[论文解读] 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 0

一句话总结

论文认为分层语言处理在符合人类工作记忆约束方面具有最优性，使用一个似然框架，其中 tehta_MLE 等于单位的均值；仿真与自然语言验证表明分层结构优于线性处理，并与儿童发展模式相一致。

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.

研究动机与目标

• 激发提出问题：为何人类语言是分层的。
• 建立基于似然的框架，量化语言处理单位与工作记忆容量（WMC）之间的一致性。
• 证明分层处理在符合人类 WMC 的约束时比线性处理更好地约束 tehta_MLE。
• 通过仿真与自然语言数据进行验证。
• 将发现与儿童 WMC 的发展模式联系起来。

提出的方法

• 定义一个似然函数，用以衡量在语言处理下预期单位与人类 WMC 之间的一致性。
• 推导出最大似然估计 tehta_MLE 等于单位的均值。
• 对符号序列进行计算机仿真，比较分层与线性处理。
• 使用对自然语言句子的分析来验证该方法。
• 评估随着序列长度增长及在不同发展阶段 tehta_MLE 的表现。

实验结果

研究问题

• RQ1 分层语言处理是否能最大化与人类工作记忆容量的一致性？
• RQ2 在该框架中 tehta_MLE 的数学形式和含义是什么？
• RQ3 随着序列长度增加，分层处理是否比线性处理更有效地约束 tehta_MLE？
• RQ4 结果是否可推广到儿童工作记忆容量的发展模式？
• RQ5 对自然语言数据的分析是否印证来自仿真的发现？

主要发现

• 随着序列长度的增加，分层处理在约束 tehta_MLE 的效果上远超线性处理。
• 在所提出的框架下，最大似然估计 tehta_MLE 等于单位的均值。
• 计算机仿真和对自然语言句子的验证分析支持分层处理在记忆受限的语言理解中的优势。
• tehta_MLE 与儿童 WMC 发展呈现趋同的模式。
• 结果表明分层结构在记忆容量范围内优化处理效率，解释了语言普遍具有分层结构的原因。