💬 NLP

How communicatively optimal are exact numeral systems? Once more on lexicon size and morphosyntactic complexity

该研究基于对 52 种语言的词形变化可预测性分析，反驳了精确递归数词系统在词汇规模与形态句法复杂度之间实现沟通最优化的观点，指出许多语言的实际效率远低于预期。

原作者： Chundra Cathcart, Arne Rubehn, Katja Bocklage, Luca Ciucci, Kellen Parker van Dam, Alžběta Kučerová, Jekaterina Mažara, Carlo Y. Meloni, David Snee, Johann-Mattis List

发布于 2026-02-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Chundra Cathcart, Arne Rubehn, Katja Bocklage, Luca Ciucci, Kellen Parker van Dam, Alžběta Kučerová, Jekaterina Mažara, Carlo Y. Meloni, David Snee, Johann-Mattis List

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常有趣的问题：世界各地的语言在“数数”这件事上，是否都做到了最聪明、最高效？

简单来说，作者们发现：虽然很多语言确实很“精打细算”，但也有很多语言（特别是印欧语系中的一些语言）在数数时显得有点“笨拙”和“浪费”，并没有达到理论上的最优状态。

为了让你更容易理解，我们可以用几个生活中的比喻来拆解这篇论文的核心内容：

1. 核心矛盾：是“记单词”还是“拼积木”？

想象一下，你要教别人数到 100。你有两种策略：

策略 A（记单词派）： 给每一个数字都起一个独特的名字。比如 1 叫“一”，2 叫“二”……99 叫“九十九”。
- 优点： 说的时候很快，不用动脑子拼凑。
- 缺点： 你的大脑（词汇表）要记住 99 个完全不同的词，负担很重。
策略 B（拼积木派）： 只记几个基础积木（比如 1 到 9，还有 10、20、100）。遇到 25，就用"20"和"5"这两个积木拼起来。
- 优点： 词汇表很小，只需要记几十个基础块。
- 缺点： 说话时要多花一点时间“拼”一下，结构稍微复杂点。

以前的研究认为： 全世界的语言都在努力寻找这两个策略之间的完美平衡点（帕累托前沿）。也就是说，语言进化得足够聪明，既不会让你背太多词，也不会让你说话太啰嗦。

2. 这篇论文发现了什么新问题？

作者 Cathcart 和他的团队觉得，以前的研究在测量“复杂度”时，漏掉了一个关键细节：不规则的“怪词”。

这就好比我们在比较两辆车的油耗：

以前的研究只看了引擎大小（词汇量）和车身重量（拼积木的层数）。
但作者发现，有些车虽然引擎小、车身轻，但它的轮胎是方形的，或者方向盘是反的（这就是语言中的“不规则变形”）。

举个生动的例子：

德语说"11"是 elf（一个独立的怪词），说"12"是 zwölf（另一个怪词）。
以前的研究可能把 elf 当作一个整体，觉得它只是“一个词”。
这篇论文指出：elf 这个词和"1"（ein）或者"10"（zehn）长得完全不像，它是个死记硬背的例外。学习者必须专门花力气去记这个“怪胎”，这增加了大脑的负担。

作者们重新检查了 52 种语言的数据，把那些“不规则的怪词”（比如英语的 eleven, twelve，或者印地语里那些奇怪的数字）都算作额外的负担。

3. 主要发现：有些语言就是“不听话”

经过重新计算，作者发现世界上的语言分成了两派：

第一派（高效组）： 像日本语、法语等。它们非常守规矩，数字要么全是积木拼的，要么规则很透明。它们确实处于“完美平衡点”附近，既省脑子又省嘴皮子。
第二派（低效组）： 主要是印欧语系（如英语、德语、波斯语）和印度 - 雅利安语系（如印地语、马尔代夫语等）。
- 这些语言里充满了“怪词”。比如英语的 11、12，或者印地语里 20 到 99 之间各种奇怪的变体。
- 结果： 这些语言的词汇表其实很大（因为要记很多怪词），但拼出来的数字结构并没有因此变得更简单。它们既没有省词汇，也没省结构，处于一种“双输”的低效状态。

4. 为什么会有这种“低效”？

这就好比问：“为什么有些车明明可以设计得更省油，却偏偏保留了方形轮胎？”

作者推测了几个原因：

历史惯性： 这些语言可能已经这样用了上千年。就像我们习惯用某种旧软件，虽然有新版本更好，但大家懒得改。
听感优势： 也许这些“怪词”虽然难记，但在嘈杂的环境中更容易被听清楚？（比如 eleven 和 twelve 听起来很独特，不容易和别的词混淆）。
社会因素： 语言不仅仅是为了“效率”进化的，还受到文化、贸易和接触的影响。有时候，为了“独特性”或“传统”，语言会故意保留一些复杂的规则。

5. 总结：语言进化不是只有“最优解”

这篇论文告诉我们一个重要的道理：

语言并不总是像计算机算法那样，追求绝对的“最优解”。

虽然很多语言确实很聪明，但在人类语言的进化史上，“历史遗留问题”和“不规则的怪癖” 同样重要。有些语言之所以看起来“低效”，是因为它们在漫长的历史中，为了其他原因（比如发音习惯、社会认同）保留了那些复杂的规则。

一句话总结：
以前的研究认为所有语言都在努力做“最聪明的数数者”，但这篇论文发现，其实有很多语言是“固执的数数者”——它们带着很多不必要的“怪词”包袱，依然活得好好的，这提醒我们，语言的进化比单纯的数学计算要复杂和有趣得多。

这是一份关于论文《精确数词系统的交际最优性：再次探讨词汇量与形态句法复杂性》（How communicatively optimal are exact numeral systems? Once more on lexicon size and morphosyntactic complexity）的详细技术总结。

1. 研究问题 (Problem)

近年来，语言学研究（如 Denić & Szymanik, 2024）提出，精确递归数词系统（exact recursive numeral systems）在交际效率上处于一种**权衡（trade-off）**状态：

词汇量最小化：系统使用的独立数词词条数量应尽可能少。
形态句法复杂性最小化：表达 1 到 99 的数字时，平均形态句法复杂度（即语素长度或组合元素的数量）应尽可能低。

之前的研究认为，世界上的语言在“词汇量”与“平均复杂度”之间达到了帕累托最优（Pareto frontier），即没有一种语言能在不增加另一项成本的情况下减少其中一项。

本文指出的核心问题：

数据表征缺陷：先前的研究在操作化“复杂性”时存在严重缺陷，特别是忽略了不可预测的形态变体（unpredictable allomorphy）。例如，将英语的 "eleven" 视为不可分解的词条，而将德语的 "elf" 视为可分解的 "10+1"，尽管两者在词源上都是不规则的。这种忽略导致了对词汇量和复杂性的错误估算。
样本偏差：先前的研究未能充分涵盖展示全范围复杂性的语言样本，导致得出的“普遍最优”结论可能具有误导性。

2. 方法论 (Methodology)

为了修正上述问题，作者采用了以下方法：

数据构建：
- 收集了52 种遗传和地理上多样化的语言数据，涵盖 1 到 99 的数字。
- 基于 CoSiNuS 数据库进行了扩展和修订。
- 人工分词与标注：对语料进行了手动分词和形态标注，区分了可预测的语音变体（如法语中元音前的音变）和不可预测的形态变体（如不规则词形变化、异干互补 suppletion）。
- 双重编码方案：为了验证鲁棒性，采用了两种编码标准：
  - Broad（宽泛）：允许更多的形态切分。
  - Narrow（严格）：仅将具有明确重复模式的语素视为可切分，将仅出现一次的变体视为整体不规则形式。
指标计算：
- 词汇量 (Lexicon Size)：计算系统中**不可预测的异干变体（unpredictable allomorphs）**的唯一数量。
- 平均形态句法复杂性 (Average Morphosyntactic Complexity)：定义为 1-99 数字项长度的加权平均（权重与频率 $i^{-2}$ 成正比），长度由语素数量和算术运算符（显性或隐性）决定。
合成系统生成：
- 使用进化算法（基于 Hurford 的数词语法），生成 100 个假设的数词系统，涵盖从非最优到最优的广泛配置，构建出理论上的帕累托前沿（Pareto frontier）。
统计分析：
- 采用贝叶斯混合模型（Bayesian Mixture Modeling）。
- 检验数据是否可以被划分为两个不同的组件：一个组件遵循“词汇量增加导致复杂度降低”的最优权衡关系，另一个组件则偏离这种关系。
- 通过留一法交叉验证（LOO-ELPD）和模型堆叠（Model Stacking）比较单组件模型与双组件模型的拟合度。

3. 主要贡献 (Key Contributions)

重新定义复杂性指标：首次明确将不可预测的形态变体纳入数词系统的复杂性计算中，论证了忽略这些变体（如将不规则形式强行分解）在理论上是站不住脚的，且会导致对语言效率的错误评估。
挑战“普遍最优”假设：通过更严谨的数据处理，证明了并非所有语言都遵循先前提出的“词汇量 - 复杂度”最优权衡。
揭示语言群体的异质性：利用混合模型识别出两类截然不同的语言群体，打破了以往将所有语言视为单一连续体的观点。
开源数据与代码：发布了经过人工校验的 52 种语言数词数据库（CoSiNuS v2.0）及分析代码，为后续研究提供了坚实基础。

4. 研究结果 (Results)

帕累托前沿的偏离：
- 在散点图中，虽然许多语言位于帕累托前沿附近（近最优解），但有相当一部分语言显著偏离该曲线，表现出较高的复杂度和/或较大的词汇量。
混合模型分析：
- 双组件模型（K=2）显著优于单组件模型（K=1）。
- 组件 1（高效组）：主要包含非印欧语系或形态透明性高的语言。这些语言表现出显著的负相关：随着词汇量增加，平均形态句法复杂度显著下降（斜率为负），符合最优权衡理论。
- 组件 2（低效/不规则组）：主要包含印欧语系（特别是印欧语系中的印度 - 雅利安语支，如印地语、克什米尔语、迪维希语等）和部分闪含语系语言。
  - 这些语言的词汇量很大（由于大量不规则形式），但并未因此降低平均形态句法复杂度。
  - 其回归斜率接近于零，意味着增加词汇量并没有带来复杂度的降低。
具体案例：
- 英语、西班牙语、波斯语等语言在“十几”（teens）阶段存在不规则形式（如 eleven, onze, yaz-dah），增加了词汇量但未简化结构。
- 印度 - 雅利安语言表现出极高程度的不规则性（甚至延伸到 99），这种不规则性似乎没有带来交际效率上的收益。

5. 意义与讨论 (Significance and Discussion)

对语言进化理论的修正：
- 研究结果表明，基于交际效率的“普遍规律”并非绝对。语言系统受到**历史偶然性（historical contingencies）**的强烈影响。
- 某些语言（如印度 - 雅利安语支）保留了数千年的高度不规则性，这可能是因为社会因素（如文化扩散、接触）或特定的认知优势（如不规则形式可能提供更早的识别线索，增强区分度）而得以维持，而非单纯的效率优化。
对“效率”概念的深化：
- 效率不仅仅体现为“最短路径”。不规则性可能在其他维度（如听觉识别、社会认同）具有功能。
- 高频词（如小数字）往往更短且不规则（符合 Zipf 缩写律），但低频词（大数字）通常更透明、可分解。然而，这种模式在不同语言中的表现差异巨大，不能简单归结为统一的优化策略。
未来方向：
- 需要进一步研究这些偏离效率的语言是如何在历时演变中维持其不规则性的。
- 未来的研究应结合社会语言学因素，而不仅仅是认知压力，来解释数词系统的多样性。

总结：
这篇论文通过更精细的形态学标注和严谨的统计建模，有力地反驳了“所有精确数词系统都达到词汇量与复杂度最优平衡”的观点。它揭示了世界语言中存在的显著异质性，特别是指出印欧语系（尤其是印度 - 雅利安语支）中存在大量未优化的、高度不规则的系统，强调了在研究语言演化时必须考虑历史路径依赖和社会因素的重要性。