语言习得与语义演变的双向互动：基于关系概念学习的单元性与组合性表征研究

研究人员针对语言习得(AoA)与语义变化的关系这一长期争议，通过量化分析语义波动性(wiggliness)、位移(displacement)和多义化(diversification)三个维度，揭示了早期习得词汇具有低位移高多义化特征，而高频词汇呈现低波动性。研究创新性地采用贝叶斯网络分析，证实语义位移受习得年龄单向影响，而波动性与多义化则与习得年龄存在双向"鸡生蛋"关系。该成果发表于《Cognition》，为理解语言认知的跨时间尺度机制提供了新视角。

　　

语言作为人类认知的核心载体，其习得过程与历时演变的关系一直是语言学界的争论焦点。传统观点受海克尔生物重演律影响，认为个体语言发展(ontogeny)会复现语言演化史(phylogeny)，但这一假说在实证研究中始终缺乏系统性证据。近年来，随着Monaghan(2014)和Cassani等(2021)发现早期习得词汇具有更高的语义稳定性，学界开始关注语言习得与演变可能共享的认知基础。然而，这些研究多将语义变化视为单一维度，未能区分短期波动与长期位移等不同形态的语义演变，更忽视了多义化这一关键维度。

维也纳大学的Andreas Baumann和Stefan Hartmann团队意识到，要真正理解语言习得与演变的复杂关系，必须建立多维度分析框架。研究团队创新性地将语义变化解构为三个互补维度：wiggliness反映词汇在语义空间的短期波动，displacement衡量长期位移程度，diversification量化多义性增长。通过对COHA语料库中3165个英语词汇的历时分析，结合牛津英语词典(OED)的义项标注和Kuperman等的AoA评分数据，研究揭示了早期习得词汇呈现"高多义低位移"的独特模式，而高频词汇则表现出显著的抗波动特性。

研究采用三大关键技术：首先基于BERT模型构建历时义项分布，通过(n-1)-单纯形空间轨迹计算各维度指标；其次建立高斯线性模型分析AoA与语义变量的交互作用；最后运用贝叶斯网络比较8种因果假设模型，通过BIC权重评估不同方向关系的支持度。

在语义多义化方面，研究显示早期习得词汇的多样性指数(¹D)增长斜率显著为正，表明其更易通过隐喻/转喻扩展义项。这与Baumann等(2023)的预测相反，暗示AoA可能通过概念具体性促进语义扩展。位移分析则发现AoA与平均位移距离呈正相关，贝叶斯网络强烈支持AoA→displacement的单向影响(RI=1)，证实早期习得能抑制长期语义漂移。

波动性研究取得突破性发现：高频词汇的移动平均残差标准差显著较低，且在核心词汇中，AoA与wiggliness呈负相关。贝叶斯网络显示两者存在双向关系(RI: AoA→wig=0.68, wig→AoA=0.32)，表明早期习得通过增强心理表征稳固性减少波动，同时波动性词汇可能因语境不一致而延迟习得。

这项研究的重要意义在于首次系统揭示了语言习得与不同类型语义演变的差异化关联。早期习得通过增强词汇的心理表征强度(representational salience)，既抑制长期位移又促进多义化扩展，形成独特的"语义锚定效应"。而高频使用则主要缓冲短期波动，这种双重稳定机制为理解语言系统的自适应特性提供了新视角。研究采用的伪因果分析方法也为探索语言演变的认知驱动因素建立了新范式。未来研究可结合迭代学习实验，进一步验证这些发现在其他语言中的普适性。