1. 意大利语npn构式形式与意义的独特配对在意大利语中npn构式名词-介词-名词结构展现了一种引人入胜的语言现象。这种结构由两个相同的名词通过一个介词连接而成例如layer su layer层层叠叠。npn构式之所以特别是因为它既遵循一定的模式化规则又允许丰富的语义变化。从构式语法的角度来看npn结构代表了一个构式家族constructional family包含多个相互关联但又各具特色的成员。这些成员共享相同的基本形式框架但在具体介词选择和语义表达上存在差异。例如gomito a gomito肘碰肘表达物理接触giorno dopo giorno日复一日表达时间序列strato su strato层层叠叠表达空间累积这种结构挑战了传统语法范畴的界限因为它既不是纯粹的词汇项目也不是完全抽象的句法模式。npn构式位于词汇-句法的连续统上兼具词汇项目的特异性和句法模式的能产性。关键提示npn构式的识别不能仅依赖表面形式必须同时考虑其特定的语义和功能特征。例如da Roma a Milano从罗马到米兰虽然也是名词-介词-名词结构但不属于npn构式家族。2. 研究设计与方法论创新2.1 实验架构与核心问题本研究采用分层探测layer-wise probing方法系统评估BERT系列模型在不同网络层中编码的构式信息。实验设计围绕两个核心问题展开构式识别模型能否区分真正的npn构式实例与表面相似的干扰项语义消歧模型能否辨别npn构式家族中不同成员所关联的特定语义实验使用了包含3,256个意大利语npn实例和1,751个干扰项的数据集。干扰项经过精心设计涵盖8种不同类型包括表面同构但结构不同的模式如pnpn结构主题目标结构专有名词嵌入结构2.2 方法论创新点本研究在Scivetti和Schneider(2025)的英语npn研究基础上进行了多项重要改进跨构式对比同时考察npn构式家族中多个相关成员使用介词a和su的构式而非单一构式干扰项扩展引入结构各异的干扰类型而不仅限于表面同构项双嵌入探测同时分析介词本身PREP和其[UNK]替代的嵌入表示跨语言验证在相同框架下复现英语npn实验确保结果可比性数据拆分策略也经过特别设计训练集和测试集在lemma-label层面保持分离但允许相同lemma出现在不同label中。这种方法既能防止简单的词汇记忆又能测试模型对构式本身的识别能力。3. 模型配置与实验设置3.1 模型选型与比较研究测试了BERT家族的四个变体以评估不同预训练策略的影响BERT-base Italian意大利语专用模型12层768隐藏单元mBERT多语言BERT支持104种语言UmBERTo基于RoBERTa的意大利语专用模型XLM-RoBERTa大规模多语言模型这种模型选择实现了三个维度的对比单语vs多语BERT vs RoBERTa架构不同规模的预训练数据3.2 探测分类器设计探测实验采用逻辑回归分类器这是一种弱分类器其性能主要反映嵌入表示中的信息可及性而非分类器自身的学习能力。分类器在以下两种嵌入表示上分别训练PREP嵌入介词token的上下文表示[UNK]嵌入将介词替换为[UNK]后的表示这种设计可以区分模型对具体词汇信息通过PREP和抽象结构信息通过[UNK]的利用程度。作为基线研究还测试了FastText静态词向量考虑意大利语的形态丰富性随机标签控制实验验证无信息时的预期性能4. 构式识别实验结果与分析4.1 整体性能表现在构式识别任务区分npn构式与干扰项中所有BERT变体都表现出色准确率显著高于静态词向量基线。关键发现包括层级效应识别能力在中高层约6-9层达到峰值符合低层编码表面特征高层编码抽象特征的假设[UNK]与PREP对比两者性能相当说明构式识别不完全依赖具体介词信息模型比较意大利语专用模型BERT-base Italian和UmBERTo略优于多语言模型图1展示了bert-base-italian在不同层的识别准确率变化趋势可见中高层7-10层性能最佳。4.2 干扰项类型的影响研究设计了三种干扰项配置以考察任务难度与干扰项性质的关系SIMPLE配置包含所有干扰类型的平衡集OTHER配置训练时仅使用结构不同的干扰项如pnpnPSEUDO配置训练时仅使用表面同构的干扰项结果发现SIMPLE配置下性能最高准确率0.9OTHER和PSEUDO配置性能略低但仍显著优于基线在PSEUDO配置中模型更难区分结构不同的干扰项这表明干扰项的选择会显著影响任务性质使用表面同构的干扰项时模型主要学习区分构式与非构式而使用结构不同的干扰项时模型需要捕捉更深层的构式特征。4.3 错误模式分析错误分析揭示了有趣的模式大多数错误是假阳性将干扰项误认为构式介词a的构式比su的构式更容易被误判高频惯用表达如porta a porta容易引起混淆这些发现表明模型对构式的识别既受到结构特征的影响也受到词汇频率和惯用性的干扰。5. 语义消歧实验结果与分析5.1 三类语义的区分语义消歧任务要求模型区分npn构式表达的三种核心意义接续/迭代/分配succession/iteration/distributivity更大复数性/累积greater_plurality/accumulation并置/接触juxtaposition/contact整体而言消歧性能低于构式识别任务但仍显著优于基线。重要发现包括形态线索的利用使用复数名词的累积意义最容易识别因为模型可以利用表面形态线索介词特异性不同介词关联的语义区分度不同如su比a更容易区分层级发展语义区分能力随网络层加深而提高最高层准确率达0.8左右5.2 跨介词语义泛化最引人注目的发现来自跨介词语义泛化实验。当模型在a和su介词构式上训练后测试其对新介词per和dopo构式的语义识别能力时发现高层表示支持跨介词的语义泛化准确率约0.85[UNK]表示比PREP表示泛化能力更强低层性能较差表明表层词汇信息阻碍泛化这一结果强烈暗示高层网络编码了独立于具体介词的抽象构式语义。例如模型能够将giorno per giorno逐日和onda dopo onda一波接一波都识别为表达接续意义尽管它们使用训练中未见的介词。5.3 语义边界的不确定性错误分析揭示了某些npn构式在语义分类上的固有模糊性。例如porta a porta挨家挨户可能同时暗示空间分布和时间序列fianco a fianco肩并肩介于物理接触和共同行动之间这种模糊性反映了人类语言使用中的弹性也解释了模型在某些案例上的分类困难。6. 理论启示与未来方向6.1 对构式语法理论的启示本研究为构式语法理论提供了重要的实证支持构式作为认知实体模型能够识别和区分构式暗示构式可能是语言处理的有效分析单元构式网络的存在模型捕捉到npn构式家族成员间的相似与差异支持构式作为网络存在的观点形式-意义关联模型对构式语义的敏感性表明形式与意义的关联确实可以在分布统计中显现6.2 对语言模型研究的启示从语言模型角度看研究发现层级分工构式信息主要编码在中高层与句法、语义信息的层级编码模式一致跨语言共性意大利语和英语npn构式的类似结果暗示模型可能捕捉到跨语言的构式共性抽象能力高层表示支持跨词汇的构式识别和语义泛化表明模型发展出一定的抽象表征能力6.3 局限与未来工作本研究也存在一些局限仅测试了npn构式家族的一部分成员探测任务的设计可能影响结果解释尚未探究模型大小与构式学习的关系未来研究可以扩展至更多构式类型和语言结合干预方法如特征消融深入理解编码机制比较模型与人类在构式判断上的异同7. 实操建议与研究复现对于希望复现或扩展本研究的读者以下是一些实用建议7.1 数据准备要点构式标注严格遵循构式语法标准同时标注形式和意义特征干扰项设计包含多种结构类型的干扰项以全面测试构式特异性数据拆分采用lemma-label级别的数据拆分防止词汇记忆7.2 模型使用技巧层选择重点关注中层到高层表示约6-11层嵌入提取比较[UNK]和原始token表示区分词汇与结构信息基线建立包括静态词向量和形态感知基线7.3 结果解释注意事项区分模型能力和任务设计的影响注意高频项可能带来的偏差结合错误分析理解模型的决策模式代码实现上建议使用HuggingFace库提取各层表示搭配scikit-learn实现探测分类器。关键参数包括上下文窗口大小本研究使用完整句子表示聚合方法本研究使用单一token表示分类器正则化强度通过这项研究我们不仅加深了对意大利语npn构式的理解也为探究语言模型如何捕捉和表示语言结构提供了新视角。研究发现像BERT这样的预训练语言模型确实能够编码丰富的构式知识这种知识与构式语法理论所假设的结构有着有趣的对应关系。
尧图网络