[논문 리뷰] Language Hierarchization Provides the Optimal Solution to Human Working Memory Limits

LuYao Chen, W. Gao외 3명|arXiv (Cornell University)|2026. 01. 06.

Neurobiology of Language and Bilingualism인용 수 0

한 줄 요약

본 논문은 계층적 언어 처리가 인간의 작업 기억 제약에 최적적으로 부합한다고 주장하며, tehta_MLE가 단위의 평균과 같음을 나타내는 가능도 프레임워크를 사용한다; 시뮬레이션과 자연어 검증은 계층적 구조가 선형 처리보다 우수하고 어린이의 발달 패턴과 일치함을 보인다.

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.

연구 동기 및 목표

• 왜 인간의 언어가 계층적인지에 대한 질문을 제기한다.
• 언어 처리 단위와 작업 기억 용량(WMC) 간의 정렬 정도를 정량화하기 위한 가능도 기반 프레임워크를 개발한다.
• 계층적 처리가 인간의 WMC 하에서 tehta_MLE를 선형 처리보다 더 잘 제약한다는 것을 보인다.
• 시뮬레이션과 자연어 데이터를 통해 검증한다.
• 연구 결과를 어린이의 WMC 발달 패턴과 연결한다.

제안 방법

• 언어 처리 하에서 기대되는 단위 간의 정렬 정도를 측정하는 가능도 함수를 정의한다.
• 최대 가능도 추정치 tehta_MLE가 단위의 평균과 같음을 도출한다.
• 기호 시퀀스로 계층적 처리와 선형 처리를 비교하기 위한 계산적 시뮬레이션을 수행한다.
• 자연어 문장 분석을 사용해 접근법을 검증한다.
• 시퀀스 길이가 증가하고 발달 단계별로 tehta_MLE가 어떻게 작용하는지 평가한다.

실험 결과

연구 질문

• RQ1 계층적 언어 처리가 인간의 작업 기억 용량과의 정렬을 극대화할 수 있는가?
• RQ2 이 프레임워크에서 tehta_MLE의 수학적 형태와 해석은 무엇인가?
• RQ3 시퀀스 길이가 늘어남에 따라 계층적 처리가 선형 처리보다 tehta_MLE를 더 효과적으로 제약하는가?
• RQ4 결과가 어린이의 작업 기억 용량 발달 패턴에 일반화되는가?
• RQ5 자연어 데이터 분석이 시뮬레이션의 발견을 뒷받침하는가?

주요 결과

• 시퀀스 길이가 증가함에 따라 계층적 처리는 인간의 WMC 하에서 tehta_MLE를 선형 처리보다 훨씬 더 제약한다.
• 제안된 프레임워크 하에서 최대 가능도 추정치 tehta_MLE는 단위의 평균이다.
• 계산 시뮬레이션과 자연어 문장에 대한 검증 분석은 기억 제약이 있는 언어 이해에서 계층적 처리가 우수하다는 것을 뒷받침한다.
• 어린이의 WMC 발달과 관련된 tehta_MLE의 수렴 패턴이 있다.
• 결과는 계층적 구조가 기억 한계 내에서 처리 효율을 최적화함을 시사하며, 보편적 계층적 언어를 설명한다.