語用言語使用では、話者が選びうる代替表現や、聞き手が考慮する代替解釈について推論する能力が重要です。しかし、従来の形式的・計算モデルでは、これらの代替案集合を手動で指定する必要があり、柔軟性や拡張性に限界がありました。今回、Polina Tsvilodub氏らは、認知モデルの説明透明性と言語モデル（LM）の生成柔軟性を組み合わせたフレームワーク「SAGE（ScAffolded Generative models for Explanation）」を提案しました。SAGEは語用推論プロセスを3種類のモジュールに分解します。提案者（proposer）はLMを用いてオープンエンドな候補代替空間を生成し、評価者（evaluator）はそれらの代替案の意味論、複雑性、典型性などを評価します。選択者（selector）は認知的に動機づけられたタスク分析に基づくルールベースの計算ステップを実行し、最適な解を選択します。
研究チームは、語用生成と解釈をカバーする3つのケーススタディ（指示表現生成、様態含意、グライス会話含意）でSAGEを評価しました。実験では、アブレーション研究、ベースライン比較、人間データへの定量的適合など、計算認知モデリングの確立された手法を用いました。
結果、SAGEモデルはすべてのケースで高い精度を達成し、多くの場合ベースラインを上回りました。しかし、コンポーネントレベルの分析から非対称性が明らかになりました。LM提案者は語用モデリングに適した代替案を安定して生成する一方、LM評価者は理論的・形式的な判断よりも直感的な判断に優れていることが示されました。
著者らは、神経記号モデルが人間の語用言語使用の説明的説明として持つ可能性と限界について議論しています。SAGEフレームワークは、記号推論と神経生成モデルを組み合わせる新たなアプローチを提供し、語用計算モデリングの進展に貢献することが期待されます。本論文はarXivプレプリントとして公開されています（論文ID: 2607.18443）。全体として、SAGEは言語モデルの生成能力を活用して従来の認知モデルの適用範囲を拡大する一方、理論的評価における現在のモデルの限界を明らかにし、今後の研究方向性を示しています。