論文の概要: Co-Linguistics: AI-augmented Theory Construction in Linguistics

• arxiv url: http://arxiv.org/abs/2609.37635v1
• Date: Tue, 29 Sep 2026 14:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.60168
• Title: Co-Linguistics: AI-augmented Theory Construction in Linguistics
• Title（参考訳）: 共言語学:言語学におけるAI強化理論の構築
• Abstract要約: 我々は、言語理論の構築と評価を支援するために、AIの全く異なる使い方、すなわち共学者について論じる。 1960年代以降、言語学は数学的に形式化可能な理論を発展させてきた。
• 参考スコア（独自算出の注目度）: 43.03968947929301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs have been studied in recent linguistics as potential models of humans' linguistic abilities. Here we discuss an entirely different use of AI, namely as a co-scientist, to help construct and assess linguistic theories (we refer to the result as "Co-Linguistics"). Since the 1960s, linguistics has developed theories that are in principle mathematically formalizable, often in the language of formal language theory or model theory. The AI revolution in mathematics will thus have consequences in linguistics-but with an essential twist: proving new theorems is rarely the linguist's goal. Rather, one seeks to find the best set of axioms to derive empirical statements. AI could accelerate research by making existing theories fully explicit, by comparing competing theories, and more ambitiously, by proposing new theories (in machine learning, this relates to "program induction"). It will also help assess theories by accelerating the identification and test of crucial predictions, thanks to unparalleled access to data (in machine learning, this relates to "active learning"). While the cycle from theory evaluation to theory construction may give rise to recursive and possibly autonomous improvement of linguistic theories, humans remain central: linguists provide scientific directions and evaluate theories conceptually, and experimental participants are needed to assess empirical predictions that are outside the reach of LLMs.
• Abstract（参考訳）: LLMは、人間の言語能力の潜在的なモデルとして、近年の言語学で研究されている。 ここでは、言語理論の構築と評価を支援するために、AIの全く異なる使い方、すなわち共学者について論じる(この結果は「共言語学」と呼ばれている)。 1960年代以降、言語学は数学的に形式化可能な理論を開発し、しばしば形式言語理論やモデル理論の言語で用いられるようになった。 数学におけるAI革命は、言語学において結果をもたらすが、本質的なひねりを伴う:新しい定理を証明することは、言語学者の目標としてはめったにない。 むしろ、経験的言明を導き出すのに最適な公理の集合を見つけようとする。 AIは、既存の理論を完全に明示的にすることで研究を加速し、競合する理論を比較し、さらに野心的に、新しい理論を提案する(機械学習では、これは「プログラム誘導」に関連する)。 また、データへの非並列アクセス(機械学習では、これは"アクティブな学習"に関連する)のおかげで、重要な予測の識別とテストを加速することで理論を評価するのにも役立ちます。 理論評価から理論構築へのサイクルは、言語理論の再帰的かつ潜在的に自律的な改善をもたらすかもしれないが、言語学者は科学的方向性を提供し、理論を概念的に評価し、実験参加者はLLMの到達範囲外にある経験的予測を評価する必要がある。

関連論文リスト

• Not-So-Strange Love: Language Models and Generative Linguistic Theories are More Compatible than They Appear [6.1932312581992335]
  LMは形式構造に基づいて勾配理論をインスタンス化することができると私は論じる。 これにより、利用ベースのアカウントと生成アカウントの和解が可能になる。
  論文  参考訳（メタデータ） (2026-05-11T06:38:40Z)
• Learning to Theorize the World from Observation [18.325483315053123]
  我々は、生の非テクスト観察から世界の明示的な説明理論を推論する学習パラダイムであるLearning-to-Theorizeを紹介する。 我々はこのパラダイムを、学習された思考言語として潜在プログラムを誘導する確率論的ニューラルネットワークであるNeO(Neural Theorizer)でインスタンス化する。
  論文  参考訳（メタデータ） (2026-05-05T06:39:12Z)
• There Will Be a Scientific Theory of Deep Learning [62.690977616250954]
  我々は、深層学習の科学的理論が出現しつつあることを主張する。 我々は、そのような理論を導く5つの成長する仕事の体を同定する。 我々は、新しい理論は学習過程の力学と考えるのが一番良いと論じる。
  論文  参考訳（メタデータ） (2026-04-23T13:58:12Z)
• Pragmatic Theories Enhance Understanding of Implied Meanings in LLMs [8.05894553698894]
  暗黙の意味を正確に解釈する能力は、人間のコミュニケーションや言語利用において重要な役割を担っている。 本研究は,言語モデルにプロンプトとして実用的理論を提供することが,文脈内学習の効果的な方法であることを示す。
  論文  参考訳（メタデータ） (2025-10-30T08:35:52Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• On the Compatibility of Generative AI and Generative Linguistics [0.20923359361008084]
  我々は、生成型AIは生成型言語学と互換性があると主張している。 LMは、ユニバーサル文法と言語習得に対するチョムスキーの最小主義的アプローチの主要な資産となり得る。
  論文  参考訳（メタデータ） (2024-11-15T19:09:22Z)
• From Word Models to World Models: Translating from Natural Language to the Probabilistic Language of Thought [124.40905824051079]
  言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。 我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。 LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。 認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2023-06-22T05:14:00Z)
• Large Language Models are In-Context Semantic Reasoners rather than Symbolic Reasoners [75.85554779782048]
  大規模言語モデル(LLM)は、近年、自然言語と機械学習コミュニティを興奮させています。 多くの成功を収めたアプリケーションにもかかわらず、そのようなコンテキスト内機能の基盤となるメカニズムはまだ不明である。 本研究では,学習した言語トークンのテクストセマンティクスが推論過程において最も重い処理を行うと仮定する。
  論文  参考訳（メタデータ） (2023-05-24T07:33:34Z)
• Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development [1.7778609937758327]
  本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。 提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
  論文  参考訳（メタデータ） (2021-02-01T00:29:01Z)

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。