💬 NLP

Evaluating the relationship between regularity and learnability in recursive numeral systems using Reinforcement Learning

Met behulp van versterkend leren toont dit onderzoek aan dat de hoge regelmaat van menselijke recursieve nummersystemen hun leerbaarheid uit beperkte data faciliteert, wat suggereert dat dit structurele kenmerk een belangrijke drijvende kracht is achter hun cross-linguïstische prevalentie.

Oorspronkelijke auteurs: Andrea Silvi, Ponrawee Prasertsom, Jennifer Culbertson, Devdatt Dubhashi, Moa Johansson, Kenny Smith

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrea Silvi, Ponrawee Prasertsom, Jennifer Culbertson, Devdatt Dubhashi, Moa Johansson, Kenny Smith

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een robot te leren tellen. Je hebt twee keuzes voor de "taal" van de getallen die je het geeft:

De "Regelmatige" Taal: Net als het Engels of het Mandarijn. Zodra de robot leert dat "tien" plus "één" "elf" is, en "tien" plus "twee" "twaalf" is, kan het de rest gemakkelijk raden. Het is als een receptenboek waar de instructies consistent zijn: "Voeg één kop bloem toe, voeg dan één ei toe."
De "Onregelmatige" Taal: Een verzonnen systeem waar de regels willekeurig veranderen. Misschien is "tien plus één" "elf", maar is "tien plus twee" "banaan", en is "tien plus drie" "paars". Er is geen patroon om te hergebruiken; elk getal is een nieuw, verwarrend geheim cijfercode.

Dit artikel stelt een simpele vraag: Is de reden waarom mensen regelmatige getalstelsels gebruiken (zoals het Engels), omdat ze makkelijker te leren zijn?

Om dit uit te vinden, vroegen de onderzoekers het niet aan mensen; ze bouwden een digitale "student" (een Reinforcement Learning-agent) en gaven het duizenden verschillende getalstelsels om te leren. Ze maten hoe snel de robot het systeem onder de knie kon krijgen.

Hier is wat ze ontdekten, opgesplitst in simpele concepten:

1. De "Test" Maakt het Meest Uit

De onderzoekers realiseerden zich dat hoe ze de robot testten, de resultaten beïnvloedde.

Scenario A (De "Real World"-test): Ze trainden de robot voornamelijk op kleine getallen (1–10), omdat mensen kleine getallen het vaakst gebruiken. Vervolgens testten ze het op alle getallen tot 99, inclusief de zeldzame, grote getallen.
- Het Resultaat: De robot leerde de regelmatige systemen veel sneller. Omdat de regels consistent waren, kon de robot wat het had geleerd over kleine getallen "generaliseren" (de logica toepassen) op de grote, zeldzame getallen. De onregelmatige systemen waren een nachtmerrie; de robot moest elk enkel getal opnieuw uit het hoofd leren.
- De Analogie: Denk aan regelmatige systemen als een Lego-set. Zodra je weet hoe je twee bakstenen aan elkaar klikt, kun je een toren, een auto of een kasteel bouwen. Onregelmatige systemen zijn als een doos met willekeurige, unieke puzzelstukken waarbij elk stukje alleen in één specifieke plek past. Als je een grote structuur wilt bouwen, is de Lego-set veel makkelijker te leren.
Scenario B (De "Frequentie"-test): Ze trainden en testten de robot met dezelfde scheve verdeling (voornamelijk kleine getallen, bijna nooit grote getallen).
- Het Resultaat: In dit specifieke geval gaf het de robot niets uit of het systeem wel of niet regelmatig was. Omdat het zelden werd getest op grote getallen, hoefde het niet te generaliseren. Het leerde gewoon de kleine getallen die het vaak zag uit het hoofd.
- De Les: Regelmatigheid helpt je alleen bij het leren als je later in staat moet zijn om met nieuwe of zeldzame situaties om te gaan.

2. De "Te Raar"-Zone

De onderzoekers keken ook naar systemen die extreem chaotisch en onregelmatig waren.

Het Resultaat: Voor deze "super rare" systemen maakte regelmatigheid niet veel uit. In plaats daarvan was het hoofdprobleem de lengte. Als de woorden voor getallen te lang en ingewikkeld waren om uit te spreken, had de robot moeite om ze te leren, ongeacht of er een patroon was of niet.
De Analogie: Als je probeert een lijst met willekeurige woorden uit het hoofd te leren, maakt het niet uit of ze rijmen (regelmatig) of niet. Als de woorden gewoon ongelooflijk lang en moeilijk uit te spreken zijn, zul je ze sowieso vergeten. Maar als de woorden kort zijn, maakt een rijmschema (regelmatigheid) ze veel makkelijker te onthouden.

3. Het "Lokale" Patroon

De onderzoekers merkten op dat een systeem soms over het geheel genomen rommelig lijkt, maar kleine zakjes orde heeft.

Het Resultaat: De robot leerde het beste wanneer de regels lokaal consistent waren. Bijvoorbeeld, als de regels voor de getallen 30–39 consistent waren, zelfs als de regels voor 40–49 anders waren, kon de robot het nog steeds goed leren.
De Analogie: Stel je een stad voor waar elke straat in de "Noordwijk" een roosterpatroon volgt, maar de "Zuidwijk" een doolhof is. Je kunt de stad nog steeds gemakkelijk navigeren als je gewoon in de Noordwijk blijft. Je hebt niet nodig dat de hele stad een rooster is om je ergens te kunnen verplaatsen; je hebt gewoon een zekere lokale consistentie nodig.

De Grote Conclusie

Het artikel concludeert dat menselijke getalstelsels waarschijnlijk regelmatig zijn, niet alleen omdat ze efficiënt te spreken zijn, maar omdat regelmatigheid ze makkelijker maakt om te leren en door te geven aan de volgende generatie.

Als het getalstelsel van een taal te chaotisch is, is het voor een kind (of een robot) moeilijk om de regels voor grote getallen uit te zoeken zonder expliciet elk enkel getal te worden geleerd. Regelmatigheid fungeert als een vangnet, waardoor leerlingen een paar voorbeelden kunnen nemen en de rest correct kunnen raden. Deze "leerdruk" is waarschijnlijk de reden waarom menselijke culturen wereldwijd op natuurlijke wijze zijn geëvolueerd naar het gebruik van regelmatige, op patronen gebaseerde getalstelsels.

1. Probleemstelling

Het artikel onderzoekt de evolutionaire en cognitieve druk die recursieve nummersystemen (bijv. Engels met basis 10, Mandarijn) vormgeeft. Hoewel menselijke nummersystemen zeer regelmatig zijn, kunnen theoretisch mogelijke systemen zeer onregelmatig zijn. Eerder onderzoek (bijv. Prasertsom et al., 2026) suggereert dat natuurlijke systemen een afweging optimaliseren tussen lexicongrootte en morphosyntactische complexiteit, maar faalt in het rekening houden met regulariteit (het hergebruik van vorm).

De kernvraag van het onderzoek is: Faciliteert regulariteit leerbaarheid?
De auteurs veronderstellen dat regelmatige systemen wijdverbreid zijn omdat ze gemakkelijker te leren zijn, specifiek wanneer de leertaak generalisatie vereist van beperkte trainingsdata om een breed scala aan gehele getallen nauwkeurig weer te geven. Ze beogen dit te testen met Reinforcement Learning (RL)-agenten om het leerproces te simuleren.

2. Methodologie

De studie maakt gebruik van Single-Agent Reinforcement Learning (RL) om de leerbaarheid van verschillende nummersystemen te kwantificeren.

Taakformulering: De taak wordt geformuleerd als een contextueel bandit-probleem met een continue actieruimte.
- Input: Een nummersoort (reeks van morfemen).
- Output: Een voorspeld geheel getal (1–99).
- Agentarchitectuur: Een enkel-laags LSTM-netwerk. Morfemen worden geëmbed (grootte 5), sequentieel verwerkt, en de laatste verborgen staat voorspelt een scalair $\mu \in [0, 1]$ . Dit wordt geïnterpreteerd als het gemiddelde van een Gaussisch beleid $N(\mu, \sigma)$ .
- Beloningsfunctie: Een gebonden, exponentieel afnemende Gaussische functie gebaseerd op de afstand tussen het voorspelde gehele getal en het doelgehele getal. Voorspellingen buiten 1–99 ontvangen nul beloning.
- Training: Agenten worden getraind gedurende 30.000 epoches met het REINFORCE-algoritme.
- Maatstaf: Leerbaarheid wordt gemeten door het Oppervlak Onder de Curve (AUC) van testnauwkeurigheid versus trainingsepoches. Een hogere AUC duidt op snellere learning.
Systeemdatasets: De studie evalueert vier categorieën systemen:
1. Menselijke Systemen: 128 geverifieerde recursieve nummersystemen.
2. D&S Optimaal: Kunstmatig gegenereerde systemen geoptimaliseerd voor de afweging lexicongrootte/complexiteit (Denić & Szymanik, 2024).
3. Y&R Optimaal: Kunstmatige systemen geoptimaliseerd voor dezelfde afweging maar beperkt tot mensachtig (Yang & Regier, 2025).
4. Willekeurige Baseline: 300 niet-geverifieerde systemen met mensachtige symbolen.
Regulariteitsmeting: Onregelmatigheid wordt gekwantificeerd door de grootte van de minimale Deterministische Eindige Automaat (DFA) die nodig is om de grammatica van het systeem te genereren. De maatstaf berekent het aantal bits dat nodig is om de overgangstabel, de beginstaat en de accepterende staten van de DFA te coderen.
Experimentele condities:
- Experiment 1: Zowel de trainingsverdeling ( $p(n)$ ) als de testverdeling ( $q(n)$ ) volgen een machtsverdeling ( $n^{-2}$ ), wat communicatieve frequentie weerspiegelt (zware scheefheid naar kleine getallen).
- Experiment 2: Training volgt de machtsverdeling, maar testen gebruikt een uniforme verdeling ( $q(n) \propto 1/99$ ) om generalisatie naar alle gehele getallen te testen.
- Experiment 3: Richt zich op "lokale buurten" van menselijke systemen (waarbij alleen de rangschikking van bestaande morfemen varieert) om het effect van regulariteit te isoleren terwijl lexicongrootte en gemiddelde lengte constant worden gehouden.

3. Belangrijkste Resultaten

Experiment 1 (Machtsverdeling Training & Testen):
- Resultaat: Geen significante correlatie tussen regulariteit en leerbaarheid ( $\beta = -0.020$ ).
- Interpretatie: Wanneer de testverdeling overeenkomt met de scheve trainingsverdeling (gericht op kleine getallen), kunnen agenten hoge nauwkeurigheid bereiken zonder te hoeven generaliseren naar grote getallen. De structurele voordelen van regulariteit worden dus niet benut.
Experiment 2 (Machtsverdeling Training, Uniform Testen):
- Resultaat: Een sterke negatieve correlatie tussen onregelmatigheid en leerbaarheid ( $\beta = -0.828$ ). Zeer regelmatige mensachtige systemen zijn aanzienlijk gemakkelijker te leren.
- Interpretatie: Wanneer agenten moeten generaliseren naar grote, zeldzame getallen (de "lange staart"), stellen regelmatige systemen agenten in staat om geleerde sub-onderdelen (morfemen/regels) efficiënt opnieuw te gebruiken. Onregelmatige systemen bieden deze herbruikbare patronen niet.
- Lokale Regulariteit: Het introduceren van een "lokale regulariteit"-maatstaf (regulariteit binnen opeenvolgende nummerranges, bijv. 30er, 40er) verbeterde de correlatie verder, en verklaarde uitschieters zoals het Frans, dat inconsistente globale basen heeft maar consistente lokale ranges.
Experiment 3 (Lokale Buurten):
- Resultaat: Binnen specifieke families van systemen met vaste lexicongrootte en lengte, toonden 21 van de 30 buurten een negatieve correlatie tussen onregelmatigheid en leerbaarheid.
- Nuance: Voor zeer onregelmatige systemen (willekeurige baselines) had regulariteit weinig invloed op leerbaarheid. In plaats daarvan werd morphosyntactische complexiteit (lengte) de dominante factor; langere vormen waren moeilijker te onthouden ongeacht regulariteit.

4. Belangrijkste Bijdragen

RL als Proxy voor Leerbaarheid: Aangetoond dat Reinforcement Learning-agenten effectief de leerbaarheid van taalsystemen kunnen modelleren, specifiek het vastleggen van de afweging tussen regulariteit en generalisatie.
De Rol van Generalisatie: Vastgesteld dat het verband tussen regulariteit en leerbaarheid conditioneel is. Regulariteit biedt alleen een leerbaarheidsvoordeel wanneer de leertaak generalisatie vereist buiten de directe trainingsverdeling (d.w.z. van frequente kleine getallen naar zeldzame grote getallen).
Verfijning van Complexiteitsmaatstaven: Aangetoond dat "onregelmatigheid" geen monolithische voorspeller is van leerbaarheid. Bij zeer onregelmatige systemen domineert lengte/complexiteit, terwijl bij regelmatige systemen structurele regulariteit domineert.
Lokale versus Globale Regulariteit: Het concept van lokale regulariteit (consistentie binnen opeenvolgende ranges) geïntroduceerd als een kritieke factor voor leerbaarheid, wat verklaart waarom systemen met gemengde basen (zoals Frans) toch leerbaar kunnen zijn.

5. Betekenis en Implicaties

Evolutie van Taal: De bevindingen ondersteunen de hypothese dat de cross-linguïstische prevalentie van regelmatige nummersystemen wordt gedreven door leerbaarheidsdruk, specifiek de noodzaak om kennis efficiënt over generaties door te geven om alle gehele getallen weer te geven, niet alleen de meest frequent gebruikte.
Cognitieve Modellering: De studie suggereert dat menselijk leren van nummers waarschijnlijk vergelijkbare generalisatiemechanismen gebruikt. Het verschil met eerdere menselijke experimenten (Holt & Barner, 2025) wordt toegeschreven aan een gebrek aan druk om te generaliseren naar grote getallen in die specifieke experimentele ontwerpen.
Toekomstige Richtingen: De auteurs stellen dat telroutines (sequentiële blootstelling) de frequentie van grotere getallen bij menselijk leren kunstmatig kunnen verhogen, wat de extractie van algemene regels faciliteert. Ze suggereren ook dat leerbaarheid een multidimensionale ruimte is waar verschillende complexiteitsfactoren (lengte versus regulariteit) domineren in verschillende regio's van de hypothese-ruimte.

Concluderend biedt het artikel computationeel bewijs dat regulariteit een adaptief kenmerk is van nummersystemen, geselecteerd omdat het robuuste generalisatie mogelijk maakt van beperkte data naar een universele set gehele getallen.