[论文解读] Construction Grammar and Artificial Intelligence

Katrien Beuls, Paul Van Eecke|arXiv (Cornell University)|Aug 31, 2023

Natural Language Processing Techniques被引用 4

一句话总结

本文主张，建构语法（CxG）与人工智能（AI）在根本上都致力于将语言建模为一个动态的、基于使用经验的、并与交际活动紧密关联的系统。它展示了人工智能技术如何增强建构语法的可操作性与可扩展性，同时建构语法的洞见也推动了人工智能实现真正智能、具备语言能力的智能体的目标，二者在如流体建构语法（Fluid Construction Grammar）和FrameNet项目等框架中体现出相互促进的效益。

ABSTRACT

In this chapter, we argue that it is highly beneficial for the contemporary construction grammarian to have a thorough understanding of the strong relationship between the research fields of construction grammar and artificial intelligence. We start by unravelling the historical links between the two fields, showing that their relationship is rooted in a common attitude towards human communication and language. We then discuss the first direction of influence, focussing in particular on how insights and techniques from the field of artificial intelligence play an important role in operationalising, validating and scaling constructionist approaches to language. We then proceed to the second direction of influence, highlighting the relevance of construction grammar insights and analyses to the artificial intelligence endeavour of building truly intelligent agents. We support our case with a variety of illustrative examples and conclude that the further elaboration of this relationship will play a key role in shaping the future of the field of construction grammar.

研究动机与目标

• 确立建构语法与人工智能之间在历史与概念上的连续性，其基础在于二者对语言作为交际性、基于使用经验且根植于认知的共同理解。
• 展示人工智能技术——特别是逻辑编程、神经启发式方法与演化建模——如何增强建构主义语言模型的可操作性、验证性与可扩展性。
• 表明建构语法的洞见，如框架语义学与建构网络，如何促进构建更稳健、具认知基础且可泛化的AI系统，使其具备类人语言理解与生成能力。
• 主张C xG与AI之间应实现更深层次的整合，以推动两个领域向真正智能、类人语言处理系统的方向发展。
• 通过案例研究（包括流体建构语法、Talking Heads实验与FrameNet）阐明这种协同效应，突出双向影响与共享的认知机制。

提出的方法

• 通过分析建构语法与人工智能领域关键文献（如Fillmore、Wilensky、Norvig、Schank、Minsky）的历史与文本资料，追溯二者在交际性、认知基础与基于使用经验的学习方面的共同概念根源。
• 应用计算框架如流体建构语法（FCG），利用逻辑编程与合一机制建模双向语言处理与建构对齐。
• 采用演化与发育机器人学方法（如Steels的Talking Heads实验），通过感知与行动的交互模拟语言结构的涌现。
• 整合框架语义学与FrameNet，作为连接语言理论与AI应用的桥梁，实现知识丰富的语言理解。
• 利用神经启发式方法与元层问题求解（如Van Eecke等人的研究），扩展建构语法的处理能力，提升泛化能力与效率。
• 使用多层级对齐与建构依赖模型（如van Trijp & Steels的研究），在演化的语言系统中保持系统性与连贯性。

实验结果

研究问题

• RQ1 建构语法与人工智能在将语言建模为一种交际性、基于使用经验且根植于认知的系统方面，是否具有共同的概念基础？
• RQ2 人工智能技术（如逻辑编程、神经启发式方法与演化建模）在哪些方面能够增强建构语法框架的可操作性与可扩展性？
• RQ3 建构语法的洞见（尤其是框架语义学与建构网络）如何促进更稳健、更具泛化能力的AI系统的发展，以实现语言理解与生成？
• RQ4 是否存在双向影响的证据？共享机制如建构对齐与感知基础如何支持C xG与AI之间的相互推进？
• RQ5 计算建构语法（如流体建构语法）如何用于在具身化、交互环境中建模句法与语义的协同习得？

主要发现

• 建构语法与人工智能具有深厚的历史与概念渊源，其基础在于将语言视为一种动态的、交际性的、基于使用经验且根植于认知与感知的系统。
• 人工智能技术（如逻辑编程与神经启发式方法）显著提升了建构语法模型的可扩展性与可操作性，使高效解析、生成与泛化成为可能。
• FrameNet项目（受Fillmore的框架语义学启发）是建构语法洞见直接影响AI系统的典范，已成为早期AI教科书中的标准组件。
• 演化机器人学实验（如Talking Heads项目）表明，语言结构（包括句法与语义）可通过交互过程自然涌现，支持语言是通过情境化、交际性经验习得的观点。
• 计算框架如流体建构语法支持双向处理与建构对齐，使智能体能使用相同表征实现语言理解与生成。
• 将建构语法与AI整合，有助于实现真正智能代理的目标，通过将语言嵌入推理、视觉与社会协调等更广泛的认知过程中。