Naukowcy analizowali fundamentalny problem lingwistyki: jak dzieci i sztuczne systemy uczą się unikać błędnych uogólnień gramatycznych bez bezpośrednich instrukcji, że dana forma jest niepoprawna. Badali to poprzez trenowanie modeli językowych na rozmowach rodzica z dzieckiem, systematycznie usuwając różne typy dowodów językowych, aby zobaczyć, co rzeczywiście chroni przed przegeneralizacją.
Teoria konstrukcjonistów sugerowała dwie drogi unikania takich błędów: preempcja (słyszenie podobnego, prawidłowego zwrotu jak she made him laugh zapobiega błędnemu Tom laughed me) lub zakorzenienie (sama ekspozycja na poprawne formy czasownika wystarczy). Badania na modelach pokazały, że preempcja na poziomie poszczególnych czasowników nie działa tak, jak przewidywano - modele zamiast tego polegają na zakorzenieeniu i traktują alternatywne struktury gramatyczne jako pośrednie dowody pozytywne, a nie negatywne.
Te odkrycia wskazują na istotną lukę między tym, jak uczą się ludzie a jak działają sieci neuronowe. Aby modele języka lepiej naśladowały ludzkie zdolności gramatyczne, musiałyby rozwijać większą wrażliwość na pośrednie negatywne dowody. Badania otwierają nowe pytania zarówno dla sztucznej inteligencji, jak i dla eksperymentów psycholingwistycznych dotyczących nauki języka u dzieci.