Rational Communication Shapes Morphological Composition

Technische Samenvatting: Rational Communicatie Vormt Morfologische Samenstelling

Probleemstelling
Menselijke talen breiden hun woordenschat uit door bestaande morfemen te combineren in plaats van willekeurige vormen te verzinnen. Hoewel bekend is dat communicatieve efficiëntie lexicaal systemen op meerdere niveaus vormgeeft (Gibson et al., 2019), blijft het specifieke mechanisme achter morfologische samenstelling—de keuze voor één morfemenvolgorde boven andere plausibele alternatieven voor hetzelfde concept—ondergemodelleerd. Vorig werk heeft zich gericht op globale lexicaal efficiëntie, woordvormingspatronen, of het overleven van geïntroduceerde vormen in het lexicon (Xu et al., 2024), maar heeft niet expliciet de keuze van de spreker tussen concurrerende morfemenvolgorde op een specifiek historisch moment gemodelleerd. De centrale vraag is of een afweging tussen herstelbaarheid door de luisteraar (semantische informativiteit) en productiekost voor de spreker kan voorspellen waarom een taal kiest voor een specifieke geadverteerde samenstelling (bijv. computer) boven gelijktijdig beschikbare alternatieven (bijv. elektrische-geest of kennis-machine).

Methodologie
De auteurs breiden het Rational Speech Act (RSA)-kader (Frank & Goodman, 2012; Goodman & Frank, 2016) uit tot morfologische samenstelling, waarbij woordvorming wordt behandeld als een coöperatief referentieel spel binnen een tijdsgeïndexeerd lexicon ($L_t$).

• Data: Het onderzoek maakt gebruik van een dataset van 4.323 natuurlijk voorkomende Engelse samenstellingen en afleidingen uit WordNet, met verschijningsjaren van 1820 tot 2019. Het lexicon is opgebouwd met behulp van het Corpus of Historical American English (COHA) en het Corpus of Contemporary American English (COCA) om de beschikbaarheid en frequentie van morfemen in de tijd te volgen.
• Generatie van Kandidaten: Voor elk doelconcept $c$ op tijdstip $t$ wordt een kandidaatenset $C(c, t)$ gegenereerd. Deze set bevat morfemenvolgorde afgeleid van WordNet synsets, relationele buren en naaste buren uit tijdsgeïndexeerde word2vec-ruimtes. Kandidaten zijn beperkt tot maximaal drie morfemen en gefilterd door een semantische poort om plausibiliteit te waarborgen.
• Modelarchitectuur:
  • Letterlijke Luisteraar ($L_0$): Schat de herstelbaarheid door de luisteraar in door de compatibiliteit te berekenen tussen een kandidaat-morfemenvolgorde $u$ en het doelconcept $c$. Dit gebeurt door morfemen en de doelgloss te embedden (met Qwen3-Embedding-8B) en de verdeling van cosinus-ähnelijkheden te samenvatten via vijf statistieken (gemiddelde, maximum, standaardafwijking, entropie en gehele-kandidaat-ähnelijkheid).
  • Productiekost: Gemodelleerd als een additieve functie van morfemkenmerken (lengte, aantal fonemen, aantal lettergrepen, en historische token/type-frequenties) ontleend aan het tijdsgeïndexeerde lexicon.
  • Pragmatische Spreker ($S_1$): Selecteert uitingen door een afweging te maken tussen herstelbaarheid door de luisteraar en productiekost. Twee varianten worden getest:
    • Lineaire $S_1$: Implementeert een standaard RSA-utilityfunctie $U = \alpha \cdot \text{Semantiek} - \beta \cdot \text{Kost}$.
    • Niet-lineaire $S_1$: Gebruikt een Multi-Layer Perceptron (MLP) om interacties tussen semantische en kostscores te vangen.
  • Basislijnen: Het onderzoek vergelijkt $S_1$-modellen met Kost-alleen, Semantiek-alleen en een Discriminatief model (dat alle kenmerken concateneert in een enkele MLP zonder de RSA-decompositie af te dwingen).
• Evaluatie: Modellen worden getraind als rankers om de gouden (gedocumenteerde) morfemenvolgorde boven gesampelde negatieve kandidaten te plaatsen. Prestaties worden gemeten met Mean Reciprocal Rank (MRR) en Top-k Nauwkeurigheid (Acc@k) op een op jaar gestratificeerde, terughoudende testset.

Belangrijkste Resultaten

1. Superioriteit van Geïntegreerde Modellen: Modellen die semantische informativiteit integreren met productiekost ($S_1$) presteren consequent beter dan enkel-factor basislijnen. Het Discriminatieve model behaalt de hoogste algehele prestatie (MRR = 0,096), wat aangeeft dat er extra kenmerkinteracties bestaan buiten de eenvoudige tweefactor-RSA-decompositie.
2. Pragmatisch Voordeel: De $S_1$-modellen (MRR = 0,050–0,053) presteren significant beter dan de Semantiek-alleen (MRR = 0,047) en Kost-alleen (MRR = 0,031) basislijnen. Cruciaal is dat het voordeel van het $S_1$-model ten opzichte van de semantiek-alleen basislijn groeit naarmate de kandidaatenset uitbreidt (hogere $k$). Dit suggereert dat terwijl semantische aanwijzingen domineren wanneer er weinig kandidaten zijn, productiekost de beslissende factor wordt wanneer er veel semantisch plausibele alternatieven bestaan.
3. Kwalitatief Gedrag:
   • Kost-alleen modellen geven de voorkeur aan korte, hoogfrequente fragmenten (bijv. ed+ing) die goedkoop zijn maar semantisch weinig informatief.
   • Semantiek-alleen modellen neigen naar redundante of morfologisch vreemde vormen (bijv. cynic+cynic) te selecteren die dekking maximaliseren maar economie negeren.
   • $S_1$-modellen slagen erin deze drukkrachten in evenwicht te brengen, door gouden volgorde bovenaan te ranken door kandidaten te selecteren die betekenis-gesynchroniseerd zijn zonder onnodig lang of onwaarschijnlijk te zijn.
4. Temporele Robuustheid: De relatieve ordening van modelprestaties blijft stabiel over verschillende historische trainingsvensters (1830–1910), wat suggereert dat de communicatieve afweging een consistente factor is in lexicalisatie.

Betekenis en Aanspraken
Het artikel claimt een computational account van morfologische samenstelling als rational communicatie te bieden. Door woordvorming te formaliseren als een RSA-stijl keuze, demonstreren de auteurs dat gedocumenteerde morfologische vormen systematisch hoger worden gerankt dan niet-gedocumenteerde alternatieven wanneer ze worden geëvalueerd op zowel herstelbaarheid door de luisteraar als efficiëntie voor de spreker.

Het onderzoek breidt het programma van rational communicatie uit van keuze op uitingenniveau naar de interne structuur van woorden. Het betoogt dat lexicalisatie een communicatieve afweging weerspiegelt tussen expressiviteit en efficiëntie. Hoewel de auteurs erkennen dat het RSA-kader slechts een "systematisch deel" van de keuze vangt (zoals blijkt uit het gat tussen $S_1$ en het Discriminatieve model), bevestigen de resultaten dat de afweging tussen informativiteit en kost een fundamentele drijvende kracht is in hoe talen in de tijd specifieke morfemcombinaties selecteren. Het werk biedt een complementaire, interpreteerbare decompositie voor keuzes op kandidaatniveau die globale efficiëntiemodellen of op analogie gebaseerde benaderingen niet expliciet adresseren.