論文の概要: Which Forms of Caregiver Feedback Support Grammar Learning? A Reinforcement-Learning Study of Child-Like Language Models

• arxiv url: http://arxiv.org/abs/2609.08576v1
• Date: Tue, 08 Sep 2026 11:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:12:19.908035
• Title: Which Forms of Caregiver Feedback Support Grammar Learning? A Reinforcement-Learning Study of Child-Like Language Models
• Title（参考訳）: 介護者フィードバック支援文法学習のどの形態か : 子型言語モデルの強化学習
• Abstract要約: 社会的相互作用は子供の言語学習の中心である。 子どものような言語モデルを用いて、どの形式のフィードバックが文法的開発を支援するかをテストする。
• 参考スコア（独自算出の注目度）: 5.474041566740772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social interaction is central to children's language learning, but the effects of different forms of caregiver feedback are difficult to isolate in naturalistic data. We use child-like language models as controlled learners to test which forms of feedback support grammatical development. Small GPT-2-style models are pretrained on child-directed language from CHILDES, then fine-tuned with reinforcement learning using reward models trained to capture four feedback types: communicative feedback, structural alignment, semantic contingency, and affective feedback. Reward fine-tuning yields limited gains on minimal-pair evaluations, but clearer effects in free generation. Structural alignment produces the strongest improvements in grammaticality, providing a novel, plausible mechanistic account of how this feedback can support grammar learning. Communicative feedback yields more moderate gains. In contrast, semantic contingency and affective feedback do not improve grammaticality, although further analyses suggest that they may support other aspects of language learning beyond grammar. These results suggest that different forms of caregiver feedback make complementary contributions to language learning.
• Abstract（参考訳）: 社会的相互作用は、子どもの言語学習の中心であるが、様々な形の介護者のフィードバックの影響は、自然主義的なデータから分離することが困難である。 子どものような言語モデルを制御学習者に使い、どの形式のフィードバックが文法的開発を支援するかをテストする。 小さいGPT-2スタイルのモデルは、ChiLDESから子指向言語で事前訓練され、その後、コミュニケーションフィードバック、構造的アライメント、セマンティックコンテンジェンシー、感情的フィードバックの4つのタイプをキャプチャするために訓練された報酬モデルを使用して、強化学習で微調整される。 リワード微調整は、最小ペアの評価において限られた利得を得るが、自由生成においてより明確な効果をもたらす。 構造的アライメントは文法性において最強の改善をもたらし、このフィードバックが文法学習をどのようにサポートするかという、新しい、もっともらしい機械的説明を提供する。 コミュニケーションフィードバックはより適度な利得をもたらす。 対照的に、意味的一致性と感情的フィードバックは文法性を改善するものではないが、さらなる分析は、文法以外の言語学習の他の側面を支持する可能性があることを示唆している。 これらの結果は,介護者のフィードバックの形式が言語学習に相補的な貢献をもたらすことを示唆している。

関連論文リスト

• Once Upon a Time: Interactive Learning for Storytelling with Small Language Models [1.8012666291588018]
  我々は,高レベルの認知的フィードバックから学習することで,少ないデータで言語モデルを訓練できるかどうかを検討する。 私たちは、教師モデルが読みやすさ、物語のコヒーレンス、創造性を評価するストーリーを生成するために、学生モデルを訓練します。 対話型学習において100万ワードのインプットしか持たず、ストーリーテリングのスキルは410万ワードの次単語予測と同等に向上する。
  論文  参考訳（メタデータ） (2025-09-19T07:45:34Z)
• Towards Developmentally Plausible Rewards: Communicative Success as a Learning Signal for Interactive Language Models [49.22720751953838]
  本研究では,子どもの言語習得に触発された対話型環境で言語モデルを訓練する手法を提案する。 この設定では、話者は1ターンの対話でリスナーに何らかの情報を伝達しようと試み、コミュニケーションの成功が達成されれば報酬を受け取る。
  論文  参考訳（メタデータ） (2025-05-09T11:48:36Z)
• Developmental Predictive Coding Model for Early Infancy Mono and Bilingual Vocal Continual Learning [69.8008228833895]
  本稿では,連続学習機構を備えた小型生成ニューラルネットワークを提案する。 我々のモデルは解釈可能性を重視し,オンライン学習の利点を実証する。
  論文  参考訳（メタデータ） (2024-12-23T10:23:47Z)
• Reframing linguistic bootstrapping as joint inference using visually-grounded grammar induction models [31.006803764376475]
  意味的・統語的ブートストラッピング・ポジトリ(Semantic and Syntactic bootstrapping posit)とは、子供が特定の言語領域についての事前の知識、例えば構文的関係(syntactic relations)を使い、後に新しい単語の意味などの他の知識を取得する手助けをするものである。 ここでは、両者が、言語習得のためのより一般的な学習戦略である共同学習に固執していると論じる。 一連の視覚的文法帰納モデルを用いて,構文と意味が同時に学習された場合に,構文的および意味的ブートストラップ効果が最強であることが実証された。
  論文  参考訳（メタデータ） (2024-06-17T18:01:06Z)
• Learning Language Structures through Grounding [8.437466837766895]
  言語構造を基礎として学習することを目的とした機械学習タスクのファミリーを考察する。 パートIでは,視覚的接地を通して構文解析を学習することを検討する。 第2部では文を対応する意味構造にマッピングする2つの実行対応手法を提案する。 パートIIIでは、他の言語のアノテーションから言語構造を学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-14T02:21:53Z)
• Babysit A Language Model From Scratch: Interactive Language Learning by Trials and Demonstrations [15.394018604836774]
  本稿では,学生の試行,教師のデモンストレーション,および様々な発達段階における言語能力に配慮した報酬という,3つの要素を取り入れたトライアル・アンド・デモレーション(TnD)学習フレームワークを提案する。 実験の結果,TnD手法は,等数あるいは少人数の学生モデルの単語獲得を促進させ,試行錯誤と実演の両方の重要性を強調した。 この結果から,対話型言語学習は,教師による実演や積極的試行によって,言語モデルにおける効率的な単語学習を促進することが示唆された。
  論文  参考訳（メタデータ） (2024-05-22T16:57:02Z)
• Visual Grounding Helps Learn Word Meanings in Low-Data Regimes [47.7950860342515]
  現代のニューラル言語モデル(LM)は、人間の文の生成と理解をモデル化するための強力なツールである。 しかし、これらの結果を得るためには、LMは明らかに非人間的な方法で訓練されなければならない。 より自然主義的に訓練されたモデルは、より人間らしい言語学習を示すのか? 本稿では,言語習得における重要なサブタスクである単語学習の文脈において,この問題を考察する。
  論文  参考訳（メタデータ） (2023-10-20T03:33:36Z)
• Training Language Models with Language Feedback at Scale [50.70091340506957]
  我々は、より情報的な言語フィードバックを利用する新しいアプローチであるLanguage Feedback (ILF)から学習を導入する。 ILFは3つのステップから成り、まず言語モデルを入力に条件付けし、最初のLM出力を出力し、改善を生成する。 理論的には、ILFは人間からのフィードバックによる強化学習と同様、ベイズ推論とみなすことができる。
  論文  参考訳（メタデータ） (2023-03-28T17:04:15Z)
• Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
  我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。 我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。 そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
  論文  参考訳（メタデータ） (2023-02-06T10:28:16Z)
• Leveraging Pre-trained Language Model for Speech Sentiment Analysis [58.78839114092951]
  本研究では、事前学習された言語モデルを用いて、文章の感情情報を学習し、音声の感情分析を行う。 本稿では,言語モデルを用いた擬似ラベルに基づく半教師付き訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-11T20:15:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。