💬 NLP

Recursive numeral systems are highly regular and easy to process

Este artigo argumenta que incorporar a regularidade e a complexidade de processamento por meio de uma estrutura de Comprimento de Descrição Mínima (MDL) explica melhor a estrutura dos sistemas numéricos recursivos e explica naturalmente restrições que modelos baseados em eficiência anteriores precisavam impor de forma ad-hoc.

Autores originais: Ponrawee Prasertsom, Andrea Silvi, Jennifer Culbertson, Moa Johansson, Devdatt Dubhashi, Kenny Smith

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ponrawee Prasertsom, Andrea Silvi, Jennifer Culbertson, Moa Johansson, Devdatt Dubhashi, Kenny Smith

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando projetar o manual de instruções definitivo para contar. Você quer que ele seja curto o suficiente para caber no seu bolso (eficiente), mas claro o suficiente para que qualquer pessoa possa entender exatamente qual número você quer dizer (informativo).

Por muito tempo, os linguistas pensaram que o segredo de por que as línguas humanas contam da maneira que contam era simplesmente um equilíbrio entre quantas palavras você precisa (tamanho do léxico) e o quão longas as frases se tornam (complexidade). Eles pensavam que as línguas evoluíram para encontrar esse "ponto ideal" entre os dois.

No entanto, este novo artigo argumenta que essa antiga visão está esquecendo um ingrediente crucial: a Regularidade.

Aqui está a decomposição do argumento deles usando analogias simples:

1. O "Lego" vs. A "Caixa Mágica"

Pense em uma língua humana como o Inglês ou o Mandarim como um conjunto de peças de Lego.

Você tem um pequeno conjunto de peças base (1, 2, 3... 10).
Você tem algumas regras para encaixá-las (somar, multiplicar).
Para fazer o número 43, você apenas encaixa uma peça "4", uma peça "10" e uma peça "3". É um padrão previsível.

Agora, imagine um sistema "teoricamente ideal" que os antigos modelos matemáticos sugeriam ser tão bom quanto. Este sistema é como uma Caixa Mágica.

Para o número 18, a caixa diz "10 + 8".
Para o 19, ela diz "25 - 7".
Para o 20, ela diz "5 × 4".
Para o 21, ela diz "3 × 7".

Matematicamente, essa Caixa Mágica pode usar menos palavras totais ou frases médias mais curtas do que o sistema Lego. Mas ela é caótica. Não há padrão. Você não consegue adivinhar como dizer "22" apenas sabendo o "21". Você tem que memorizar cada número como um código único e estranho.

Os autores argumentam que, embora a Caixa Mágica pareça eficiente em uma planilha, ela falha porque carece de regularidade. Os humanos odeiam a Caixa Mágica porque ela é difícil de aprender e difícil de processar.

2. A Nova Medição: "Compressibilidade"

Os pesquisadores usaram um conceito da ciência da computação chamado Comprimento de Descrição Mínima (MDL). Pense nisso como um arquivo zip.

Um sistema regular (como o Lego) é altamente compressível. Você pode escrever um pequeno livro de regras: "Para fazer números de 10 a 99, pegue um dígito, multiplique por 10 e adicione outro dígito". O "arquivo zip" é minúsculo.
Um sistema irregular (como a Caixa Mágica) não pode ser comprimido. Você tem que listar cada número individualmente porque não há padrões para explorar. O "arquivo zip" é enorme.

O artigo afirma que as línguas naturais são "ótimas" não apenas porque são curtas, mas porque são altamente compressíveis. Elas são fáceis para nossos cérebros "ziparem" (armazenar) e "desziparem" (processar).

3. Testando a Teoria

Os autores realizaram uma simulação massiva:

Eles pegaram 128 línguas humanas reais (como Inglês, Mandarim, Francês).
Eles geraram 10.000 línguas artificiais aleatórias (incluindo os tipos de "Caixa Mágica" que modelos matemáticos anteriores diziam ser "perfeitos").

O Resultado:
As línguas humanas foram consistentemente mais regulares e mais fáceis de processar do que as artificiais. Mesmo quando forçaram as línguas artificiais a usar os mesmos blocos de construção (dígitos e multiplicadores) que as línguas humanas, as humanas ainda venceram. Elas foram melhores em organizar esses blocos em um padrão previsível.

4. O Problema do "Peso"

Estudos anteriores assumiram que usamos números pequenos (1, 2, 3) com muito mais frequência do que números grandes (90, 99), então deram aos números pequenos muito "peso" em seus cálculos. Eles pensavam: "Se só nos importamos com números pequenos, a Caixa Mágica está bem".

Os autores testaram isso alterando as regras para tratar todos os números igualmente (um "prior uniforme").

Surpresa: Mesmo quando cada número conta da mesma forma, as línguas humanas ainda pareciam muito mais eficientes e regulares do que as artificiais.
Conclusão: Os sistemas de "Caixa Mágica" só pareciam eficientes porque a matemática estava ignorando os números grandes e bagunçados. Quando você olha para o quadro completo, as línguas humanas são as claras vencedoras porque possuem estrutura.

A Conclusão

O artigo conclui que a regularidade é uma pressão fundamental na evolução da linguagem. Não se trata apenas de economizar espaço ou ser informativo; trata-se de criar um sistema que siga regras para que nossos cérebros não tenham que memorizar um milhão de códigos aleatórios.

As línguas naturais não são apenas "eficientes"; elas são previsíveis. Elas são como uma biblioteca bem organizada onde você pode encontrar qualquer livro seguindo um sistema simples, em vez de uma pilha caótica de livros onde você tem que memorizar a localização de cada um deles. Essa previsibilidade é o que as torna fáceis de aprender, fáceis de usar e o motivo de serem como são.

Resumo Técnico: Regularidade e Complexidade de Processamento em Sistemas Numerais Recursivos

Declaração do Problema

Pesquisas recentes em linguística demonstraram extensivamente que a variação translinguística é restringida por pressões para uma comunicação eficiente, frequentemente enquadrada como um compromisso (trade-off) entre simplicidade (ex: tamanho do léxico) e informatividade. No entanto, as análises de eficiência existentes negligenciam amplamente a sistematicidade (regularidade) das formas, uma característica definidora da linguagem natural onde os mapeamentos forma-sentido aderem a padrões de regras.

Essa lacuna é particularmente evidente no estudo dos sistemas numerais recursivos (sistemas de contagem). O trabalho anterior de Denić e Szymanik (2024, D&S) argumentou que os sistemas naturais otimizam o compromisso entre o tamanho do léxico e a complexidade morfossintática média. Embora o modelo deles tenha mostrado que os sistemas naturais residem próximos à fronteira de Pareto teórica, os sistemas "ótimos" gerados pelo seu modelo incluíam sistemas altamente irregulares e não naturais (ex: sistemas com bases alternadas). Para resolver isso, Yang e Regier (2025, Y&R) introduziram restrições ad-hoc para restringir artificialmente o espaço de busca a sistemas semelhantes aos humanos. Os autores argumentam que essas restrições são insatisfatórias porque carecem de uma explicação teórica; idealmente, as propriedades humanas deveriam emergir como subprodutos de pressões mais fundamentais. O problema central é que as métricas atuais falham em capturar a regularidade e a complexidade de processamento, que são hipotetizadas como os diferenciais fundamentais entre sistemas numerais naturais e teoricamente possíveis.

Metodologia

Os autores propõem um arcabouço baseado no princípio do Comprimento de Descrição Mínima (MDL - Minimum Description Length) para quantificar duas propriedades principais de sistemas numerais recursivos: irregularidade e complexidade de processamento.

1. Formalizando a Irregularidade

A regularidade é medida via compressibilidade. Os autores modelam um sistema numeral como um autômato finito determinístico (DFA) parcial que gera todos os numerais válidos para um determinado intervalo (1–99).

Métrica: A irregularidade $L(G)$ é definida como o número de bits necessários para codificar o DFA.
Cálculo: O tamanho do DFA é determinado pelo número de estados ( $|S|$ ), transições ( $|Z|$ ) e símbolos ( $|\Sigma|$ ). Um sistema altamente regular (como o Karo Batak) possui um DFA pequeno com poucos estados e transições, resultando em um comprimento de descrição menor.
Algoritmo: Eles utilizam o algoritmo de Mihov e Schulz (2019) para inferir o DFA parcial mínimo para um determinado conjunto de numerais.

2. Formalizando a Complexidade de Processamento

A complexidade de processamento mede o esforço necessário para analisar (parse) ou gerar um numeral dado o DFA.

Métrica: $L(N|G)$ é a informação média (em bits) necessária para determinar o caminho de análise único para um conjunto de números $N$ através da gramática $G$ .
Cálculo: Isso soma as log-probabilidades das transições percorridas em cada estado, mais um bit extra para cada estado de aceitação encontrado.
Priors: Os autores inicialmente testam suas medidas usando um prior de lei de potência ( $P(n) \propto n^{-2}$ ), refletindo a necessidade comunicativa de números pequenos. Eles posteriormente testam um prior uniforme para desafiar a suposição de que números pequenos dominam os cálculos de eficiência.

3. Desenho Experimental

O estudo compara três categorias de sistemas:

Sistemas Naturais: 128 sistemas numerais recursivos de línguas naturais (anotados ao nível de morfema).
Sistemas Artificiais de Linha de Base: 10.000 sistemas gerados aleatoriamente usando a gramática de Hurford.
Sistemas Artificiais "Ótimos":
- Sistemas D&S: (otimizados para tamanho de léxico vs. complexidade morfossintática).
- Sistemas Y&R: (sistemas D&S restringidos por regras ad-hoc).

Os autores também realizam uma análise de vizinhança local. Para cada sistema natural, eles geram um conjunto de sistemas alternativos que compartilham exatamente os mesmos dígitos ( $D$ ), multiplicadores ( $M$ ), combinadores ( $C$ ) e comprimentos numerais ( $L_{Num}$ ). Isso controla o tamanho do léxico e a complexidade morfossintática média para isolar os efeitos do arranjo estrutural (regularidade).

Principais Resultados

1. Sistemas Naturais vs. Baselines Aleatórios

Os sistemas naturais exibem maior regularidade (pontuações de irregularidade mais baixas) e menor complexidade de processamento do que os 10.000 sistemas gerados aleatoriamente da linha de base. Nenhum sistema aleatório amostrado foi simultaneamente mais regular e menos complexo que os sistemas naturais.

2. Sistemas Naturais vs. Sistemas "Ótimos" (D&S e Y&R)

Sistemas D&S: Embora os sistemas D&S residam na fronteira léxico/complexidade, eles são frequentemente altamente irregulares e possuem alta complexidade de processamento em comparação com os sistemas naturais.
Sistemas Y&R: As restrições ad-hoc em Y&R melhoram a regularidade, mas não se alinham totalmente com os sistemas naturais. Alguns sistemas Y&R parecem "mais eficientes" que os sistemas naturais sob o prior de lei de potência, mas isso é um artefato do prior que penaliza pesadamente números grandes. Esses sistemas "super-eficientes" utilizam léxicos extremamente pequenos (dígitos 1–5) para construir números grandes via aninhamento profundo (ex: $46 \approx (((2 \times 2 + 1) \times 2 + 1) \times 2 + 1) \times 2$ ).
Prior Uniforme: Quando o prior de lei de potência é substituído por um prior uniforme, os sistemas Y&R "super-eficientes" perdem sua vantagem. O aninhamento profundo necessário para números grandes aumenta significativamente a complexidade de processamento, tornando-os menos eficientes que os sistemas naturais.

3. Análise de Vizinhança Local

Mesmo quando controlando o conjunto específico de dígitos, multiplicadores e combinadores (mantendo o tamanho do léxico e a complexidade morfossintática média constantes), os sistemas naturais consistentemente residem sobre ou próximo à fronteira de Pareto do trade-off entre irregularidade e complexidade de processamento. Isso sugere que o arranjo estrutural específico dos sistemas naturais não é meramente um subproduto da otimização do tamanho do léxico, mas é impulsionado por pressões para regularidade e facilidade de processamento.

Significância e Alegações

O artigo afirma que a regularidade e a complexidade de processamento são pressões fundamentais que moldam os sistemas linguísticos, distintas e complementares ao trade-off simplicidade-informatividade.

Contribuição Teórica: Os autores argumentam que as restrições ad-hoc usadas no trabalho anterior (Y&R) estão, efetivamente, impondo a regularidade. Ao formalizar a regularidade via MDL, eles demonstram que essas restrições seguem naturalmente da pressão para minimizar o comprimento de descrição e o esforço de processamento.
Crítica aos Modelos Existentes: O estudo desafia a suficiência do tamanho do léxico e da complexidade morfossintática como as únicas métricas de eficiência. Mostra que otimizar apenas essas métricas pode resultar em sistemas não naturais e irregulares que falham em capturar a natureza "humana" dos sistemas numerais.
Papel dos Priors: O artigo destaca a sensibilidade das alegações de eficiência ao prior de distribuição assumido para os números. Sugere que um prior uniforme pode ser mais apropriado para avaliar a eficiência de sistemas recursivos, já que sua função primária é expressar números grandes, que são fortemente penalizados por priors de lei de potência.
Implicações Amplas: A abordagem sugere que estudos de eficiência em outros domínios (ex: categorias gramaticais, termos de cores) devem incorporar a sistematicidade das formas. Tratar sinais composicionais como igualmente complexos que sinais não analisáveis pode levar a uma subestimação do papel da regularidade na evolução da linguagem.

Os autores concluem que os sistemas numerais recursivos naturais são otimizados não apenas para a eficiência da comunicação em termos de transferência de informação, mas para a eficiência estrutural (regularidade) e tratabilidade computacional (complexidade de processamento).