DOI: https://doi.org/10.5334/joc.487
PMID: https://pubmed.ncbi.nlm.nih.gov/41704591
تاريخ النشر: 2026-02-09
المؤلف: Juan Manuel Toro
الموضوع الرئيسي: أبحاث الصوتيات وعلم الأصوات
نظرة عامة
تبحث الدراسة في وجود انحياز للحروف الساكنة في معالجة اللغة، وهو ظاهرة لوحظت لدى متعلمي اللغة البشرية. تفترض أن هذا الانحياز قد يظهر أيضًا في الذكاء الاصطناعي، وبالتحديد في نماذج اللغة الكبيرة مثل ChatGPT، التي تم تدريبها على مجموعات بيانات واسعة من اللغة الطبيعية. تختبر الدراسة الفرضية القائلة بأن القدرة على تتبع الانتظامات في بيانات اللغة كافية ليظهر النموذج استجابات مشابهة لانحياز الحروف الساكنة لدى البشر.
في إعداد تجريبي، تم تحفيز ChatGPT لتقييم التشابه بين أزواج من الكلمات غير المنطقية—واحدة تم تغييرها بتغيير حرف علة والأخرى بتغيير حرف ساكن—بالنسبة لكلمة مستهدفة. تشير النتائج إلى أن النموذج أظهر تفضيلًا للحروف الساكنة على الحروف العلة عند اتخاذ أحكام التشابه في كل من الإنجليزية والإسبانية. وهذا يشير إلى أن انحياز الحروف الساكنة ليس فقط سمة من سمات معالجة اللغة البشرية ولكن يمكن أن يظهر أيضًا في نماذج اللغة الاصطناعية، مما يبرز تأثير الانتظامات في بيانات التدريب على فهم اللغة.
مقدمة
تناقش مقدمة ورقة البحث ظاهرة انحياز الحروف الساكنة في معالجة اللغة، حيث يظهر البشر تفضيلًا للحروف الساكنة على الحروف العلة أثناء الوصول إلى المعجم. على الرغم من ملاحظته على نطاق واسع عبر لغات وطرائق مختلفة، لا تزال أصول هذا الانحياز غير واضحة. يقترح المؤلفون التحقيق في هذا الانحياز باستخدام نماذج اللغة الكبيرة (LLMs)، التي تقدمت بشكل كبير في توليد نصوص معقدة من خلال التدريب على مجموعات بيانات واسعة من اللغة الطبيعية. تهدف الدراسة إلى تحديد ما إذا كان هذا التدريب كافيًا لنماذج اللغة الكبيرة لتطوير نهج يركز على الحروف الساكنة في تحديد الكلمات، مما يعكس الاتجاهات الملاحظة في معالجة اللغة البشرية.
يبرز المؤلفون أن الأبحاث السابقة أظهرت باستمرار اعتمادًا قويًا على الحروف الساكنة في التعرف على الكلمات المكتوبة، كما يتضح من مهام تجريبية متنوعة مثل التحفيز المقنع والتحفيز النسبي. تشير هذه الدراسات إلى أن الحروف الساكنة تحقق تأثيرات تحفيزية أكثر موثوقية وتثير استجابات عصبية متميزة مقارنة بالحروف العلة. نظرًا لأن اللغات الطبيعية تحتوي عادةً على المزيد من الحروف الساكنة مقارنة بالحروف العلة، يفترض المؤلفون أن التعرض لهذا التباين أثناء التدريب قد يؤدي بنماذج اللغة الكبيرة إلى اعتماد انحياز مشابه للحروف الساكنة في التعرف على الكلمات. لا تسعى هذه الدراسة فقط إلى توضيح الشروط الدنيا لظهور انحياز الحروف الساكنة ولكن أيضًا تهدف إلى تعزيز فهم قدرات المتعلمين الاصطناعيين المعاصرين للغة.
الطرق
في هذه الدراسة، استخدم المؤلفون ChatGPT من OpenAI (نموذج GPT4o) لتقييم تشابه الكلمات غير الموجودة مع الكلمات المستهدفة بناءً على التغييرات الصوتية. تضمنت المنهجية تحفيز النموذج للاختيار بين كلمتين غير موجودتين—واحدة تم تغييرها بتغيير حرف علة والأخرى بتغيير حرف ساكن—بالنسبة لكلمة مستهدفة محددة. تم اختيار 100 كلمة مستهدفة باللغة الإنجليزية، تتنوع في الطول، وبنية المقاطع، والفئات النحوية، مع إنشاء كلمات غير موجودة عن طريق تعديل إما حرف علة أو حرف ساكن في الكلمات المستهدفة، مع تجنب التغييرات في المقطع الأول بشكل أساسي. تم توازن عرض الكلمات غير الموجودة للتحكم في تأثيرات الترتيب، وتم استجواب النموذج باللغتين الإنجليزية والإسبانية، مع الحفاظ على إجراءات متسقة عبر اللغات.
لضمان إمكانية الكتابة الصحيحة للكلمات غير الموجودة، قام المؤلفون بقياس تكرار الثنائيات وأجروا تحليل ANOVA، الذي أشار إلى عدم وجود اختلافات كبيرة في التكرار بين الكلمات المستهدفة والكلمات غير الموجودة، ولا بين اللغتين. بالإضافة إلى ذلك، لتقليل الانحياز المحتمل من حسابات ChatGPT الفردية، تم تكرار التجربة عبر 22 حسابًا مختلفًا، مع عدم معرفة المشاركين بفرضية الدراسة. سجل المشاركون استجابات النموذج بشأن أي كلمة غير موجودة اعتُبرت أكثر تشابهًا مع الهدف، وتم تعويضهم عن مشاركتهم. كانت هذه المنهجية الدقيقة تهدف إلى تقديم رؤى موثوقة حول أحكام التشابه الصوتي التي يقدمها نموذج اللغة.
النتائج
في قسم النتائج، وُجد أن ChatGPT أظهر تفضيلًا لاختيار الكلمات غير الموجودة التي حافظت على بنية الحروف الساكنة للكلمات المستهدفة على تلك التي حافظت على بنية الحروف العلة، محققًا ذلك في 76.1% من التجارب باللغة الإنجليزية (SD = 5.4) و72.2% باللغة الإسبانية (SD = 5.7). لتحليل هذه النتائج عبر 22 تجربة مختلفة، تم استخدام نموذج مختلط خطي عام، مع الأخذ في الاعتبار التباين الناتج عن عوامل مثل طول الكلمة واختلافات المستخدمين.
تضمن النموذج تأثيرات ثابتة للغة، وطول الكلمة، وموقع المقطع، مع تقاطعات عشوائية للمستخدم وكلمة الهدف. لم تكن أي من التأثيرات الثابتة ذات دلالة إحصائية (اللغة: $z = -0.93$, $p = 0.53$؛ طول الكلمة: $z = -0.026$, $p = 0.978$؛ موقع المقطع: $z = 0.112$, $p = 0.91$). ومع ذلك، كشفت التحليلات أن التفضيل الملحوظ للحفاظ على الحروف الساكنة كان ذا دلالة إحصائية وقويًا ضد التباين في البيانات ($z = 2.782$, $p = 0.0054$)، مما يشير إلى أن أحكام التشابه لدى ChatGPT تتأثر أكثر بالحروف الساكنة مقارنة بالحروف العلة.
المناقشة
في هذه المناقشة، يستكشف المؤلفون انحياز الحروف الساكنة في معالجة اللغة، مفترضين أنه قد يسهل تعلم اللغة من خلال خلق “تقسيم العمل” بين الحروف الساكنة والحروف العلة. يُقترح أن الحروف الساكنة توفر معلومات معجمية، بينما تقدم الحروف العلة إشارات دلالية، مما يساعد الرضع في تمييز الانتظامات اللغوية. تكشف الدراسة أن ChatGPT، وهو نموذج لغة كبير (LLM)، يظهر تفضيلًا للحروف الساكنة على الحروف العلة عند الحكم على تشابه الكلمات، مما يشير إلى أن نماذج اللغة الكبيرة المدربة على بيانات لغوية واسعة قد تعطي الأولوية للمعلومات الساكنة لتفكيك المعاني. يتماشى هذا الاكتشاف مع الفرضية القائلة بأن المتعلمين، سواء كانوا بشريين أو اصطناعيين، قد يركزون على الحروف الساكنة لأنها أكثر إفادة في التمييز بين العناصر المعجمية.
يلاحظ المؤلفون أن هذا التفضيل للحروف الساكنة لوحظ عبر كل من الإنجليزية والإسبانية، وإن كان أكثر وضوحًا في الإنجليزية، على الأرجح بسبب الفجوة في حجم بيانات التدريب (93% إنجليزية مقابل 0.8% إسبانية). يؤكدون أن هذا الانحياز ليس سمة فطرية لنماذج اللغة الكبيرة، بل هو خاصية ناشئة من عمليات تدريبها. علاوة على ذلك، يبرزون الفروق بين نهجهم التجريبي والدراسات التقليدية حول انحياز الحروف الساكنة لدى البشر، مقترحين أن الأبحاث المستقبلية يمكن أن تحقق في نماذج التحفيز المقنع لفهم ديناميات معالجة النموذج بشكل أفضل. في النهاية، تؤكد الدراسة على الإمكانية لكل من المتعلمين الطبيعيين والاصطناعيين لاشتقاق أنماط مشابهة في معالجة اللغة، مما يثير تساؤلات حول تداعيات مثل هذه الانحيازات على تعزيز أداء الذكاء الاصطناعي.
DOI: https://doi.org/10.5334/joc.487
PMID: https://pubmed.ncbi.nlm.nih.gov/41704591
Publication Date: 2026-02-09
Author(s): Juan Manuel Toro
Primary Topic: Phonetics and Phonology Research
Overview
The research investigates the presence of a consonant bias in language processing, a phenomenon observed in human language learners. It posits that this bias may also manifest in artificial intelligence, specifically in large language models like ChatGPT, which are trained on extensive natural language datasets. The study tests the hypothesis that the ability to track regularities in language data is sufficient for the model to exhibit responses similar to the human consonant bias.
In an experimental setup, ChatGPT was prompted to assess the similarity between pairs of nonsense words—one altered by a vowel change and the other by a consonant change—relative to a target word. The findings indicate that the model demonstrated a preference for consonants over vowels when making similarity judgments in both English and Spanish. This suggests that the consonant bias is not only a characteristic of human language processing but can also emerge in AI language models, highlighting the influence of training data regularities on language understanding.
Introduction
The introduction of the research paper discusses the phenomenon of consonant bias in language processing, where humans exhibit a preference for consonants over vowels during lexical access. Despite its widespread observation across various languages and modalities, the origins of this bias remain unclear. The authors propose to investigate this bias using large language models (LLMs), which have advanced significantly in generating complex text through training on extensive datasets of natural language. The study aims to determine whether such training is sufficient for LLMs to develop a consonant-focused approach to word identification, mirroring the tendencies observed in human language processing.
The authors highlight that previous research has consistently demonstrated a strong reliance on consonants for recognizing written words, evidenced by various experimental tasks such as masked priming and relative position priming. These studies indicate that consonants yield more reliable priming effects and elicit distinct neural responses compared to vowels. Given that natural languages typically contain more consonants than vowels, the authors hypothesize that exposure to this asymmetry during training could lead LLMs to adopt a similar consonant bias in word recognition. This investigation not only seeks to elucidate the minimal conditions for the emergence of consonant bias but also aims to enhance understanding of the capabilities of contemporary artificial language learners.
Methods
In this study, the authors employed OpenAI’s ChatGPT (model GPT4o) to assess the similarity of non-words to target words based on phonetic alterations. The methodology involved prompting the model to choose between two non-words—one altered by a vowel change and the other by a consonant change—relative to a specified target word. A total of 100 English target words were selected, varying in length, syllabic structure, and syntactic categories, with non-words created by modifying either a vowel or consonant in the target words, primarily avoiding changes in the first syllable. The presentation of non-words was balanced to control for order effects, and the model was queried in both English and Spanish, maintaining consistent procedures across languages.
To ensure the orthographic plausibility of the non-words, the authors measured bigram frequency and conducted an ANOVA, which indicated no significant differences in frequency between target words and non-words, nor between the two languages. Additionally, to mitigate potential biases from individual ChatGPT accounts, the experiment was replicated across 22 different accounts, with participants blind to the study’s hypothesis. Participants recorded the model’s responses regarding which non-word was deemed more similar to the target, and they were compensated for their involvement. This rigorous methodology aimed to provide reliable insights into the phonetic similarity judgments made by the language model.
Results
In the results section, it was found that ChatGPT demonstrated a preference for selecting non-words that preserved the consonantal structure of target words over those that maintained the vowel structure, achieving this in 76.1% of trials in English (SD = 5.4) and 72.2% in Spanish (SD = 5.7). To further analyze these findings across 22 different runs, a generalized linear mixed model was employed, accounting for variability due to factors such as word length and user differences.
The model included fixed effects for Language, Word Length, and Syllable Position, with random intercepts for User and Target word. None of the fixed effects were statistically significant (Language: $z = -0.93$, $p = 0.53$; Word Length: $z = -0.026$, $p = 0.978$; Syllable Position: $z = 0.112$, $p = 0.91$). However, the analysis revealed that the observed preference for consonantal preservation was statistically significant and robust against the variability in the data ($z = 2.782$, $p = 0.0054$), indicating that ChatGPT’s similarity judgments are more influenced by consonants than vowels.
Discussion
In this discussion, the authors explore the consonant bias in language processing, positing that it may facilitate language learning by creating a “division of labor” between consonants and vowels. Consonants are suggested to provide lexical information, while vowels offer indexical cues, aiding infants in discerning language regularities. The study reveals that ChatGPT, a large language model (LLM), exhibits a preference for consonants over vowels when judging word similarity, indicating that LLMs trained on extensive linguistic data may prioritize consonantal information for lexical disambiguation. This finding aligns with the hypothesis that learners, both human and artificial, may focus on consonants as they are more informative for distinguishing between lexical items.
The authors note that this consonant preference was observed across both English and Spanish, albeit more pronounced in English, likely due to the disparity in training data size (93% English vs. 0.8% Spanish). They emphasize that this bias is not an inherent feature of LLMs but rather an emergent property from their training processes. Furthermore, they highlight the differences between their experimental approach and traditional studies on consonant bias in humans, suggesting future research could investigate masked priming paradigms to further understand the model’s processing dynamics. Ultimately, the study underscores the potential for both natural and artificial learners to derive similar patterns in language processing, raising questions about the implications of such biases for enhancing artificial intelligence performance.