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

Technische Samenvatting: Contextuele Embedding-bewijs voor de onderscheid tussen Hoofdwerkwoorden en Licht Werkwoorden in het Urdu

Probleem en Motivatie
De grammatica van het Urdu kenmerkt zich door constructies met lichte werkwoorden (LVC's), waarbij een lexicaal werkwoord (V1) combineert met een tweede werkwoord (V2) dat een aspectuele, completieve of gebeurtenisstructurele betekenis bijdraagt, terwijl het een verminderde lexicale inhoud vertoont. Hoewel de taalkundige theorie, met name het werk van Butt (1995, 2003, 2010) en Butt en Lahiri (2013), stelt dat lichte werkwoorden verschillen van hun hoofdwerkwortel-tegenhangers maar toch een specifieke lexicale relatie behouden, blijft het onduidelijk of contextuele taalmodellen dit onderscheid coderen. Specifiek is het onbekend of de representationele geometrie van encoder-gebaseerde modellen de theoretische voorspellingen reflecteert dat: (1) hoofd- en lichte gebruiken systematisch worden gedifferentieerd, (2) gebruik van hetzelfde lemma dichter bij elkaar blijft dan gematchte lemma-paren, en (3) individuele lichte werkwoorden onderscheidbare profielen behouden in plaats van te vervallen in een homogene klasse.

Methodologie
De studie analyseert 1.126 natuurlijk voorkomende Urdu-zinnen die zeven canonieke lichte werkwoorden bevatten (āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā). De dataset is geconstrueerd uit een 1,6 GB in-house corpus, waarbij zinnen zijn geëxtraheerd waar het doelwerkwoord in de zinslaatste positie verscheen. De annotatie volgde een strikt drieweg-overeenstemmingsprotocol: GPT-5.1 classificeerde eerst elke zin met prompts die geworteld zijn in de linguïstische criteria van Butt, waarna twee expert-menselijke annotatoren de door GPT toegewezen labels onafhankelijk beoordeelden. Alleen zinnen waarvoor alle drie de bronnen (GPT-5.1, Annotator 1 en Annotator 2) in volledige overeenstemming waren, werden behouden; elke zin met zelfs maar één onenigheid werd verworpen.

Drie encoder-gebaseerde modellen werden geëvalueerd:

1. UrduBERT: Een BERT-base model dat vanaf nul is getraind op een 5,8 GB gededupliceerd Urdu-corpus.
2. DunbaaBERT: Een RoBERTa-stijl model getraind op een 17 GB Urdu-corpus.
3. Multilingual BERT (mBERT): Een standaard meertalig model dat niet specifiek is geoptimaliseerd voor Urdu.

De methodologie maakte gebruik van drie complementaire analyses op contextuele embeddings geëxtraheerd uit de laatste verborgen lagen:

• Representatieve Separatie: Cosinusafstand en silhouette scores werden berekend tussen de hoofdgebruik- en lichte gebruik-centroids voor elk werkwoord en model. Statistische significantie werd beoordeeld via label-permutatietesten.
• Lexicale Verwantschap: De afstand tussen same-lemma hoofd–licht centroids werd vergeleken met mismatched cross-lemma afstanden om te testen of same-lemma paren dichter bij elkaar blijven.
• Werkwoord-Specifieke Structuur: Een zevenweg-classificatietaak werd uitgevoerd om de identiteit van het lichte werkwoord te voorspellen. Dit omvatte een "masked-target" conditie waarbij het doelwerkwoord werd vervangen door een mask-token, en een "preceding-form-disjoint" evaluatie om generalisatie buiten herhaalde V1–V2 combinaties te testen.

Belangrijkste Resultaten

• Systematische Differentiatie: Alle 21 werkwoord–model vergelijkingen toonden een significante representationele separatie tussen hoofd- en lichte gebruiken ($p < 0,001$). UrduBERT vertoonde de grootste centroid-afstanden (gemiddeld 0,177) en hoogste silhouette scores (gemiddeld 0,272), gevolgd door mBERT en DunbaaBERT.
• Lineaire en Ongesuperviseerde Terugwinbaarheid: Logistic probing bereikte een hoge nauwkeurigheid in het onderscheiden van hoofd- en lichte gebruiken in alle modellen (UrduBERT gemiddelde F1: 0,997). Echter, unsupervised KMeans clustering toonde aan dat hoewel UrduBERT een gemiddelde Adjusted Rand Index (ARI) van 0,778 bereikte, de andere modellen presteerden nabij toeval, wat aangeeft dat hoge lineaire scheidbaarheid niet garandeert dat er twee dominante sferische clusters worden gevormd.
• Lexicale Verwantschap: Same-lemma hoofd–licht centroids waren consistent dichter bij elkaar dan mismatched cross-lemma paren in alle modellen. Top-1 matching nauwkeurigheid was 1,0 voor alle modellen, wat de voorspelling ondersteunt dat hoofd- en lichte gebruiken de lexicale verwantschap behouden ondanks hun differentiatie.
• Lichte Werkwoord Identiteit: In de masked-target conditie behaalde UrduBERT 0,866 nauwkeurigheid en 0,852 macro-F1 in het voorspellen van de specifieke lichte werkwoord identiteit, wat significant beter presteerde dan toeval. Onder de preceding-form-disjoint evaluatie behield UrduBERT 0,782 nauwkeurigheid, wat suggereert dat het generaliseert buiten directe oppervlakte-co-occurrences. DunbaaBERT en mBERT vertoonden lagere maar nog steeds significante prestaties in de gemaskeerde condities.

Betekenis en Claims
Het artikel levert computationeel bewijs dat consistent is met de linguïstische account van Butt over lichte werkwoorden in het Urdu. De bevindingen demonstreren dat contextuele embeddings systematisch hoofd- en lichte gebruiken differentiëren terwijl ze lemma-specifieke structuur behouden. Specifiek ondersteunen de resultaten de visie dat lichte werkwoorden geen semantisch lege grammaticale markeringen zijn, maar werkwoord-specifieke bijdragen en een relatie tot hun hoofdwerkwortel-tegenhangers behouden.

De auteurs stellen expliciet dat deze bevindingen bewijs leveren voor de representationele consequenties van de analyse van Butt, zonder direct een specifieke formele lexicale-entry structuur of diachrone route vast te stellen. De studie complementeert eerder werk over Engelse lichte werkwoorden door de investigatie uit te breiden naar het Urdu en specifieke voorspellingen te evalueren met betrekking tot lexicale verwantschap en werkwoord-specificiteit die centraal staan in de Urdu linguïstische theorie. De resultaten suggereren dat encoder-gebaseerde modellen, in het bijzonder die getraind zijn op monolinguale Urdu-data, de genuanceerde representationele geometrie van lichte werkwoordconstructies vastleggen.