Rational Communication Shapes Morphological Composition

Resumo Técnico: A Comunicação Racional Molda a Composição Morfológica

Declaração do Problema
As línguas humanas expandem seus vocabulários combinando morfemas existentes em vez de inventar formas arbitrárias. Embora a eficiência comunicativa seja conhecida por moldar sistemas lexicais em múltiplos níveis (Gibson et al., 2019), o mecanismo específico por trás da composição morfológica—a escolha de uma sequência de morfemas sobre outras alternativas plausíveis para o mesmo conceito—permanece submodelado. Trabalhos anteriores focaram na eficiência lexical global, em padrões de formação de palavras ou na sobrevivência de formas introduzidas no léxico (Xu et al., 2024), mas não modelaram explicitamente a escolha do falante entre sequências de morfemas concorrentes em um momento histórico específico. A questão central é se um trade-off entre a recuperabilidade pelo ouvinte (informatividade semântica) e o custo de produção do falante pode prever por que uma língua se estabelece em uma composição atestada específica (por exemplo, computer) em detrimento de alternativas disponíveis contemporaneamente (por exemplo, electric-brain ou knowledge-machine).

Metodologia
Os autores estendem o framework de Ato de Fala Racional (RSA) (Frank & Goodman, 2012; Goodman & Frank, 2016) à composição morfológica, tratando a formação de palavras como um jogo referencial cooperativo dentro de um léxico indexado no tempo ($L_t$).

• Dados: O estudo utiliza um conjunto de dados de 4.323 compostos e derivações naturais em inglês do WordNet, abrangendo anos de emergência de 1820 a 2019. O léxico é construído usando o Corpus of Historical American English (COHA) e o Corpus of Contemporary American English (COCA) para rastrear a disponibilidade e a frequência de morfemas ao longo do tempo.
• Geração de Candidatos: Para cada conceito-alvo $c$ no tempo $t$, um conjunto de candidatos $C(c, t)$ é gerado. Este conjunto inclui sequências de morfemas derivadas de sinsets do WordNet, vizinhos relacionais e vizinhos mais próximos de espaços word2vec indexados no tempo. Os candidatos são restritos a um máximo de três morfemas e filtrados por um portão semântico para garantir plausibilidade.
• Arquitetura do Modelo:
  • Ouvinte Literal ($L_0$): Estima a recuperabilidade pelo ouvinte calculando a compatibilidade entre uma sequência de morfemas candidata $u$ e o conceito-alvo $c$. Isso é feito incorporando morfemas e a glosa-alvo (usando Qwen3-Embedding-8B) e resumindo a distribuição de similaridades de cosseno através de cinco estatísticas (média, máximo, desvio padrão, entropia e similaridade do candidato completo).
  • Custo de Produção: Modelado como uma função aditiva de características de morfemas (comprimento, contagem de fonemas, contagem de sílabas e frequências históricas de token/tipo) extraídas do léxico indexado no tempo.
  • Falante Pragmático ($S_1$): Seleciona enunciados trocando a recuperabilidade pelo ouvinte pelo custo de produção. Duas variantes são testadas:
    • $S_1$ Linear: Implementa uma função de utilidade RSA padrão $U = \alpha \cdot \text{Semântica} - \beta \cdot \text{Custo}$.
    • $S_1$ Não Linear: Usa um Perceptron de Camadas Múltiplas (MLP) para capturar interações entre escores semânticos e de custo.
  • Baselines: O estudo compara os modelos $S_1$ com Apenas Custo, Apenas Semântica e um modelo Discriminativo (que concatena todos os recursos em um único MLP sem impor a decomposição RSA).
• Avaliação: Os modelos são treinados como ranqueadores para posicionar a sequência de morfemas ouro (atestada) acima de candidatos negativos amostrados. O desempenho é medido usando Reciprocal Rank Médio (MRR) e Precisão Top-k (Acc@k) em um conjunto de teste retido estratificado por ano.

Principais Resultados

1. Superioridade dos Modelos Integrados: Modelos que integram informatividade semântica com custo de produção ($S_1$) superam consistentemente as baselines de fator único. O modelo Discriminativo alcança o melhor desempenho geral (MRR = 0,096), indicando que existem interações de recursos adicionais além da simples decomposição RSA de dois fatores.
2. Vantagem Pragmática: Os modelos $S_1$ (MRR = 0,050–0,053) superam significativamente as baselines Apenas Semântica (MRR = 0,047) e Apenas Custo (MRR = 0,031). Crucialmente, a vantagem do modelo $S_1$ sobre a baseline Apenas Semântica cresce à medida que o conjunto de candidatos se expande (maior $k$). Isso sugere que, enquanto pistas semânticas dominam quando há poucos candidatos, o custo de produção torna-se o fator decisivo quando muitas alternativas semanticamente plausíveis existem.
3. Comportamento Qualitativo:
   • Modelos Apenas Custo favorecem fragmentos curtos e de alta frequência (por exemplo, ed+ing) que são baratos, mas semanticamente pouco informativos.
   • Modelos Apenas Semântica tendem a selecionar formas redundantes ou morfologicamente estranhas (por exemplo, cynic+cynic) que maximizam a cobertura, mas ignoram a economia.
   • Modelos $S_1$ equilibram com sucesso essas pressões, ranqueando sequências ouro perto do topo ao selecionar candidatos que estão alinhados com o significado sem serem desnecessariamente longos ou implausíveis.
4. Robustez Temporal: A ordenação relativa do desempenho do modelo permanece estável através de diferentes janelas de treinamento históricas (1830–1910), sugerindo que o trade-off comunicativo é um fator consistente na lexicalização.

Significado e Alegações
O artigo alega fornecer uma conta computacional da composição morfológica como comunicação racional. Ao formalizar a formação de palavras como uma escolha no estilo RSA, os autores demonstram que formas morfológicas atestadas são sistematicamente ranqueadas mais alto do que alternativas não atestadas quando avaliadas tanto pela recuperabilidade pelo ouvinte quanto pela eficiência do falante.

O estudo estende o programa de comunicação racional da escolha no nível do enunciado para a estrutura interna das palavras. Ele argumenta que a lexicalização reflete um trade-off comunicativo entre expressividade e eficiência. Embora os autores reconheçam que o framework RSA capture apenas uma "parte sistemática" da escolha (como evidenciado pela lacuna entre $S_1$ e o modelo Discriminativo), os resultados confirmam que o trade-off informatividade–custo é um motor fundamental de como as línguas selecionam combinações específicas de morfemas ao longo do tempo. O trabalho oferece uma decomposição complementar e interpretável para escolhas no nível de candidatos que modelos de eficiência global ou abordagens baseadas em analogia não abordam explicitamente.