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

技術要約：ウルドゥー語における主動詞と軽動詞の区別に関する文脈的埋め込みのエビデンス

問題と動機
ウルドゥー語の文法には、語彙的な動詞（V1）が、アスペクト、完了、またはイベント構造上の意味を担いつつも語彙的内容が減少した第2の動詞（V2）と結合する「軽動詞構文（LVC）」が存在する。Butt (1995, 2003, 2010) や Butt and Lahiri (2013) の研究を中心とする言語理論は、軽動詞がその主動詞としての用法とは区別される一方で、特定の語彙的関係を保持していると仮定しているが、文脈化言語モデルがこの区別をエンコードしているかどうかは不明である。具体的には、エンコーダーベースのモデルの表現幾何学が、以下の理論的予測を反映しているかどうかが未知である：(1) 主動詞用法と軽動詞用法は体系的に分化していること、(2) 同一レマの用法は、異なるレマのペアよりも互いに近い位置にあること、(3) 個々の軽動詞は、均質なクラスへと崩壊することなく、識別可能なプロファイルを保持していること。

手法
本研究では、7つの典型的な軽動詞（āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā）を含む、自然に発生した1,126のウルドゥー語の文章を分析する。データセットは、5.8 GBの重複除去済みウルドゥー語コーパスから抽出されたインハウス・コーパスから構築され、対象となる動詞が文末に位置する場合の文章を抽出した。アノテーションは、厳格な3者一致プロトコルに従った。まず、Buttの言語学的基準に基づいたプロンプトを用いてGPT-5.1が各文章を分類し、次に2人の専門家による人間のアノテーターが、GPTによるラベルを独立してレビューした。GPT-5.1、アノテーター1、アノテーター2の3つのソースすべてが完全に一致した場合の文章のみを保持し、一つでも不一致があった文章は破棄した。

以下の3つのエンコーダーベースのモデルを評価した：

1. UrduBERT: 5.8 GBの重複除去済みウルドゥー語コーパスを用いてスクラッチから学習されたBERT-baseモデル。
2. DunbaaBERT: 17 GBのウルドゥー語コーパスで学習されたRoBERTaスタイルのモデル。
3. Multilingual BERT (mBERT): ウルドゥー語に特化して最適化されていない標準的な多言語モデル。

最終層の隠れ層から抽出された文脈的埋め込みに対し、3つの補完的な分析を用いた：

• 表現の分離（Representational Separation）: 各動詞および各モデルについて、主動詞用法と軽動詞用法のセントロイド間のコサイン距離とシルエットスコアを算出した。統計的有意性は、ラベル置換テストによって評価した。
• 語彙的関連性（Lexical Relatedness）: 同一レマの主動詞と軽動詞のセントロイド間の距離を、異なるレマの組み合わせの距離と比較し、同一レマのペアがより近い位置に留まっているかを検証した。
• 動詞固有の構造（Verb-Specific Structure）: 軽動詞の特定を行うための7クラス分類タスクを実施した。これには、対象の動詞をマスク・トークンで置き換えた「マスク対象（masked-target）」条件と、V1–V2の繰り返される表面的な共起を超えた汎化をテストするための「先行形態非一致（preceding-form-disjoint）」評価が含まれる。

主な結果

• 体系的な分化: 全21の動詞・モデル比較において、主動詞用法と軽動詞用法の間の有意な表現的分離が示された（$p < 0.001$）。UrduBERTは最大のセントロイド距離（平均0.177）と最高のシルエットスコア（平均0.272）を示し、次いでmBERT、DunbaaBERTの順となった。
• 線形的および教師なしによる回収可能性: ロジスティック・プロービングにより、すべてのモデルにおいて主動詞と軽動詞の判別において高い精度が得られた（UrduBERTの平均F1: 0.997）。しかし、教師なしK-Meansクラスタリングでは、UrduBERTが平均調整ランド指数（ARI）0.778を達成した一方で、他のモデルは偶然レベルに近い性能であった。これは、高い線形分離性が、必ずしも2つの支配的な球状クラスターの形成を保証しないことを示している。
• 語彙的関連性: すべてのモデルにおいて、同一レマの主動詞と軽動詞のセントロイドは、異なるレマの組み合わせよりも一貫して近かった。Top-1マッチング精度はすべてのモデルで1.0であり、主動詞と軽動詞の用法が、分化しつつも語彙的関連性を保持しているという予測を支持している。
• 軽動詞の特定: マスク対象条件において、UrduBERTは特定の軽動詞の特定において0.866の精度と0.852のマクロF1を達成し、偶然レベルを大幅に上回った。先行形態非一致の評価においても、UrduBERTは0.782の精度を維持しており、直近の表面的な共起を超えた汎化を示唆している。DunbaaBERTとmBERTは、より低いものの、依然として有意な性能を示した。

意義と主張
本論文は、ウルドゥー語の軽動詞に関するButtの言語学的説明と一致する計算論的なエビデンスを提供している。結果は、文脈的埋め込みが、レマ固有の構造を保持しながら、主動詞用法と軽動詞用法を体系的に分化させていることを示している。具体的には、これらの結果は、軽動詞が意味的に空虚な文法マーカーではなく、動詞固有の寄与と、その主動詞のカウンターパートとの関係を保持しているという見解を支持している。

著者らは、これらの知見が、特定の形式的な語彙エントリー構造や通時的な経路を直接確立するものではないものの、Buttの分析の表現論的な帰結を示すものであると明言している。本研究は、英語の軽動詞に関する先行研究をウルドゥー語へと拡張し、ウルドゥー語の言語理論において中心的な役割を果たす語彙的関連性と動詞固有性の具体的な予測を評価することで、それを補完するものである。結果は、エンコーダーベースのモデル、特に単一言語のウルドゥー語データで学習されたモデルが、軽動詞構文の微細な表現幾何学を捉えていることを示唆している。