Quantifying the cross-linguistic effects of syncretism on agreement attraction

以下是用简单语言和日常类比对该论文的解读。

全局概览：餐桌上的混乱

想象你正在参加一个晚宴，主人（动词）需要与贵宾（主语名词）握手。通常这很简单：主人看着贵宾，说“你好，单数贵宾！”或“你好，复数贵宾们！”

但有时，会有第三个人站在他们中间（吸引名词）。这个人声音很大，很分散注意力。如果主人分心了，可能会不小心和这个吵闹的第三人握手，而不是和贵宾握手。在语言学中，这种错误被称为一致吸引。

示例：

• 正确： “橱柜的钥匙（单数）是生锈的。”
• 错误： “橱柜的钥匙（单数）到橱柜们（复数）是生锈的。”
• 发生了什么？ 主人（动词 are）被复数的 cabinets（橱柜们）分散了注意力，忘记了去看真正的贵宾 key（钥匙）。

谜团：为什么有些语言更容易混淆？

研究人员注意到一件奇怪的事。在某些语言（如英语、德语和俄语）中，如果那个分散注意力的词在“制服”（形态）上与贵宾完全一样，这种混淆就会频繁发生。这被称为同形异义（Syncretism）。

• 同形异义： 想象两个不同的人穿着完全相同的制服。匆匆一瞥，你无法区分他们。
• 理论： 如果分散注意力的词穿着与真正主语相同的制服，主人就会非常困惑并犯下错误。

然而，在其他语言（如土耳其语和亚美尼亚语）中，即使单词看起来相似，这种混淆也不会发生。在法语中，情况恰恰相反：当单词看起来相似时，混淆反而更少发生。

问题： 为什么穿着相同制服会在英语中导致混淆，而在土耳其语中却不会？这篇论文没有最终答案，但它使用了一种新工具进行调查。

新工具：“超级读者”（大型语言模型）

作者没有让成千上万的人类阅读句子并犯错（这需要很长时间），而是使用了大型语言模型（LLMs）——你可以把它们想象成超快、超聪明的机器人，它们几乎读遍了互联网上的所有内容。

他们使用了两种特定的“感官”来观察机器人会多么困惑：

1. 惊讶度（“等等，什么？”计量器）：

   • 如果机器人读到一个句子，动词与主语不匹配，它应该感到惊讶（就像人类说“等等，这听起来不对！”）。
   • 如果机器人对错误的惊讶程度较低，这意味着它被分散注意力的词欺骗了，就像人类一样。
   • 类比： 如果你预期狗会叫，但猫却喵了一声，你会感到惊讶。如果你预期狗会叫，但一只长得像猫的狗却喵了一声，你可能会惊讶得少一些，因为你被欺骗了。

2. 注意力熵（“专注”计量器）：

   • 这衡量机器人的注意力分散程度。
   • 如果机器人只专注于真正的主语，它的注意力就很锐利（低熵）。
   • 如果机器人感到困惑，同时看着主语和干扰项，它的注意力就会分散（高熵）。
   • 类比： 想象你在嘈杂的房间里试图听一个人说话。如果你全神贯注地听他，你就能听得很清楚。如果你开始听房间里每个人的声音，你的注意力就会分散。

他们的发现

研究人员在四种语言中测试了这些机器人：英语、德语、俄语和土耳其语。

• 英语和德语： 机器人的行为与人类完全一致。当分散注意力的词穿着与主语相同的“制服”（同形异义）时，机器人被欺骗了。它们的“等等，什么？”计量器读数下降（对错误的惊讶减少），而“专注”计量器变得分散。

  • 结论： 这里的机器人模拟非常成功。

• 土耳其语： 人类在土耳其语中不会被“相同制服”欺骗。机器人也同意这一点！它们也没有被欺骗。“制服”并不重要。

  • 结论： 这里的机器人模拟同样非常成功。

• 俄语： 这是棘手的一个。人类在俄语中会以两种方式被欺骗：

  1. 当干扰项看起来像主语时（标准欺骗）。
  2. 当一个单数词看起来像复数词时（一种奇怪的、反向的欺骗）。
     机器人搞对了第一部分（它们被标准的“制服”欺骗了）。但它们未能搞对第二部分。它们没有被“反向”制服欺骗。
  • 为什么？ 作者推测，机器人更擅长查看整个句子结构（句法）来确定谁是谁，而人类可能更容易被单词的表面外观所迷惑。

结论

该论文得出结论，这些“超级读者”（LLMs）在模仿人类如何在某些语言中因语法而困惑方面表现出色，但并非在所有语言中都是如此。

• 好消息： 机器人证实，在英语和德语等语言中，长得像确实会导致混淆。
• 坏消息： 在俄语等语言中，机器人太聪明了，不会落入人类会掉进的某些陷阱。它们过于依赖句子结构的“大局”。
• 大谜团： 为什么人类和机器人在不同语言中对这些“制服”的反应不同？论文指出，这可能是因为某些语言严重依赖单词形状（形态）来理解含义，而其他语言则更依赖词序。

简而言之： 这项研究利用人工智能证明了“长得像”会在某些语言中导致语法混淆，但人工智能也向我们表明，人类和机器在处理这些混淆时可能存在细微的差别。