Este trabajo extiende los modelos algorítmicos de inferencia en canales con ruido para modelar la intercomprensión dentro de un marco bayesiano, abordando cómo los hablantes de un idioma relacionado (L1) logran una inteligibilidad parcial de un idioma desconocido (L2).
- El modelo utiliza un modelo de lenguaje solo L1 para puntuar hipótesis latentes sobre las traducciones de las oraciones observadas en L2.
- Un modelo de ruido de propósito general infiere mapeos entre palabras L2 y L1 basándose en la similitud formal o reglas simbólicas.
- Experimentos conductuales humanos elicitaron inferencias para neerlandés, italiano y ucraniano a partir de hablantes de inglés, español y ruso.
- El modelo completo muestra una alineación más cercana al rendimiento de intercomprensión humana que las ablataciones y se compara favorablemente con el prompting zero-shot de modelos más grandes.
Estos resultados proporcionan un modelo computacional cognitivamente plausible de la intercomprensión, destacando las inferencias flexibles realizadas por los comprensores bajo una amplia incertidumbre en escenarios interculturales del mundo real.