灵活生成意义与表达替代的语用推理计算模型

在语用语言使用中，推理关于替代方案的能力至关重要——说话者可能选择的替代表达，或听者可能考虑的替代解释。然而，传统的形式化和计算模型往往需要手动指定这些替代方案集，限制了其灵活性和可扩展性。近日，Polina Tsvilodub等人提出了一种名为SAGE（ScAffolded Generative models for Explanation）的框架，旨在结合认知模型的解释透明性与语言模型（LM）的生成灵活性，从而自动生成和评估语用推理中的候选替代方案。

SAGE框架将语用推理过程分解为三个模块：提议者（proposer）、评估者（evaluator）和选择者（selector）。提议者利用语言模型生成开放式的候选替代空间；评估者对这些替代方案进行语义、复杂度或典型性等方面的评估；选择者则基于认知动机的任务分析，执行基于规则的计算步骤，最终选出最合适的解释或表达。

研究团队通过三个案例研究对SAGE进行了评估，涵盖语用生成和解释的关键领域：指代表达生成、方式含义（M-implicatures）以及格莱斯会话含义（Gricean conversational implicatures）。在实验中，SAGE模型采用了计算认知建模中的成熟方法，包括消融研究、基线比较以及对人类数据的量化拟合。

结果表明，SAGE模型在所有案例中均实现了高准确率，且通常优于基线模型。然而，组件级别的分析揭示了一个关键的非对称性：语言模型作为提议者时，能够稳定地生成适合语用建模的替代方案，但作为评估者时，其更擅长提供直觉判断，而非理论或形式化度量所需的精确评估。

作者在论文中讨论了神经符号模型作为人类语用语言使用的解释性理论的潜力和局限性。SAGE框架为结合符号推理与神经生成模型提供了新的思路，有望推动语用计算建模的发展。该研究已发表于arXiv预印本平台，论文编号为2607.18443。总体而言，SAGE框架展示了如何利用语言模型的生成能力来扩展传统认知模型的覆盖范围，同时也揭示了当前模型在理论评估方面的不足，为未来研究指明了方向。