Ubóstwo bodźca
Jak działa
Argument ma postać wnioskowania: (1) dziecko opanowuje określony cel gramatyczny; (2) dostępne mu pierwotne dane językowe są ograniczone — głównie pozytywne przykłady, z błędami mowy i bez systematycznej korekty; (3) same dane w połączeniu z ogólnymi, niespecyficznymi dla języka mechanizmami uczenia nie wystarczają, by wyprowadzić cel; (4) zatem musi istnieć wrodzony, specyficzny dla języka czynnik zawężający przestrzeń możliwych gramatyk. Kluczowe jest wykazanie, że dane rzeczywiście są „ubogie" względem nabywanej kompetencji oraz że brakujący czynnik jest specyficzny dla języka, a nie ogólnopoznawczy. W wersji obliczeniowej hipotezę testuje się, trenując modele na danych o skali zbliżonej do ekspozycji dziecka i sprawdzając, czy nabywają docelowe uogólnienia gramatyczne (np. zależność od struktury): sukces jest dowodem uczalności bez wrodzonych biasów językowych, a porażka może wspierać tezę natywistyczną.
Rozwiązany problem
Wyjaśnia pozorny paradoks przyswajania języka: jak dzieci opanowują złożoną, strukturalnie zależną gramatykę mimo skończonych, ubogich i pozbawionych negatywnej informacji zwrotnej danych wejściowych. Wskazuje na lukę między ubóstwem bodźca a bogactwem osiągniętej kompetencji językowej, którą — zdaniem natywistów — muszą wypełniać wrodzone ograniczenia (biasy indukcyjne) zawężające przestrzeń możliwych gramatyk.
Ewolucja
Chomsky krytykuje behawiorystyczne, empirystyczne ujęcie uczenia się języka — intelektualny prekursor argumentu z ubóstwa bodźca.
Rozwinięcie argumentu na rzecz wrodzonej zdolności językowej i mechanizmu przyswajania języka (LAD).
W „Rules and Representations" Chomsky wprowadza sam termin określający argument.
Chomsky wiąże ubóstwo bodźca z „problemem Platona": jak wiedza przekracza to, co dostarcza doświadczenie.
Geoffrey Pullum i Barbara Scholz kwestionują empiryczne podstawy argumentów z ubóstwa bodźca.
Systematyczna ocena uogólnienia składniowego w neuronowych modelach języka pokazuje, że architektura wpływa na nie bardziej niż rozmiar danych.
Warstadt i Bowman proponują użycie sztucznych sieci neuronowych trenowanych na danych w skali ludzkiej do rygorystycznego testowania hipotez o wrodzonej wiedzy językowej.
Wyzwanie BabyLM operacjonalizuje ubóstwo bodźca: pretraining modeli na budżetach 10M i 100M słów, na korpusach wiarygodnych rozwojowo.