Technische Samenvatting: Regulariteit en Verwerkingscomplexiteit in Recursieve Numerale Systemen

Probleemstelling

Recent onderzoek in de taalkunde heeft uitgebreid aangetoond dat cross-linguïstische variatie wordt beperkt door druk voor efficiënte communicatie, vaak geframed als een afweging tussen eenvoud (bijv. lexiconomvang) en informatieve waarde. Echter, bestaande analyses van efficiëntie negeren grotendeendeels de systematiciteit (regulariteit) van vormen, een kenmerkend aspect van natuurlijke talen waarbij vorm-betekenisrelaties voldoen aan regelmatige patronen.

Deze lacune is bijzonder zichtbaar in de studie van recursieve numerale systemen (telstelsels). Vorig werk door Denić en Szymanik (2024, D&S) stelde dat natuurlijke systemen de afweging tussen lexiconomvang en gemiddelde morfosyntactische complexiteit optimaliseren. Hoewel hun model aantoonde dat natuurlijke systemen nabij de theoretische Pareto-front liggen, bevatten de "optimale" systemen die door hun model werden gegenereerd hoogst onregelmatige, onnatuurlijke systemen (bijv. systemen met alternerende bases). Om dit op te lossen, introduceerden Yang en Regier (2025, Y&R) ad-hoc beperkingen om de zoekruimte kunstmatig te beperken tot menselijke systemen. De auteurs stellen dat deze beperkingen onbevredigend zijn omdat ze geen theoretische verklaring missen; idealiter zouden menselijke eigenschappen een bijproduct moeten zijn van meer fundamentele drukfactoren. Het kernprobleem is dat huidige metrieken er niet in slagen regulariteit en verwerkingscomplexiteit te vatten, wat de vermoedelijke onderscheidende factoren zijn tussen natuurlijke en theoretisch mogere numerale systemen.

Methodologie

De auteurs stellen een raamwerk voor gebaseerd op het principe van de Minimum Description Length (MDL) om twee sleutelkenmerken van recursieve numerale systemen te kwantificeren: onregelmatigheid en verwerkingscomplexiteit.

1. Formalisering van Onregelmatigheid

Regulariteit wordt gemeten via compressibiliteit. De auteurs modelleren een numeraal systeem als een partieel deterministisch eindige automaat (DFA) die alle geldige numeralen voor een gegeven bereik (1–99) genereert.

• Metriek: Onregelmatigheid $L(G)$ wordt gedefend als het aantal bits dat nodig is om de DFA te coderen.
• Berekening: De omvang van de DFA wordt bepaald door het aantal toestanden ($|S|$), transities ($|Z|$) en symbolen ($|\Sigma|$). Een zeer regelmatig systeem (zoals Karo Batak) heeft een kleine DFA met weinig toestanden en transities, wat resulteert in een lagere beschrijvingslengte.
• Algoritme: Ze gebruiken het algoritme van Mihov en Schulz (2019) om de minimale partiële DFA voor een gegeven set numeralen af te leiden.

2. Formalisering van Verwerkingscomplexiteit

Verwerkingscomplexiteit meet de inspanning die nodig is om een numeraal te parsen of te genereren gegeven de DFA.

• Metriek: $L(N|G)$ is de gemiddelde informatie (in bits) die nodig is om het unieke parsingpad voor een set getallen $N$ door de grammatica $G$ te bepalen.
• Berekening: Dit sommeert de log-waarschijnlijkheden van de genomen transities bij elke toestand, plus een extra bit voor elke geëcounterde accepterende toestand.
• Priors: De auteurs testen hun metrieken aanvankelijk met een power-law prior ($P(n) \propto n^{-2}$), wat de communicatieve behoefte aan kleine getallen reflecteert. Later testen ze een uniforme prior om de aanname uit te dagen dat kleine getallen de efficiëntieberekeningen domineren.

3. Experimenteel Ontwerp

De studie vergelijkt drie categorieën systemen:

1. Natuurlijke Systemen: 128 recursieve numerale systemen uit natuurlijke talen (geannoteerd op morfemeniveau).
2. Baseline Artificiële Systemen: 10.000 willekeurig gegenereerde systemen met behulp van de grammatica van Hurford.
3. "Optimale" Artificiële Systemen:
   • Systemen van D&S (geoptimaliseerd voor lexiconomvang versus morfosyntactische complexiteit).
   • Systemen van Y&R (D&S-systemen beperkt door ad-hoc regels).

De auteurs voeren ook een lokale buurtanalyse uit. Voor elk natuurlijk systeem genereren ze een set alternatieve systemen die exact dezelfde cijfers ($D$), vermenigvuldigers ($M$), combinatoren ($C$) en numerale lengtes ($L_{Num}$) delen. Dit controleert voor lexiconomvang en morfosyntactische complexiteit om de effecten van de structurele ordening (regulariteit) te isoleren.

Belangrijkste Resultaten

1. Natuurlijke Systemen versus Willekeurige Baselines

Natuurlijke systemen vertonen een significant hogere regulariteit (lagere onregelmatigheidsscores) en een lagere verwerkingscomplexiteit dan de 10.000 willekeurig gegenereerde baseline-systemen. Geen enkel gesampeld willekeurig systeem was tegelijkertijd regelmatiger en minder complex dan de natuurlijke systemen.

2. Natuurlijke Systemen versus "Optimale" Systemen (D&S en Y&R)

• D&S Systemen: Hoewel D&S-systemen op de lexicon/complexiteit-front liggen, zijn ze vaak hoogst onregelmatig en hebben ze een hoge verwerkingscomplexiteit vergeleken met natuurlijke systemen.
• Y&R Systemen: De ad-hoc beperkingen in Y&R verbeteren de regulariteit, maar stemmen niet volledig overeen met natuurlijke systemen. Sommige Y&R-systemen lijken "efficiënter" dan natuurlijke systemen onder de power-law prior, maar dit is een artefact van de prior die grote getallen zwaar downweight. Deze "super-efficiënte" systemen gebruiken extreem kleine lexicons (cijfers 1–5) om grote getallen te construeren via diepe nesting (bijv. $46 \approx (((2 \times 2 + 1) \times 2 + 1) \times 2 + 1) \times 2 + 1) \times 2$).
• Uniforme Prior: Wanneer de power-law prior wordt vervangen door een uniforme prior, verliezen de "super-efficiënte" Y&R-systemen hun voordeel. De diepe nesting die vereist is voor grote getallen verhoogt de verwerkingscomplexiteit aanzienlijk, waardoor ze minder efficiënt zijn dan natuurlijke systemen.

3. Lokale Buurtanalyse

Zelfs wanneer er wordt gecontroleerd voor de specifieke set cijfers, vermenigvuldigers en combinatoren (waardoor lexiconomvang en gemiddelde morfosyntactische complexiteit constant worden gehouden), liggen natuurlijke systemen consequent op of nabij de Pareto-front van de onregelmatigheid versus verwerkingscomplexiteit afweging. Dit suggereert dat de specifieke structurele ordening van natuurlijke systemen niet louter een bijproduct is van het optimaliseren van lexiconomvang en morfosyntactische complexiteit, maar wordt gedreven door druk voor regulariteit en gemakkelijke verwerking.

Betekenis en Claims

Het artikel claimt dat regulariteit en verwerkingscomplexiteit fundamentele drukfactoren zijn die linguïstische systemen vormgeven, verschillend van en complementair aan de eenvoud-informativiteit afweging.

• Theoretische Bijdrage: De auteurs argumenteren dat de ad-hoc beperkingen gebruikt in vorig werk (Y&R) effectief regulariteit afdwingen. Door regulariteit te formaliseren via MDL, demonstreren zij dat deze beperkingen natuurlijk voortvloeien uit de druk om de beschrijvingslengte en de verwerkingsinspanning te minimaliseren.
• Kritiek op Bestaande Modellen: De studie daagt de voldoendeheid uit van lexiconomvang en morfosyntactische complexiteit als enige metrieken voor efficiëntie. Het toont aan dat het optimaliseren van deze metrieken alleen onnatuurlijke, onregelmatige systemen kan opleveren die niet in staat zijn de "menselijke" aard van numerale systemen te vatten.
• Rol van Priors: Het paper benadrukt de gevoeligheid van efficiëntieclaims voor de aangenomen prior-verdeling van getallen. Het suggereert dat een uniforme prior geschikter kan zijn voor het evalueren van de efficiëntie van recursieve systemen, aangezien hun primaire functie het uitdrukken van grote getallen is, die door power-law priors zwaar worden gedownweight.
• Brede Implicaties: De benadering suggereert dat efficiëntiestudies in andere domeinen (bijv. grammaticale categorieën, kleurtermen) de systematiciteit van vormen moeten incorporeren. Het behandelen van compositionele signalen als even complex als onanalyseerbare signalen kan leiden tot een onderschatting van de rol van regulariteit in taalevolutie.

De auteurs concluderen dat natuurlijke recursieve numerale systemen niet alleen geoptimaliseerd zijn voor communicatieve efficiëntie in termen van informatieoverdracht, maar ook voor structurele efficiëntie (regulariteit) en computationele tractabiliteit (verwerkingscomplexiteit).