める主な理由ではないとするなら、何が原因なのでしょうか？

• 頻度（どれくらいよく聞くか）： 慣用句が頻繁に現れるほど、AIはそれを単一の、変えられないブロックとして扱います。高頻度の慣用句は「全体論的（holistic）」になります（固まってしまいます）。
• 驚き（Surprisal）（どれだけ予想外か）： AIは、もしフレーズが驚くべきものや予測困難なものである場合、特定の単語に注意を払う必要があることを学びます。
• 比喩： 曲を想像してください。キャッチーなサビを100万回聴けば、毎回まったく同じように歌います（それは固定されたユニットになります）。もし複雑で珍しいジャズの即興演奏を聴いたら、個々の音に注意を払うために、音を変えようとするかもしれません。AIは慣用句をキャッチーなサビのように学習します。反復は、内部的な意味ではなく、慣用的な固定を生むのです。

「学習曲線」の発見

研究者たちは、AIが学習していく過程（トレーニングフェーズ）も観察しました。

• 初期学習： 学習の開始段階では、AIは単語がどのように組み合わさっているか（分解可能性）と、そのフレーズがいかに驚きに満ちているかに対して非常に敏感です。
• 後期学習： より多くのデータを見るにつれて、AIにおける「分解可能性」の影響は衰えていきます。AIは、パーツが意味を成すかどうかには関心を持たなくなり、主にそのフレーズを以前にどれくらい見たことがあるかに関心を持つようになります。
• 結論： AIは慣用句を、その「内部論理」を理解することによって学ぶのではありません。慣用句を、その「習慣的な使用法」を暗記することによって学ぶのです。

結論

本論文は、慣用句分解仮説（意味の構造が文法の柔軟性を決定するという考え）は、おそらく間違っているか、少なくとも主要な要因ではないと結論づけています。

代わりに、使用ベースの要因こそが真の支配者です。

• 旧来の視点： 「言葉が意味を成しているから、この文章は変えられるのだ。」
• 新しい視点（本論文による）： 「この文章を変えないのは、これを100万回も聞いてきたからであり、記憶の中で一つの強固な物体として感じられるからだ。」

この研究は、慣用句が特別なのは隠された意味があるからではなく、それがどれほど頻繁に使われるかによって決まることを示唆しています。露出によって訓練されたAIは、**「親しみやすさは柔軟性ではなく、硬直をもたらす」**ということを証明したのです。