子どもが言語を習得する過程において、様態動詞（manner verbs）と結果動詞（result verbs）の区別は、初期の動詞学習を研究する上で有益な手がかりとして議論されてきた。様態動詞は動作の方法を表し（例：「走る」「跳ぶ」）、結果動詞は動作による状態変化を強調する（例：「壊す」「開ける」）。この区別は事象構造の異なる側面をコードしているが、様態動詞と結果動詞を分類するための大規模な注釈リソースが現在利用できないため、大規模に測定することは困難であった。
このボトルネックに対処するため、Divyesh Pratap Singhら7名の著者はarXivにプレプリント論文を公開し、文脈中で様態動詞と結果動詞を自動的に識別する計算手法を提案した。この手法ではまず、言語学的知見に基づいて設計されたプロンプトを用いて、大規模言語モデルにMASCおよびInterCorpから抽出した文のアノテーションを生成させる。これらのアノテーションは、VerbNetで以前に注釈が付けられた部分をカバーし、436の動詞クラスにまで範囲を拡張する。
文レベルのアノテーションを取得した後、研究チームはRoBERTaベースの分類器を訓練し、3つのホールドアウト・ゴールドスタンダードデータセットで性能を評価した。これらの評価データセットには、以前に注釈が付けられた項目と、新たに専門家が注釈を付けたセットが含まれる。その結果、モデルは良好な性能を示し、平均精度は最大89.6%に達した。
著者らはこの研究を、発達言語データセットやその他の言語データセットにおける動詞意味論の将来の研究を支援できるスケーラブルな測定ツールとして位置づけている。同時に、境界事例、混合様態/結果動詞、および下流の発達応用については、さらなる検証が必要であると指摘している。
本論文は12ページで、計算と言語（cs.CL）および人工知能（cs.AI）の分野に分類され、2026年5月15日に投稿された。この研究の意義は、発達言語学研究に対して自動的でスケーラブルな動詞意味論の測定手段を提供し、大規模分析の障壁を下げる可能性がある点にある。