Skip to content

Instantly share code, notes, and snippets.

@G36maid
Created July 1, 2026 03:15
Show Gist options
  • Select an option

  • Save G36maid/9cf23cc27ee9a2543d9e99a9ddfded34 to your computer and use it in GitHub Desktop.

Select an option

Save G36maid/9cf23cc27ee9a2543d9e99a9ddfded34 to your computer and use it in GitHub Desktop.
Optimality Theory — 2024-2025 最新論文精選與研究方向推薦(10 篇,含原始出處連結)

Optimality Theory — 最新論文清單與連結 (2024–2025)

10 篇論文,含原始出處連結。排序依主題。


A. 理論基礎與形式性質 (Theoretical Foundations & Formal Properties)

01. Universal Generation for Optimality Theory Is PSPACE-Complete

04. Why phonologists got it right: a principled derivation of OT and HG

05. A principled derivation of OT and HG within constraint-based phonology


B. 可學習性 (Learnability)

02. Learning Covert URs via Disparity Minimization

03. Learning Phonotactics from Linguistic Informants

  • 作者: Canaan Breiss, Alexis Ross, Amani Maina-Kilansa, Roger Levy, Jacob Andreas (USC & MIT)
  • 年份/出處: 2024, arXiv 2405.04726 / ACL 2024
  • 🔗 https://arxiv.org/abs/2405.04726
  • 📄 PDF: https://arxiv.org/pdf/2405.04726
  • 摘要: 以資訊論策略(expected information gain)向報導人主動提問 acceptability judgment,sample efficiency 可超越全監督學習。

C. 不透明性 (Opacity) — 經驗與理論

06. A large-scale corpus study of phonological opacity in Uyghur

07. Productive phrasal opacity in Gua: A challenge to Stratal Optimality Theory

  • 作者: Michael Obiri-Yeboah (Georgetown) & Ezer Rasin (Tel Aviv)
  • 年份/出處: 2024, Natural Language & Linguistic Theory 43(1):479–508
  • 🔗 https://doi.org/10.1007/s11049-024-09615-7
  • 📄 PDF (preprint): https://ling.auf.net/lingbuzz/007701
  • 摘要: Gua 語 ATR 和諧 × hiatus-resolution 在詞界產生 productive opacity(counterbleeding/countershifting/self-counterfeeding),只作用於整個話語一次——直接挑戰 Stratal OT 的核心預測。

09. Phrase-level Opacity as Shared Activity in Kere


D. 現代 / 計算途徑 (Modern & Computational Approaches)

08. Linguists should learn to love speech-based deep learning models

  • 作者: Marianne de Heer Kloots, Paul Boersma, Willem Zuidema (University of Amsterdam)
  • 年份/出處: 2025, Behavioral and Brain Sciences commentary
  • 🔗 https://arxiv.org/abs/2512.14506
  • 📄 PDF: https://arxiv.org/pdf/2512.14506
  • 摘要: 主張語言學應轉向語音(非文本)深度學習模型;雙向連結權重可湧現 Grice 原則、反同義性;連結 OT 創始人 Smolensky 的連結主義根源。

E. 應用 OT (Applied OT)

10. Optimality and correspondence theories in phonological shifts: Arabic guttural consonants in English loanwords


檢索來源

Optimality Theory 研究方向推薦

基於 10 篇 2024–2025 最新論文的系統性分析,為興趣 =「隨便」的你量身打造。 原則:推薦「最活躍 × 最有影響力 × 可上手」的交叉點。


🏆 首選推薦:以神經網路探討不透明性

一句話:用自監督語音模型(Wav2Vec2 等)測試它能否學會 OT 的核心難題——phonological opacity,並比較其行為是否湧現 paradigm uniformity 效應。

為什麼是這個

  • 跨論文聚合點:本集合有 3 篇專攻 opacity(#06 Uyghur 語料庫、#07 Gua 挑戰 Stratal OT、#09 Kere 聲調 GSR),加上 #08 主張語音深度學習模型是語言學的未來,#03 展示主動學習能高效採集音韻判斷。這條線把五篇串起來。
  • 領域缺口:目前「神經模型能否學會 opaque 模式」幾乎沒人系統性回答。#08 點出 speech-only 模型能學到結構,但沒測 opacity;#06/#07 的 opacity 數據都在「符號 OT」框架內。中間這塊是空的。
  • 可上手:Wav2Vec2 開源、Uyghur/Gua 語料可取得、probe 方法(#08 引用多篇)成熟。不需要新田野調查。
  • 影響力:同時推進 phonological theory(opacity 的認知基礎)與 NLP(語音模型的語言學可解釋性),雙社群都關心。

具體可做的實驗

  1. 在 #06 的 Uyghur backness harmony × vowel reduction 數據上訓練/探測 Wav2Vec2,看模型是否區分 opaque vs. surface-apparent harmony(#06 發現 root-frequency 效應——模型是否複製?)。
  2. 用 #03 的 active-learning 框架,讓神經模型扮演「報導人」,檢驗它對 Gua(#07)opaque ATR harmony 的判斷是否與人類一致。
  3. 測試 #08 提出的「雙向連結權重」inductive bias 是否讓小模型更容易學會 opacity。

🥈 第二推薦:實作 disparity-biased lattice search 學習器

一句話:把 #02 提出但未實作的「以 disparity 為結構的 UR lattice 序列搜尋」演算法做出來,並用 #01 的複雜度分析評估其效率。

為什麼

  • #02(Paramore 2025)實作了 disparity bias 但把 lattice search 留作「conceptual future work」,明確點出這是 non-trivial 但高價值的下一步。
  • 它直接連結 Tesar 的 output-driven phonology 和 #01 的計算複雜度(PSPACE-complete):在 disparity lattice 上做貪婪/分支限界搜尋,最壞情況多快?能否達到多項式時間?
  • 產出明確:一個可開源的 UR 學習器,搭配 complexity guarantee。對 phonological learning 社群有直接工具價值。

🥉 第三推薦:將 Magri 公理化綱領延伸至 MaxEnt / 機率音韻

一句話:#04/#05 從 Innocuous Concatenation Axiom 演繹出 categorical OT/HG;能不能用同樣方法為 #06 使用的 MaxEnt(機率約束互動)提供公理化正當性?

為什麼

  • Magri 的 companion paper 已延伸到 probabilistic setting(deducing MaxEnt from shifted sigmoids),但仍有大量空間:
    • 約束權重的高斯先驗(#02 的 L2 prior)能否從公設演繹?
    • #06 的 paradigm uniformity 約束如何嵌入此框架?
  • 這是 foundational theory,一旦成功影響深遠(為整個 constraint-based phonology 的「為什麼是這些模式」提供答案)。
  • 風險較高(數學密集),但產出壽命長。

其他值得留意的小方向

方向 靈感來源 一句話
語料庫 opacity 泛化 #06 把 #06 的「語料庫 + 形態轉換器 + MaxEnt」方法論套到 Gua(#07)或其他有 opacity 的語言,量化 opacity 變異的來源。
GSR opacity 預測的跨語言檢驗 #09 #09 預測「phrase-level opacity 必涉及 spreading」——這是可證偽的;建一個小型資料庫檢驗。
OT 複雜度的實務啟示 #01 #01 證明 universal generation 是 PSPACE-complete,但實務 OT 實作(Riggle 2004 等)多在指數時間跑——有多少真實文法落在「最壞情況」?做經驗性複雜度剖析。

選擇建議

你的偏好 建議方向
想快速有產出(半年內) 🥈 Lattice search 實作 — 目標明確、可開源
想做高影響力 / 跨領域 🏆 神經模型 × opacity — 兩個社群都會關注
喜歡理論與數學 🥉 Magri 公理化延伸 — foundational 且競爭少
喜歡經驗語言學 「語料庫 opacity 泛化」— 有明確田野/語料工作

興趣「隨別」的話,我給 🏆 神經模型 × opacity:它剛好在多條研究線的交匯點,工具齊備,且幾乎沒人做過——典型 low-hanging fruit。

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment