[论文解读] Generalizing meanings from partners to populations: Hierarchical inference supports convention formation on networks

Robert D. Hawkins, Noah D. Goodman+2 more|arXiv (Cornell University)|Feb 4, 2020

Language and cultural evolution参考文献 31被引用 6

一句话总结

本文提出了一种分层贝叶斯模型，解释了个体内在如何通过从特定伙伴的互动中泛化，形成群体范围的语言惯例。通过将意义建模为来自共享群体分布，同时允许特定伙伴的差异，该模型表明，局部的伙伴特定学习可以驱动全局惯例的形成，实验数据支持了这种伙伴特定性与网络范围的收敛性。

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.

研究动机与目标

• 解决一个悖论：即群体范围的语言惯例如何从特定伙伴的交流经验中产生。
• 通过提出一种部分池化机制，挑战完全池化和无池化模型，以平衡个体与群体层面的学习。
• 检验分层推断是否能够实现从成对互动到网络范围惯例的高效泛化。
• 通过小规模交流网络中的行为实验，评估模型预测的有效性。

提出的方法

• 形式化一个分层贝叶斯模型，其中群体层面的意义分布（Θ）控制特定伙伴的意义系统（ϕk），从而实现在不同伙伴之间的抽象化。
• 使用概率推断，基于成对互动更新对意义映射的信念，同时在多个抽象层次上建模不确定性。
• 通过模拟多个伙伴之间的说话者和听者行为，预测泛化模式和收敛动态。
• 在小规模网络中开展自然语言指代游戏实验，追踪参与者在不同伙伴之间的标签使用和对齐情况。
• 使用混合效应逻辑回归分析数据，检验配对类型（组内 vs. 组间）与伙伴数量之间是否存在显著交互效应。
• 使用泛化和收敛的定量度量，将模型预测与替代理论（完全池化、无池化）进行比较。

实验结果

研究问题

• RQ1 个体如何从特定伙伴的意义使用中泛化为群体范围的惯例？
• RQ2 特定伙伴的互动在多大程度上促进或阻碍网络范围的协调？
• RQ3 分层贝叶斯模型能否同时解释语言惯例中的伙伴特定性与全局收敛性？
• RQ4 在通信网络中，哪些经验性特征可将分层推断与完全池化或无池化模型区分开来？

主要发现

• 在配对类型与伙伴数量之间发现显著交互效应（b = -0.85，z = -5.69，p < 0.001），表明网络中不同伙伴之间成对使用的标签逐渐对齐。
• 参与者在互动初期表现出伙伴特定的标签使用行为，表明局部共同基础在初始交流中压倒了全局预期。
• 随着时间推移，网络中不同配对使用的标签趋于收敛，表明通过分层推断，局部惯例能够跨伙伴泛化。
• 数据强烈拒绝了完全池化和无池化模型，支持分层贝叶斯模型作为观察到的泛化模式的最佳解释。
• 该模型能够解释异常值（如非母语者）而不破坏群体层面的预期，凸显其稳健性。