Este trabalho estende modelos algorítmicos de inferência em canais com ruído para modelar a intercompreensão dentro de uma estrutura bayesiana, abordando como falantes de um idioma relacionado (L1) alcançam inteligibilidade parcial de um idioma desconhecido (L2).

  • O modelo usa um modelo de linguagem apenas L1 para pontuar hipóteses latentes sobre traduções de utterances observadas em L2.
  • Um modelo de ruído de propósito geral infere mapeamentos entre palavras L2 e L1 com base na similaridade formal ou regras simbólicas.
  • Experimentos comportamentais humanos elicitaram inferências para holandês, italiano e ucraniano a partir de falantes de inglês, espanhol e russo.
  • O modelo completo mostra uma alinhamento mais próximo ao desempenho humano de intercompreensão do que ablações e compara-se favoravelmente ao prompting zero-shot de modelos maiores.

Esses resultados fornecem um modelo computacional cognitivamente plausível de intercompreensão, destacando as inferências flexíveis feitas por compreendedores sob ampla incerteza em cenários interculturais do mundo real.