Penelitian baru menunjukkan bahasa alami sengaja “lebih rumit” agar otak manusia lebih mudah memproses makna dalam konteks dunia nyata.
Foto Ilustrasi: Freepik Ringkasan
- Bahasa alami lebih rumit karena mengikuti pola dunia nyata sehingga lebih mudah diproses otak.
- Urutan kata familiar membantu otak memangkas kemungkinan makna secara efisien.
- Temuan ini berpotensi memperbaiki cara kerja model bahasa besar dalam kecerdasan buatan.
BAHASA manusia, dari Mandarin hingga bahasa yang hanya dituturkan beberapa ratus orang, tampak rumit dan ternyata kerumitan itu punya alasan kuat.
Studi terbaru mengungkap bahwa struktur bahasa alami tidak dirancang sekadar efisien seperti kode biner, tetapi optimal bagi otak yang hidup di dunia penuh pengalaman nyata.
Hasil penelitian Michael Hahn (Saarland University) dan Richard Futrell (University of California, Irvine), tersebut diterbitkan di Nature Human Behaviour.
Menurut Hahn, jika alam cenderung menuju efisiensi, maka muncul pertanyaan mengapa otak tidak memakai cara kompresi paling ketat, misalnya struktur mirip kode digital 1 dan 0?
Secara teori, itu jauh lebih ringkas. Tapi manusia tidak berbicara seperti R2-D2, dan alasannya bukan sekadar karena kita tidak hidup di film Star Wars.
Bahasa bekerja dengan menggabungkan kata-kata menjadi frasa, lalu menjadi kalimat. Strukturnya tampak rumit, tetapi justru menyandarkan diri pada pola-pola yang akrab dalam kehidupan sehari-hari.
Jika seseorang menyebutkan istilah acak seperti “gol” untuk menyatukan setengah kucing dan setengah anjing, tidak ada otak yang bisa mengolahnya karena tidak sesuai pengalaman manusia mana pun.
Begitu pula dengan "gadcot”, huruf-hurufnya mungkin gabungan 'cat' dan 'dog', tetapi tidak membentuk pola fonologis atau semantik yang familiar. Sebaliknya, “cat and dog” langsung masuk akal.
Kerumitan bahasa justru memetakan realitas, bukan sekadar memadatkan data.
Hahn menjelaskan bahwa otak manusia lebih memilih jalur yang tampak panjang tetapi akrab, daripada rute kompresi digital yang pendek namun menuntut konsentrasi tinggi.
Ia mengumpamakannya dengan perjalanan harian: rute alternatif mungkin lebih cepat, tetapi terasa melelahkan karena tidak familiar.
Secara matematis, jumlah “bit” yang harus diproses otak lebih sedikit ketika struktur kalimat mengikuti pola yang dikenalnya. Ini karena otak terus memprediksi kata berikutnya berdasarkan kebiasaan berbahasa selama puluhan ribu hari sepanjang hidup.
Contoh klasik muncul dalam bahasa Jerman. Ketika seseorang mendengar frasa “Die fünf grünen Autos”, otak langsung menyaring kemungkinan dari kata pertama “Die”, apakah kata benda feminin atau bentuk jamak.
Kata kedua (“fünf”) memberi petunjuk bahwa objek dapat dihitung. Kata ketiga (“grünen”) memberi informasi bahwa benda-benda itu berwarna hijau dan berbentuk jamak. Baru setelah “Autos” muncul, maknanya lengkap.
Urutan ini membantu otak memangkas kemungkinan makna sejak awal. Ketika urutannya diacak, misalnya “Grünen fünf die Autos”, hubungan prediksi itu hancur, sehingga makna sulit diproses.
Fenomena ini juga konsisten dengan temuan neurolinguistik modern, seperti penelitian MIT tentang predictive coding, yang menunjukkan, otak manusia secara aktif menebak isi kalimat bahkan sebelum kata berikutnya muncul.
Hahn dan Futrell tidak hanya mengamati fenomena ini secara linguistik, tetapi memformalkannya secara matematis.
Pemahaman baru tentang pola prediksi dan preferensi otak terhadap struktur natural dapat membantu mengembangkan model bahasa besar (LLM) yang bekerja lebih “manusiawi”.
Dalam konteks AI generatif seperti ChatGPT atau Copilot, wawasan ini berguna karena sistem bahasa mesin saat ini masih mengandalkan statistik sekuens kata, sementara otak manusia bekerja dengan integrasi pengalaman dunia nyata.
Studi ini menjadi jembatan penting antara linguistik kognitif dan rekayasa kecerdasan buatan.
Disadur dari Phys.org.
إرسال تعليق