靈活生成意義與表達替代的語用推理計算模型

在語用語言使用中，推理關於替代方案的能力至關重要——說話者可能選擇的替代表達，或聽者可能考慮的替代解釋。然而，傳統的形式化和計算模型往往需要手動指定這些替代方案集，限制了其靈活性和可擴充套件性。近日，Polina Tsvilodub等人提出了一種名為SAGE（ScAffolded Generative models for Explanation）的框架，旨在結合認知模型的解釋透明性與語言模型（LM）的生成靈活性，從而自動生成和評估語用推理中的候選替代方案。

SAGE框架將語用推理過程分解為三個模組：提議者（proposer）、評估者（evaluator）和選擇者（selector）。提議者利用語言模型生成開放式的候選替代空間；評估者對這些替代方案進行語義、複雜度或典型性等方面的評估；選擇者則基於認知動機的任務分析，執行基於規則的計算步驟，最終選出最合適的解釋或表達。

研究團隊透過三個案例研究對SAGE進行了評估，涵蓋語用生成和解釋的關鍵領域：指代表達生成、方式含義（M-implicatures）以及格萊斯會話含義（Gricean conversational implicatures）。在實驗中，SAGE模型採用了計算認知建模中的成熟方法，包括消融研究、基線比較以及對人類資料的量化擬合。

結果表明，SAGE模型在所有案例中均實現了高準確率，且通常優於基線模型。然而，元件級別的分析揭示了一個關鍵的非對稱性：語言模型作為提議者時，能夠穩定地生成適合語用建模的替代方案，但作為評估者時，其更擅長提供直覺判斷，而非理論或形式化度量所需的精確評估。

作者在論文中討論了神經符號模型作為人類語用語言使用的解釋性理論的潛力和侷限性。SAGE框架為結合符號推理與神經生成模型提供了新的思路，有望推動語用計算建模的發展。該研究已發表於arXiv預印本平臺，論文編號為2607.18443。總體而言，SAGE框架展示瞭如何利用語言模型的生成能力來擴充套件傳統認知模型的覆蓋範圍，同時也揭示了當前模型在理論評估方面的不足，為未來研究指明瞭方向。