Lexicale Consensus: Grondgebonden Woordleren en Gedeelde Betekenis in Kunstmatige Agenten

Samenvatting

Kunstmatige intelligentiesystemen worden doorgaans geëvalueerd op basis van taakprestaties en gedragsimitatie, maar dergelijke evaluaties laten de vraag open of een kunstmatige agent nieuwe lexicale betekenissen kan verwerven, stabiliseren en gebruiken vanuit ervaring in een verankerde omgeving. Dit artikel introduceert Lexical Consensus, een experimenteel raamwerk voor het bestuderen van verankerd woordleren over een gestructureerd perceptueel substraat. Met behulp van bevroren DINOv2 visuele inbeddingen, Carroll-stijl nonsenswoorden en interpreteerbare lexicale leerders plus lineaire baselines, testen we of agenten kunstmatige labels voor visuele concepten kunnen verwerven, ze bidirectioneel kunnen generaliseren en ze kunnen stabiliseren in gecontroleerde omgevingen. Het belangrijkste resultaat is een robuuste perceptuele-coherentiegradiënt: native categorieën zijn het gemakkelijkst te leren, coherente overextensies blijven leerbaar, disjunctieve concepten van middenbereik verslechteren, en ver-disjunctieve concepten benaderen kansniveau. Een vooraf geregistreerd CIFAR-100 dissociatie-experiment bevestigt dat deze gradiënt wordt bepaald door perceptuele afstand in plaats van semantische verwantschap: perceptuele afstand voorspelt verwerkingsnauwkeurigheid (partiële R² = 0,245, p < 1e-7), terwijl semantische afstand geen significante verklarende kracht toevoegt (partiële R² = 0,002, p = 0,660). Bidirectionele evaluatie laat zien dat benoemen en ophalen verschillend zijn: op voorbeelden gebaseerde mechanismen presteren beter dan centroïde prototypes bij label-naar-beeld ophalen, wat een geheugen-getrouwheidsdimensie blootlegt die losstaat van benoemingsnauwkeurigheid. Falsificatiecontroles, homogene kandidaat-pool evaluaties en nulresultaten op het gebied van representatie-herstructurering geven aan dat bevroren perceptuele geometrie zowel lexicale verankering mogelijk maakt als beperkt wat er kan worden verworven zonder representatie-aanpassing.

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.