Lexikalischer Konsens: Verankertes Wortlernen und geteilte Bedeutung in künstlichen Agenten

Zusammenfassung

Systeme der künstlichen Intelligenz werden üblicherweise anhand von Aufgabenleistung und Verhaltensnachahmung evaluiert, doch solche Evaluierungen lassen offen, ob ein künstlicher Agent neue lexikalische Bedeutungen aus verankerter Erfahrung erwerben, stabilisieren und nutzen kann. Dieses Papier führt den Lexikalischen Konsens ein, ein experimentelles Rahmenwerk zur Untersuchung des verankerten Wortlernens über ein strukturiertes Wahrnehmungssubstrat. Unter Verwendung eingefrorener visueller DINOv2-Embeddings, Nonsenswörter nach Carroll sowie interpretierbarer lexikalischer Lernverfahren und linearer Basislinien testen wir, ob Agenten künstliche Labels für visuelle Konzepte erwerben, bidirektional verallgemeinern und unter kontrollierten Bedingungen stabilisieren können. Das Hauptergebnis ist ein robuster Wahrnehmungskohärenz-Gradient: Native Kategorien sind am leichtesten zu erlernen, kohärente Überdehnungen bleiben erlernbar, disjunktive Konzepte mittlerer Reichweite verschlechtern sich, und weit disjunktive Konzepte nähern sich dem Zufallsniveau an. Ein vorregistriertes CIFAR-100-Dissoziationsexperiment bestätigt, dass dieser Gradient eher durch Wahrnehmungsdistanz als durch semantische Verwandtschaft bestimmt wird: Wahrnehmungsdistanz sagt die Erwerbsgenauigkeit vorher (partielles R² = 0,245, p < 1e-7), während semantische Distanz keine signifikante Erklärungskraft hinzufügt (partielles R² = 0,002, p = 0,660). Die bidirektionale Evaluierung zeigt, dass Benennung und Abruf unterschiedlich sind: Exemplarbasierte Mechanismen übertreffen Zentroid-Prototypen beim Label-zu-Bild-Abruf, was eine von der Benennungsgenauigkeit getrennte Gedächtnistreue-Dimension offenlegt. Falsifikationskontrollen, Evaluierungen mit homogenen Kandidatenpools und Nullergebnisse zur repräsentationalen Umstrukturierung deuten darauf hin, dass die eingefrorene Wahrnehmungsgeometrie sowohl die lexikalische Verankerung ermöglicht als auch begrenzt, was ohne repräsentationale Anpassung erworben werden kann.

English

Artificial intelligence systems are commonly evaluated through task performance and behavioral imitation, but such evaluations leave open whether an artificial agent can acquire, stabilize, and use new lexical meanings from grounded experience. This paper introduces Lexical Consensus, an experimental framework for studying grounded word learning over a structured perceptual substrate. Using frozen DINOv2 visual embeddings, Carroll-style nonce words, and interpretable lexical learners plus linear baselines, we test whether agents can acquire artificial labels for visual concepts, generalize them bidirectionally, and stabilize them across controlled settings. The main result is a robust perceptual-coherence gradient: native categories are easiest to learn, coherent overextensions remain learnable, mid-range disjunctive concepts degrade, and far-disjunctive concepts approach chance. A pre-registered CIFAR-100 dissociation experiment confirms that this gradient is governed by perceptual distance rather than semantic relatedness: perceptual distance predicts acquisition accuracy (partial R^2 = 0.245, p < 1e-7), while semantic distance adds no significant explanatory power (partial R^2 = 0.002, p = 0.660). Bidirectional evaluation shows that naming and retrieval are distinct: exemplar-based mechanisms outperform centroid prototypes in label-to-image retrieval, exposing a memory-fidelity dimension separate from naming accuracy. Falsification controls, homogeneous candidate-pool evaluations, and null results on representational restructuring indicate that frozen perceptual geometry both enables lexical grounding and limits what can be acquired without representational adaptation.