巧干而非苦干:SOV 语言中依存长度的有效最小化

依存长度最小化是自然语言中普遍观察到的一种定量属性。然而,依存长度最小化的程度,以及语言处理器实现这种最小化的认知机制仍不清楚。本研究通过假设将较短的前置依存成分移动到主动词旁边,能比全局最小化依存长度更好地解释 SOV 语言中的前置依存成分排序决策,从而提供了机制层面的见解。这种方法构成了一种最小努力策略,因为它只需一次操作,却能同时缩短与主动词相关的所有前置依存的长度。我们利用 Universal Dependency Treebank 中具有显著代表性的所有七种 SOV 语言的大规模语料库证据证实了这一策略。这些发现与有限理性概念相吻合,即决策制定受“快速且经济”的启发式规则影响,而非对最优解的穷尽搜索。总体而言,这项工作阐明了有限理性在语言决策和语言演化中的作用。