Compositionality and the lexicon in evolutionary semantics

기술적 요약: 진화 의미론에서의 구성성과 어휘 목록

문제 제기
형식 의미론은 문장의 의미가 어휘적 의미의 재귀적 구성(recursive composition)을 통해 발생한다는 점을 확립했다. 그러나 단순성(simplicity)과 의사소통적 정확성(communicative accuracy)에 대한 압력을 통해 의미론적 보편성을 설명하고자 하는 진화 의미론 분야는, 어휘 목록을 구조화되지 않은 신호들의 집합이나 해석 가능한 어휘적 부분들이 결여된 전체론적 구성(holistic compositions)으로 모델링해 왔다. 이러한 방법론적 간극은 보편성에 대한 형식 의미론적 특성을 사용하여 진화적 설명을 생성하는 것을 어렵게 만든다.

본 논문은 가장 잘 알려진 의미론적 보편성 중 하나인 보수성(conservativity)(Barwise & Cooper, 1981; Keenan & Stasi, 1986)에 초점을 맞춘다. 보수성은 단순 한정사(determiners)가 특정 대상(일반적으로 두 번째 인자)에 대해 보수적인 양화사(quantifiers)를 표현한다는 원리이다. 기존의 진화적 설명들은 다음과 같은 몇 가지 경험적 긴장 관계를 해결하는 데 어려움을 겪고 있다:

1. 학습 가능성(Learnability): 비보수적 양화사는 영어 화자들이 습득하기 어렵지만(주장 4), 동사 영역에서의 비보수적 관계(예: "outnumber")는 학습 가능하다(주장 5).
2. 복잡성(Complexity): 일부 모델은 보수적 양화사가 개념적으로 더 단순하다고 제안하지만(주장 3), 이는 왜 이 제약이 동사가 아닌 한정사에 구체적으로 적용되는지는 설명하지 못한다.
3. 설명력(Explanation): 기존의 설명들(어휘적 제한, 인터페이스 필터링, 순서화된 술어화)은 현상을 재기술하거나, 검증되지 않은 심리언어학적 기제에 의존하거나, 왜 한정사가 제한적 양화화에 특화되어 있는지에 대한 진화적 설명을 제공하지 못한다.

방법론
저자들은 형식 의미론적 통찰을 진화 모델링에 통합하는 계산적 프레임워크를 도입한다. 핵심 혁신은 **어휘적 의미(lexical meanings)**와 **구성 함수(composition function)**가 개념적 단순성과 의사소통적 정확성이라는 압력 하에서 함께 진화하는 모델이다.

• 의사소통 모델: 프레임워크는 정수 특징을 가진 5개의 객체가 있는 맥락에서 발신자($S$)와 수신자($R$)가 참여하는 신호 게임(signaling game)을 사용한다. $S$는 공통 기반(common ground)을 제한하기 위해 신호를 구축하고, $R$은 믿음을 업데이트한다. 성공 여부는 가능한 맥락의 감소량으로 측정된다.
• 언어 구조: 언어는 어휘 목록과 해석 함수로 구성된다. 결정적으로, 이 모델은 반범주적(semi-categorematic) 분석을 허용한다. 모든 내용을 어휘 항목에 두는 전통적 범주적(categorematic) 분석이나 구성 규칙에 두는 무범주적(syncategorematic) 분석과 달리, 이 프레임워크는 의미적 내용을 이 둘 사이에 분배한다.
• 가변적 구성 요소: 연구에서는 다음을 명시하지 않는다:
  1. 세 가지 양화사($Q_1, Q_2, Q_3$)의 의미.
  2. 양화사와 그 인자들($L$과 $R$)을 결합하는 구체적인 구성 함수($C^c_Q$).
• 최적화: 시스템은 확률적 문맥 자유 문법(PCFG)을 통해 정의된 가능한 언어 공간을 탐색한다. 시스템은 다음을 균형 있게 조절하는 파레토 최적선(Pareto frontier)에서 평가된다:
  • 의사소통 정확도: 그라이스적 화용적 풍부화(implicatures)를 포함한 의사소통 게임의 기대 효용.
  • 개념적 복잡성: 글로벌 해석 함수의 기술적 복잡성. 이때 구성 함수에서의 추상화는 개별 어휘 항목의 복잡성을 줄이는 것을 허용한다.
• 처리 가정: 모델은 인자가 값이 할당됨에 따라 점진적으로 처리된다는 "점진성(gradualness)"을 가정한다. 이는 오른쪽 인자가 왼쪽 인자의 값을 사용하기 위해 왼쪽이 먼저 처리될 때까지 기다리도록 제한하지만, 이것이 본질적으로 보수성을 강제하지는 않는다.

주요 기여

1. 프레임워크 통합: 본 논문은 문법 범주 내에서의 전역적 압축(global compression)과 어휘 및 구성 의미의 공동 진화를 다루는 보편성을 연구하기 위한 템플릿을 제안한다. 이는 구조를 모델링하는 형식 의미론과 최적화를 모델링하는 진화 의미론 사이의 간극을 메운다.
2. 새로운 보수성 설명: 저자들은 보수성이 단순히 개별 양화사 의미의 특징이 아니라, 구성 함수 내의 **시스템 수준 추상화(system-level abstraction)**라고 주장한다. 예를 들어, 구성을 통해 보수성을 한 번 정의함으로써(예: 첫 번째 인자의 교집합으로 두 번째 인자를 제한), 언어는 최소한의 전역 복잡성으로 높은 의사소통 정확도를 달eric 수 있다.
3. 경험적 긴장 해소: 모델은 구성 함수가 특정 문법 범주에 대해 특정 제약을 진화할 수 있기 때문에 발생하는 통사적 구조에 대한 민감성(한정사 대 동사)을 보여준다. 이는 왜 비보수적 의미가 동사(구성 함수가 제약되지 않은 곳)에서는 학습 가능하지만, 한정사(시스템 수준의 추상화로 인해 비보수적 추가가 비용이 들거나 불가능한 곳)에서는 그렇지 않은지를 설명한다.

결과
파레토 최적선을 통해 분석된 시뮬레이션 결과는 세 가지 뚜렷한 언어 그룹을 드러낸다:

1. 단순하고 낮은 정확도의 시스템: 퇴화된 양화사와 시스템 수준의 추상화가 없는 언어들이다. 이들은 단순하지만 의사소통 측면에서 효과적이지 않다.
2. 최적의 시스템 (파레토 최적선): 복잡성과 정확도 사이의 최적의 균형을 맞추는 언어들이다. 이 시스템들은 일관되게 보수적인 구성 함수를 진화시킨다.
   • 화용적 필연성: 보수적 시스템은 행위자들이 **화용적(pragmatic)**일 때만 성공적인 전략으로 등장한다. 문자 그대로의 의미만을 따르는 행위자들은 체계적으로 보수적 시스템을 선택하지 않는다. 이 추상화는 복잡한 함의 패턴(예: "모든"은 "어떤"을 함의함)을 가능하게 하며, 화용적 행위자들은 이를 활용해 정확도를 높인다.
   • 전역 압축: 구성 함수가 제한 사항을 인코딩함으로써(예: $Q(L)(R)$이 $Q(L)(L \cap R)$이 됨), 개별 양화사는 단순하게 정의될 수 있는 동시에(예: 단지 집합 크기를 비교함) 시스템 전체는 보수성을 유지할 수 있다.
3. 수익 체감이 발생하는 복잡한 시스템: 이국적인 양화사와 높은 복잡성을 가지나 정확도 측면에서 미미한 이득만을 제공하는 언어들이다.

결과는 보수적 언어가 사전 공간에서 상대적으로 드물지만(~23%), 화용적 풍부화가 활성화될 때 고정확도-저복잡도 최적선에서 지배적임을 보여준다. 또한, 구성 함수에서 추상화를 형성할 수 있는 능력이 보수성 출현의 전제 조건이며, 이 기능이 없다면 최적선은 비보수적 시스템에 의해 점유된다.

의의 및 주장
본 논문은 형식 의미론에서 발전된 문장 의미의 모습이 진화 모델링과 생산적으로 결합될 수 있음을 주장한다. 구체적으로:

• 보편성의 재구조화: 보수성과 같은 의미론적 보편성은 어휘 항목만의 속성이 아니라, 어휘적 의미와 구성 사이의 상호작용으로 특징지어져야 한다.
• 설명력: 모델은 문법적 민감성(왜 보수성이 한정사에는 적용되나 동사에는 적용되지 않는가)과 심리언어학 실험에서 관찰되는 학습 제약을 설명함으로써 기존 모델보다 더 나은 설명을 제공한다.
• 방법론적 전환: 저자들은 진화 모델이 언어적 보편성을 정확하게 모델링하기 위해 구조화되지 않은 신호를 넘어 명시적인 구성 함수와 통사 유형을 포함해야 한다고 주장한다.
• 겸손함: 저자들은 세 개의 양화사만을 동시에 진화시키는 것의 계산적 타당성 문제와 어휘 및 개념적 원형에 대한 선택에 대한 의존성을 포함한 한계를 인정한다. 이들은 특정 결과가 이러한 선택에 달려 있을 수 있지만, 시스템 수준의 압축을 통한 보수성의 출현 설명은 견고하다고 제안한다.

결론적으로, 본 논문은 보수성이 화용적 환경에서 전역적 복잡성을 최소화하면서 의사소통 정확도를 극대화하는 효율적인 시스템 전체의 추상화로서 출현함을 보여줌으로써, 기초적인 의미론적 보편성에 대한 새로운 진화적 설명을 제시한다.