大型语言模型能否像语言学家一样编码？——低资源声律诱导案例研究
计算与语言
2025-04-03 v1 人工智能
摘要
历史语言学家长期以来编写一种不完全形式化的“程序”，将在祖先语言中被重构的单词转换为其某个已知后代中的单词，这些单词由一系列有序的字符串改写函数（称为声律）组成。他们通过观察祖先语言（原形）和后代语言（反映）中的单词对，构建将原形转换为反映的程序。然而，编写这些程序容易出错且耗时。先前的工作已成功地在计算上支撑了这一过程，但更少的研究者尝试解决声律诱导（SLI），而本文正是以将其方法化为编程示例的方式来处理。我们提出一种语言无关的解决方案，利用大型语言模型（LLM）的编程能力，从声变例子生成 Python 声律程序。我们评估了该方法对各种 LLM 的有效性，提出了有效的方法来生成额外的语言无关合成数据以微调 LLM 进行 SLI，并将我们的方法与现有的自动 SLI 方法进行比较，显示虽然 LLM 在某些方面仍落后于它们，但它们可以补充其一些弱点。
引用
@article{arxiv.2406.12725,
title = {Can Large Language Models Code Like a Linguist?: A Case Study in Low Resource Sound Law Induction},
author = {Atharva Naik and Kexun Zhang and Nathaniel Robinson and Aravind Mysore and Clayton Marr and Hong Sng and Rebecca Byrnes and Anna Cai and Kalvin Chang and David Mortensen},
journal= {arXiv preprint arXiv:2406.12725},
year = {2025}
}