课程学习下什么样的语言容易语言建模？

数千种经过验证的语言中的许多语言都具有共同的特征配置，形成了从类型学上非常罕见（例如，宾语-动词-主语词序）或不可能的语言到非常常见的特征组合（例如，主语-宾语-动词词序）的范围。一个核心问题是在什么条件下可以预测这种类型倾向，特别是语言模型（LM）的学习偏差是否足以重现这种模式。在这项研究中，我们为此类分析添加了一维——语言模型的学习场景——以探索其与语言模型归纳偏差的相互作用。具体来说，作为第一项研究，我们检查了课程学习（CL）的效果，作为一种发展动机的学习场景，即从更简单的句子而不是随机排序的输入开始。我们用简单的 CL 变体扩展了现有的基于 LM 的探索（El-Naggar et al., 2025a,b），发现 CL 极大地影响了 LM 的表观归纳偏差。