Проблема логической субъективности
Традиционные лингвистические объяснения того, почему естественные языки предпочитают одни значения другим, опирались на логическую определяемость и сложность. Однако этот подход имеет критический недостаток: результаты сильно зависят от выбора конкретного логического языка. Это делает многие проектные решения в семантике немотивированными и субъективными.
ML как «когнитивный термометр»
Авторы статьи (arXiv:2610.10724, октябрь 2026) предлагают более агностический подход: использовать машинное обучение для измерения семантической сложности. Идея заключается в том, что способность модели обучаться или классифицировать концепцию служит индикатором её когнитивной доступности для человека. Этот метод позволяет объединить символьную логику и коннекционистский ИИ в единую систему оценки.
Сравнение подходов
Исследование показывает, что в большинстве случаев логика и машинное обучение дают сходящиеся результаты. Однако в случаях расхождений ML-модели часто оказываются более точным предиктором языковой универсалии. Ниже приведена сравнительная характеристика методов:
| Критерий | Символьная логика | Машинное обучение (Cognitive Thermometers) |
|---|---|---|
| Зависимость от формализма | Высокая (результат зависит от выбора языка логики) | Низкая (агностический подход к представлению данных) |
| Точность предсказания | Средняя (расхождения с эмпирическими данными) | Высокая (лучшее объяснение в зонах расхождений) |
| Связь с когнитивикой | Абстрактная | Прямая (имитация процессов обучения) |
Значение для семантики и AI
Введение концепции «когнитивных термометров» позволяет преодолеть разрыв между семантической типологией и нейросетевыми моделями. Это дает исследователям инструмент для объективной оценки того, какие семантические категории являются «легкими» для обработки человеческим мозгом, а какие требуют сложных вычислительных ресурсов, что напрямую отражается на эволюции языков.
Источник: arXiv cs.CL ↗