Naukowcy zaproponowali nową metodę badania, jak ludzki umysł reprezentuje kategorie semantyczne w języku naturalnym - traktowanie modeli uczenia maszynowego jako kognitywnych termometrów do pomiaru złożoności znaczeń. Tradycyjne podejścia opierały się na złożoności logicznej i definiowalności logicznej, ale te metody są bardzo wrażliwe na wybór konkretnego języka logicznego, co prowadzi do nieuzasadnionych decyzji projektowych.
Proponowana metoda oferuje bardziej agnostyczne podejście - uczenie maszynowe pozwala mierzyć złożoność semantyczną niezależnie od arbitralnych wyborów logicznych. Przegląd dostępnych badań pokazuje, że logika i uczenie maszynowe często dochodzą do zbieżnych wniosków dotyczących względnej złożoności semantycznej i jej wpływu na typologię języków naturalnych.
Gdy logika i uczenie maszynowe dają rozbieżne wyniki, modele neuronowe okazują się lepszym wyjaśnieniem zjawisk semantycznych. Takie podejście do traktowania modeli AI jako narzędzi pomiaru kognitywnego umożliwia zunifikowaną teoriję, która łączy logikę symboliczną z neuronową sztuczną inteligencją, oferując nową perspektywę na fundamentalne pytania dotyczące struktury języków naturalnych.