Исследователи представили вычислительную модель раннего освоения языка, рассматривающую ментальный лексикон как сложную сеть. Процесс обучения представлен как поиск по графу, сочетающий механизмы распространения активации и принудительного исследования новых категорий. Модель успешно протестирована на данных четырех языков, демонстрируя, как неравномерное усвоение лексики зависит от структуры семантических связей и стратегий поиска.
Авторы работы опираются на гипотезу о том, что дети при изучении языка отдают предпочтение исследованию (exploration) новых категорий, а не эксплуатации уже известных слов. В рамках модели ментальный лексикон представлен в виде графа, где узлы — это слова, а ребра — семантические или лексические ассоциации. Такой подход позволяет объяснить, почему процесс накопления словарного запаса не является линейным и сильно зависит от топологии связей между понятиями.
Результаты исследования показывают, что динамика обучения напрямую коррелирует с тем, как эффективно алгоритм «перепрыгивает» между семантическими кластерами. Это дает новое понимание механизмов когнитивного развития и может быть использовано для улучшения алгоритмов обучения нейросетевых моделей, работающих с семантическими графами и графовыми базами данных.
Ключевые факты
- Модель основана на двух процессах: распространении активации (spreading activation) и принудительном исследовании категорий.
- Тестирование проводилось на данных четырех языков: немецкого, английского, нидерландского и еще одного языка из выборки.
- Исследование подтверждает, что неравномерность усвоения слов обусловлена структурой ментального лексикона как сложной сети.
- Подход демонстрирует эффективность стратегии «исследования» (exploration) в задачах формирования семантических связей у ИИ-систем.