Rational Communication Shapes Morphological Composition

技术摘要：理性交流塑造形态构成

问题陈述
人类语言通过组合现有语素而非发明任意形式来扩展词汇。尽管已知交流效率在多个层面塑造了词汇系统（Gibson 等人，2019），但形态构成背后的具体机制——即针对同一概念选择某一语素序列而非其他合理替代方案——仍未得到充分建模。先前的研究侧重于全局词汇效率、构词模式或引入形式在词汇中的存续（Xu 等人，2024），但并未明确建模说话者在特定历史时刻对竞争语素序列的选择。核心问题在于，听者可恢复性（语义信息量）与说话者产出成本之间的权衡，能否预测为何一种语言会选定特定的已证实构成（例如 computer），而非同时可用的其他替代方案（例如 electric-brain 或 knowledge-machine）。

方法论
作者将**理性言语行为（RSA）**框架（Frank & Goodman, 2012; Goodman & Frank, 2016）扩展至形态构成领域，将构词视为时间索引词汇库（$L_t$）内的合作指称游戏。

• 数据：本研究利用 WordNet 中4,323 个自然出现的英语复合词和派生词数据集，涵盖从 1820 年至 2019 年的出现年份。词汇库的构建使用了美国英语历史语料库（COHA）和美国当代英语语料库（COCA），以追踪语素随时间的可用性和频率。
• 候选生成：对于时间 $t$ 的每个目标概念 $c$，生成候选集 $C(c, t)$。该集合包含源自 WordNet 同义词集、关系邻居以及时序索引 word2vec 空间中的最近邻的语素序列。候选项限制为最多三个语素，并通过语义门控进行过滤以确保合理性。
• 模型架构：
  • 字面听者（$L_0$）：通过计算候选语素序列 $u$ 与目标概念 $c$ 之间的兼容性来估算听者可恢复性。具体做法是嵌入语素和目标释义（使用 Qwen3-Embedding-8B），并通过五个统计量（均值、最大值、标准差、熵和全候选相似度）总结余弦相似度的分布。
  • 产出成本：建模为语素特征的加性函数（长度、音素数量、音节数量以及历史令牌/类型频率），这些特征从时间索引词汇库中提取。
  • 语用说话者（$S_1$）：通过权衡听者可恢复性与产出成本来选择话语。测试了两个变体：
    • 线性 $S_1$：实现标准 RSA 效用函数 $U = \alpha \cdot \text{Semantic} - \beta \cdot \text{Cost}$。
    • 非线性 $S_1$：使用多层感知机（MLP）捕捉语义与成本分数之间的交互作用。
  • 基线：研究将 $S_1$ 模型与仅成本、仅语义以及判别式模型（将所有特征拼接为单个 MLP 而不强制 RSA 分解）进行比较。
• 评估：模型被训练为排序器，将黄金标准（已证实）的语素序列排在采样的负候选项之上。性能在按年份分层的留出测试集上使用**平均倒数排名（MRR）和Top-k 准确率（Acc@k）**进行衡量。

主要结果

1. 集成模型的优越性：将语义信息量与产出成本相结合的模型（$S_1$）始终优于单因素基线。判别式模型取得了最高的整体性能（MRR = 0.096），表明除了简单的双因素 RSA 分解之外，还存在额外的特征交互。
2. 语用优势：$S_1$ 模型（MRR = 0.050–0.053）显著优于仅语义（MRR = 0.047）和仅成本（MRR = 0.031）的基线。关键在于，随着候选集扩大（更高的 $k$），$S_1$ 模型相对于仅语义基线的优势逐渐增大。这表明，虽然当候选项较少时语义线索占主导地位，但当存在许多语义上合理的替代方案时，产出成本成为决定性因素。
3. 定性行为：
   • 仅成本模型倾向于选择短小、高频的片段（例如 ed+ing），这些片段成本低廉但语义信息量不足。
   • 仅语义模型倾向于选择冗余或形态上奇怪的词形（例如 cynic+cynic），这些词形最大化覆盖率但忽视了经济性。
   • $S_1$ 模型成功平衡了这些压力，通过选择意义对齐但不过长或不合理的候选项，将黄金序列排名在前列。
4. 时间鲁棒性：模型性能的相对排序在不同的历史训练窗口（1830–1910）中保持稳定，表明交流权衡是词汇化中的一个一致因素。

意义与主张
本文主张提供作为理性交流的形态构成的计算解释。通过将构词形式化为 RSA 风格的选择，作者证明，当同时评估听者可恢复性和说话者效率时，已证实的形态形式比未证实的替代方案系统地获得更高的排名。

本研究将理性交流计划从话语层面的选择扩展至词语的内部结构。它认为词汇化反映了表达力与效率之间的交流权衡。尽管作者承认 RSA 框架仅捕捉了选择的“系统性部分”（正如 $S_1$ 与判别式模型之间的差距所证明的那样），但结果证实，信息量与成本的权衡是语言随时间选择特定语素组合的基本驱动力。这项工作提供了一种互补的、可解释的分解方法，用于候选层面的选择，这是全局效率模型或基于类比的方法所未明确涉及的。