这篇于2026年5月15日提交到arXiv的论文（编号2605.16654，属于计算与语言cs.CL，并交叉列入人工智能cs.AI）由Divyesh Pratap Singh等共七位作者完成，通讯作者为Ifeoma Nwogu，全文共12页。研究聚焦于发展语言学中一个长期受到关注却难以大规模测量的区分：方式动词（manner verbs）与结果动词（result verbs）。这两类动词编码事件结构的不同侧面，前者描述动作的方式，后者描述动作带来的结果，因而被认为对研究儿童早期动词学习具有潜在价值。然而，由于目前缺乏大规模的方式／结果标注资源，这一区分很难在真实语料上系统测量。
为填补这一空白，作者提出了一套在句子语境中自动识别方式动词与结果动词的计算方法。其核心思路是借助语言学家设计的提示词（linguistically informed prompts），调用大语言模型对取自MASC和InterCorp的语料进行句子级标注。这一做法把原有的标注覆盖范围从VerbNet中已人工标注的部分大幅扩展，最终覆盖到436个动词类别，为后续模型训练提供了规模可观的训练数据。
在获得这些标注之后，研究团队训练了一个基于RoBERTa的分类器，并在三个独立的留出金标准数据集上评估其表现，其中一个数据集包含此前已标注的条目，另一个则是新近由专家标注的集合。评估结果显示该模型表现具有前景，平均准确率最高可达89.6%。作者强调，这套系统可作为一种可扩展的测量工具，服务于未来关于动词语义的研究，既可用于发展语言学数据，也可用于其他语言数据集。
论文同时明确指出了当前的局限：对于边界情况、兼具方式与结果特征的混合动词，以及下游的发展心理学应用，仍需要进一步的验证。换言之，这项工作的主要贡献在于提供可规模化的测量手段与初步的性能证据，而非宣称已经完全解决方式／结果动词的分类难题。对于希望在大规模儿童语言语料中考察动词语义的研究者而言，该方法提供了一个可复用的起点。