Is Child-Directed Language Optimized for Word Learning? A Computational Study of Verb Meaning Acquisition

📄 arXiv: 2605.12047v1 📥 PDF

作者: Francesca Padovani, Jaap Jumelet, Yevgen Matusevych, Arianna Bisazza

分类: cs.CL

发布日期: 2026-05-12

备注: 8 pages

💡 一句话要点

通过计算模型研究儿童语言对动词学习的优化效果

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 儿童语言学习 动词意义获取 神经语言模型 句法干扰 语言优化

📋 核心要点

  1. 核心问题：现有研究未能明确儿童导向语言是否真正优化了语言学习，尤其是在动词意义的获取上存在挑战。
  2. 方法要点：本研究通过神经语言模型对比CDL与ADL，分析去除句法或词汇信息对动词学习的影响。
  3. 实验或效果：结果显示CDL在动词学习中表现出更高的韧性，且动词意义的获取优先于句法能力的提升。

📝 摘要（中文）

本研究探讨儿童导向语言（CDL）是否优化了语言学习，并分析其对语言发展的影响。研究使用神经语言模型对比CDL与成人导向语言（ADL），并通过选择性去除模型训练数据中的句法或词汇共现信息，评估这些操作对动词意义获取的影响。结果表明，句法干扰会在所有数据集中削弱学习能力，而CDL和口语ADL训练的模型表现出显著更高的韧性，尤其是在书面输入中。研究发现，动词意义的获取呈现语义优先的轨迹，动词意义在句法能力之前显现，这种不同步现象在口语领域，尤其是CDL中最为明显。这些结果表明，CDL对动词学习的优势可能反映了口语体的更广泛特性，而非CDL特有的优化。

🔬 方法详解

问题定义：本研究旨在探讨儿童导向语言（CDL）是否优化了动词学习，现有方法未能充分揭示CDL与成人导向语言（ADL）在语言学习中的具体作用。

核心思路：通过使用神经语言模型，研究者对比CDL与ADL的训练效果，特别是分析去除句法或词汇共现信息对动词意义获取的影响，以此揭示CDL的潜在优势。

技术框架：研究采用神经语言模型，首先对CDL和ADL进行训练，然后通过选择性去除句法或词汇信息，评估模型在动词学习上的表现。整体流程包括数据准备、模型训练、干扰实验和结果评估。

关键创新：本研究的创新在于系统性地分析了CDL与ADL在动词学习中的差异，特别是通过去除句法信息的方式，揭示了CDL的韧性与动词意义获取的优先性。

关键设计：在模型训练中，研究者设置了不同的损失函数以评估句法与语义的学习效果，同时采用了多种数据集以确保结果的普适性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，CDL和口语ADL训练的模型在动词学习上表现出显著更高的韧性，尤其是在句法干扰的情况下。具体而言，CDL模型在动词意义获取上优于书面输入模型，且动词意义的学习优先于句法能力的提升，验证了CDL在语言学习中的重要性。

🎯 应用场景

该研究的潜在应用领域包括语言教育、儿童语言发展研究以及自然语言处理。通过理解儿童导向语言的特性，可以为语言学习工具的设计提供理论支持，促进儿童语言能力的提升。此外，研究结果也可能影响语言模型的训练策略，推动更有效的语言学习方法。

📄 摘要（原文）

Is child-directed language (CDL) optimized to support language learning, and which aspects of linguistic development does it facilitate? We investigate this question using neural language models trained on CDL versus adult-directed language (ADL). We selectively remove syntactic or lexical co-occurrence information from the model training data, and evaluate the impact of these manipulations on verb meaning acquisition. While disrupting syntax impairs learning across all datasets, models trained on CDL and spoken ADL show significantly higher resilience than those trained on written input. Tracking semantic and syntactic performance over training, we observe a semantic-first trajectory, with verb meanings emerging prior to robust syntactic proficiency, an asynchrony most pronounced in the spoken domain, especially CDL. These results suggest that the advantage for verb learning previously attributed to CDL may instead reflect broader properties of the spoken register, rather than a uniquely CDL-specific optimization.