人工神经网络能告诉我们关于人类语言习得的什么
摘要
自然语言处理中机器学习的快速进展有潜力改变关于人类如何学习语言的争论。然而，当前人工学习器与人类的学习环境和偏置存在分歧，削弱了从学习模拟中获得证据的影响力。例如，当今最有效的神经语言模型所训练的语言数据量约为典型儿童可用量的上千倍。为提升计算模型可学习性结果的相关性，我们需要训练模型学习器而不赋予其显著优于人类的优势。若合适的模型成功习得某目标语言知识，它可提供一个概念验证：该目标在假设的人类学习情景中是可学习的。可信的模型学习器将使我们能够进行实验操控，以对学习环境中的变量作出因果推断，并严格检验基于可学习性推测、主张人类具有先天语言知识的刺激贫乏论式论断。由于实践和伦理考量，此类实验永远无法以人类被试进行，使模型学习器成为不可或缺的资源。迄今，剥夺当前模型不公平优势的努力在可接受性判断等关键语法行为上取得亚人水平结果。但在我们可合理得出结论语言学习需要比当前模型更多的先验领域特定知识之前，必须首先探索以多模态刺激和多智能体交互形式存在的非语言输入，作为使学习器从有限语言输入中更高效学习的方式。
引用
@article{arxiv.2208.07998,
title = {What Artificial Neural Networks Can Tell Us About Human Language Acquisition},
author = {Alex Warstadt and Samuel R. Bowman},
journal= {arXiv preprint arXiv:2208.07998},
year = {2024}
}
备注
Please cite the published version with the following information: @incollection{warstadt2022artificial, title={What artificial neural networks can tell us about human language acquisition}, author={Warstadt, Alex and Bowman, Samuel R.}, booktitle={Algebraic Structures in Natural Language}, pages={17--60}, year={2022}, publisher={CRC Press} }