[論文レビュー] Language Hierarchization Provides the Optimal Solution to Human Working Memory Limits

LuYao Chen, W. Gao+3 more|arXiv (Cornell University)|Jan 6, 2026

Neurobiology of Language and Bilingualism被引用数 0

ひとこと要約

論文は階層的な言語処理が人間の作業記憶制約に最適に適合すると主張し、 tehta_MLE が単位の平均に等しいという尤度フレームワークを用いる。シミュレーションと自然言語の検証は階層的構造が線形処理を上回り、子どもにおける発達パターンと整合することを示す。

ABSTRACT

Language is a uniquely human trait, conveying information efficiently by organizing word sequences in sentences into hierarchical structures. A central question persists: Why is human language hierarchical? In this study, we show that hierarchization optimally solves the challenge of our limited working memory capacity. We established a likelihood function that quantifies how well the average number of units according to the language processing mechanisms aligns with human working memory capacity (WMC) in a direct fashion. The maximum likelihood estimate (MLE) of this function, tehta_MLE, turns out to be the mean of units. Through computational simulations of symbol sequences and validation analyses of natural language sentences, we uncover that compared to linear processing, hierarchical processing far surpasses it in constraining the tehta_MLE values under the human WMC limit, along with the increase of sequence/sentence length successfully. It also shows a converging pattern related to children's WMC development. These results suggest that constructing hierarchical structures optimizes the processing efficiency of sequential language input while staying within memory constraints, genuinely explaining the universal hierarchical nature of human language.

研究の動機と目的

• 人間の言語がなぜ階層的であるのかという問いを動機づける。
• 言語処理ユニットと作業記憶容量（WMC）の適合性を定量化する尤度ベースの枠組みを開発する。
• 階層的処理が tehta_MLE を線形処理よりも人間のWMCの制約下でうまく制約することを示す。
• シミュレーションと自然言語データで検証する。
• 子どものWMCの発達パターンへの結びつきを示す。

提案手法

• 言語処理下の期待ユニットと人間のWMCとの適合性を測る尤度関数を定義する。
• 最大尤度推定量 tehta_MLE がユニットの平均に等しいことを導出する。
• 階層的処理と線形処理を比較するための記号列を用いた計算機シミュレーションを行う。
• 自然言語文の分析を用いてアプローチを検証する。
• 列の長さが長くなるにつれて tehta_MLE がどのように振る舞うか、発達段階を跨いで評価する。

実験結果

リサーチクエスチョン

• RQ1 階層的な言語処理は人間の作業記憶容量との適合を最大化できるか。
• RQ2 この枠組みで tehta_MLE の数学的形と解釈は何か。
• RQ3 列の長さが増加するにつれて階層的処理は tehta_MLE を線形処理よりもより効果的に制約するか。
• RQ4 子どもの発達パターンへの一般化はあるか。
• RQ5 自然言語データの分析はシミュレーションからの発見を裏付けるか。

主な発見

• 列の長さが増加するにつれて階層的処理は人間のWMC下で tehta_MLE の制約において線形処理をはるかに上回る。
• 提案された枠組みの下で tehta_MLE はユニットの平均である。
• 計算機シミュレーションと自然言語文の検証分析は、記憶制約下の言語理解に対する階層的処理の優越性を支持する。
• tehta_MLE が子どものWMC発達と収束するパターンが見られる。
• 結果は階層的構造が記憶制限内で処理効率を最適化し、普遍的な階層言語を説明することを示唆する。