[논문 리뷰] Generalizing meanings from partners to populations: Hierarchical inference supports convention formation on networks

Robert D. Hawkins, Noah D. Goodman외 2명|arXiv (Cornell University)|2020. 02. 04.

Language and cultural evolution참고 문헌 31인용 수 6

한 줄 요약

이 논문은 개인이 파트너별 상호작용에서 일반화함으로써 공동체 수준의 언어적 관습을 어떻게 형성하는지 설명하는 계층적 베이지안 모델을 제안한다. 공동체 수준의 분포에서 의미를 추출하면서도 파트너별로 차이를 허용함으로써, 국소적인 파트너별 학습이 글로벌 관습 형성으로 이어질 수 있음을 보여주며, 실험 데이터는 파트너별 특이성과 네트워크 전체의 수렴을 모두 뒷받침한다.

ABSTRACT

A key property of linguistic conventions is that they hold over an entire community of speakers, allowing us to communicate efficiently even with people we have never met before. At the same time, much of our language use is partner-specific: we know that words may be understood differently by different people based on our shared history. This poses a challenge for accounts of convention formation. Exactly how do agents make the inferential leap to community-wide expectations while maintaining partner-specific knowledge? We propose a hierarchical Bayesian model to explain how speakers and listeners solve this inductive problem. To evaluate our model's predictions, we conducted an experiment where participants played an extended natural-language communication game with different partners in a small community. We examine several measures of generalization and find key signatures of both partner-specificity and community convergence that distinguish our model from alternatives. These results suggest that partner-specificity is not only compatible with the formation of community-wide conventions, but may facilitate it when coupled with a powerful inductive mechanism.

연구 동기 및 목표

• 공동체 수준의 언어적 관습가 파트너별 의사소통 경험에서 어떻게 유도되는지에 대한 역설을 해결하기 위해.
• 완전 풀링 모델과 풀링 없음 모델을 도전하기 위해 개인과 집단 수준의 학습을 균형 잡는 부분 풀링 메커니즘을 제안하기 위해.
• 계층적 추론이 이원적 상호작용에서 네트워크 전체 관습으로의 효율적 일반화를 가능하게 하는지 테스트하기 위해.
• 소규모 의사소통 네트워크에서의 행동 실험을 통해 모델의 예측을 평가하기 위해.

제안 방법

• 공동체 수준의 의미 분포(Θ)가 파트너별 의미 체계(ϕk)를 지배하는 계층적 베이지안 모델을 수립하여, 다양한 파트너 간의 추상화를 가능하게 한다.
• 확률적 추론을 사용하여 이원적 상호작용 기반으로 의미 매핑에 대한 신뢰도를 업데이트하며, 여러 수준의 추상화에서 불확실성을 모델링한다.
• 다양한 파트너들과의 화자 및 청자 행동을 시뮬레이션하여 일반화 패턴과 수렴 역학을 예측한다.
• 참가자들이 소규모 네트워크에서 참여하는 자연어 기반 참조 게임 실험을 실시하며, 파트너 간 레이블 사용과 일치도를 추적한다.
• 혼합 효과 로지스틱 회귀 분석을 통해 쌍 유형(내부 대 상호)과 파트너 수 간의 상호작용 효과가 유의미한지 테스트한다.
• 일반화 및 수렴의 정량적 측도를 사용하여 모델 예측을 완전 풀링 및 풀링 없음 모델과 비교한다.

실험 결과

연구 질문

• RQ1 개개인이 파트너별 의미 사용에서 공동체 수준의 관습으로 어떻게 일반화하는가?
• RQ2 파트너별 상호작용이 네트워크 전체 조율에 얼마나 기여하거나 방해하는가?
• RQ3 계층적 베이지안 모델이 언어적 관습에서 파트너별 특이성과 글로벌 수렴을 모두 설명할 수 있는가?
• RQ4 어떤 경험적 증거가 계층적 추론 모델을 완전 풀링 또는 풀링 없음 모델과 구별할 수 있는가?

주요 결과

• 쌍 유형과 파트너 수 간에 유의미한 상호작용 효과가 발견되었다(b = -0.85, z = -5.69, p < 0.001), 이는 네트워크 내 다양한 파트너 간에 이원적 상호작용에서 사용된 레이블이 점차 일치함을 보여준다.
• 참가자들은 초기 상호작용에서 파트너별로 특화된 레이블 사용 행동을 보였으며, 이는 초반 상호작용에서 국소적 공통 지식이 글로벌 기대를 압도함을 시사한다.
• 시간이 지남에 따라 네트워크 내 서로 다른 쌍에서 사용된 레이블이 수렴했으며, 이는 국소적 관습이 계층적 추론을 통해 파트너 간으로 일반화됨을 보여준다.
• 데이터는 완전 풀링 모델과 풀링 없음 모델을 강하게 기각하였으며, 관찰된 일반화 패턴에 대한 최적의 설명으로 계층적 베이지안 모델을 지지한다.
• 모델이 이질적 사례(예: 비모국어 사용자)를 설명함으로써 공동체 수준의 기대를 훼손하지 않고도 강건함을 입증한다.