Consensus lexical : apprentissage ancré des mots et signification partagée chez les agents artificiels

Résumé

Les systèmes d’intelligence artificielle sont couramment évalués par leur performance sur des tâches et l’imitation comportementale, mais ces évaluations laissent en suspens la question de savoir si un agent artificiel peut acquérir, stabiliser et utiliser de nouvelles significations lexicales à partir d’une expérience incarnée. Cet article introduit le Consensus Lexical, un cadre expérimental pour étudier l’apprentissage lexical ancré sur un substrat perceptuel structuré. En utilisant des représentations visuelles figées de DINOv2, des mots inventés de type Carroll, des apprenants lexicaux interprétables ainsi que des modèles de base linéaires, nous testons si des agents peuvent acquérir des étiquettes artificielles pour des concepts visuels, les généraliser de manière bidirectionnelle et les stabiliser dans des contextes contrôlés. Le résultat principal est un gradient robuste de cohérence perceptuelle : les catégories natives sont les plus faciles à apprendre, les surextensions cohérentes restent apprenables, les concepts disjonctifs de niveau intermédiaire se dégradent, et les concepts fortement disjonctifs approchent le hasard. Une expérience de dissociation pré-enregistrée sur CIFAR-100 confirme que ce gradient est gouverné par la distance perceptuelle plutôt que par la proximité sémantique : la distance perceptuelle prédit la justesse d’acquisition (R² partiel = 0,245, p < 1e-7), tandis que la distance sémantique n’ajoute aucun pouvoir explicatif significatif (R² partiel = 0,002, p = 0,660). L’évaluation bidirectionnelle montre que la dénomination et le rappel sont distincts : les mécanismes fondés sur des exemplaires surpassent les prototypes centraux dans le rappel image-étiquette, révélant une dimension de fidélité mémorielle distincte de la justesse de dénomination. Les contrôles par falsification, les évaluations sur des pools de candidats homogènes et les résultats nuls concernant la restructuration représentationnelle indiquent que la géométrie perceptuelle figée permet à la fois l’ancrage lexical et limite ce qui peut être acquis sans adaptation représentationnelle.

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.