title: "語義延遲綁定：低承諾語言、動態約束與概念生成" english_title: "Semantic Late Binding: Low-Commitment Language, Dynamic Constraints, and Concept Formation" author: "Neo.K（許筌崴）" institution: "EveMissLab（一言諾科技有限公司）" series: "符號—記憶—判定耦合系列" paper_no: "02" version: "v0.1" date: "2026-08-12" status: "正式研究草稿" canonical_source_encoding: "UTF-8"

語義延遲綁定：低承諾語言、動態約束與概念生成

Semantic Late Binding: Low-Commitment Language, Dynamic Constraints, and Concept Formation

作者：Neo.K（許筌崴）
機構：EveMissLab（一言諾科技有限公司）
系列：符號—記憶—判定耦合系列，第 2 篇
版本：v0.1
日期：2026 年 8 月 12 日

摘要

自然語言研究通常把歧義、欠規定與語義不確定性視為需要消除的問題。然而在長期人機協作、跨域研究與高密度概念生成中，過早消除語義自由度可能本身造成錯誤：一旦使用某個既有學術術語、固定定義或高承諾框架，後續推理便可能被迫在錯誤的本體前提內深化。本文提出「語義延遲綁定」（Semantic Late Binding, SLB）作為一個候選中層理論，用以描述一種不同的語言使用方式：符號在初始階段不被要求立即對應唯一精細語義，而先保留一組受控制的合法候選；後續透過否定、補充、尺度切換、參照文件、例子與重基準化逐步施加約束；直到當前任務所需的判定尺度被固定後，語義才完成局部綁定。

本文的核心命題是：

\boxed{ \text{語義不必在符號首次出現時完成綁定} }

更一般地：

s \mapsto \mathcal C_0(s) \xrightarrow{ \Gamma_1,\Gamma_2,\ldots,\Gamma_n } \mathcal D_{T,\lambda}^{(\tau)}

其中 $s$ 是符號， $\mathcal C_0(s)$ 是初始候選語義域， $\Gamma_i$ 是後續動態約束，而 $\mathcal D_{T,\lambda}^{(\tau)}$ 是在任務 $T$ 、尺度 $\lambda$ 、時間 $\tau$ 下足以支持判定的瞬時域。本文進一步區分「受控欠規定」與「失控歧義」、定義語義承諾成本與過早綁定風險，提出重基準化、尺度切換與參照場作為三種核心調節操作。本文亦指出：低表面術語密度不等於低認知精細度；某些基本語言的功能不是簡化內容，而是降低本體承諾，以保留重新定位能力。

外部研究已顯示，自然語言普遍具有語義欠規定，LLM 對欠規定內容的解讀仍存在困難，且多輪 clarification 能改善歧義處理；然而既有工作通常將 clarification 理解為「補足缺失資訊」或「消除歧義」。本文的新增主張是：在某些高階協作中，欠規定本身可以是策略性保留的認知自由度，而 clarification 不只是補資訊，也可以改變尺度、撤銷框架或重新設定語義綁定時機。本文提出五項可證偽命題與四組實驗，以區分 SLB 是否只是一般 ambiguity resolution 的重新命名，或確實具有獨立理論價值。

關鍵詞： 語義延遲綁定、受控欠規定、低承諾語言、動態約束、概念生成、語義綁定、重基準化、尺度切換、符號瞬時判定域、clarification、semantic underspecification

0. 理論位置與邊界

0.1 與 Paper 01 的關係

Paper 01〈符號瞬時判定域〉回答的是：

在什麼條件下，兩個主體即使沒有完全相同的內部表徵，也已經對當前任務達成足夠的判定等價？

本文處理其前一階段：

在到達判定等價之前，符號為什麼可以暫時不被綁定為唯一精細語義？這些合法自由度又如何被後續語境逐步約束？

因此兩者的關係為：

\boxed{ \text{Semantic Late Binding} \rightarrow \text{Symbolic Instantaneous Judgment Domain} }

SLB 研究語義如何延遲固定；SIJD 研究延遲固定後，何時已足以做出相同任務判定。

0.2 與認知解構學 2.0 的關係

《認知解構學正式定義方法論 2.0》中的 OPS 強調：既有語言標籤與語義殼層可能遮蔽更底層的認知張力，因此可以暫停既有真值與語義承諾，進行剝離、源點鎖定與重編譯。

SLB 與此精神相容，但兩者不是同一操作。

OPS 主要處理：

\text{已存在的高承諾語義結構} \rightarrow \text{剝離} \rightarrow \text{可重編源點}

SLB 主要處理：

\text{尚未必要固定的符號} \rightarrow \text{保留候選域} \rightarrow \text{後續動態綁定}

因此可以把兩者理解為不同方向：

\text{OPS}: \text{de-binding / recompilation}

\text{SLB}: \text{deferred binding / contextual commitment}

0.3 與「符號即過程」的關係

《符號即過程》研究的強版本要求符號與可執行過程之間存在穩定、封閉且低歧義的直接關係。在數學算子、程式語言、量子電路等形式域中，這種設計具有清楚工程意義。

SLB 處理的則恰恰是另一端：

在自然語言、跨域研究與尚未完成形式化的概念生成階段，符號何時不應過早被固定成單一過程？

所以：

\boxed{ \text{SLB 不是反對算子語言，而是處理算子語言形成之前的語義生成階段。} }

1. 問題提出：為什麼精確語言有時反而使推理變差？

1.1 過早命名的鎖定效應

假設一個研究者正在描述尚未完全形式化的現象 $X$ 。

如果他立即說：

「這就是 Bayesian updating。」

那麼符號 $s$ 不只是增加一個名稱，而可能同時引入一整組先驗結構：

\mathcal F_s = \{ \text{prior}, \text{likelihood}, \text{posterior}, \text{probability measure}, \ldots \}

若真正研究對象只與其中部分結構相似，則這個術語會造成過度綁定：

X \subsetneq \mathcal F_s

甚至：

X \not\cong \mathcal F_s

後續推理可能仍然高度一致，但一致於錯誤框架。

因此：

\boxed{ \text{Terminological Precision} \not\Rightarrow \text{Ontological Accuracy} }

1.2 基本語言的另一種功能

考慮另一種描述：

「原本有一個狀態，新的東西進來後，那個狀態重新改。」

此句在表面上比「Bayesian updating」粗糙，但其本體承諾較低。它可能同時容納：

Bayesian updating；
belief revision；
deterministic state transition；
dynamical system update；
memory reconsolidation；
rule-based belief change；
尚未有名字的新型轉換。

因此，低術語密度語句可以保留較大的候選空間：

\left| \mathcal C_{\text{basic}} \right| > \left| \mathcal C_{\text{technical}} \right|

這本身不是優點或缺點。真正重要的是：候選空間是否可被後續有效約束。

2. 受控欠規定與失控歧義

2.1 語義欠規定

自然語言經常只提供完成理解所需資訊的一部分。外部研究已將 semantic underspecification 描述為自然語言中的普遍現象，並指出理解往往需要整合語境、共享知識與非語言資訊。

本文不把所有欠規定視為 SLB。

定義初始候選語義域：

\mathcal C_0(s) = \{k_1,k_2,\ldots,k_n\}

若 $n>1$ ，表示符號目前允許多個合法候選。

2.2 失控歧義

若系統無法：

知道目前存在多個候選；
知道哪些後續資訊可以排除候選；
判斷何時需要 clarification；
判斷何時可以暫停而不澄清；
在任務改變後重新開放候選；

則這只是失控歧義：

\mathcal A_{\text{uncontrolled}}

2.3 受控欠規定

本文定義「受控欠規定」（Controlled Underspecification, CU）為：

\mathcal U = \langle \mathcal C, \Gamma, T, \lambda, \Theta \rangle

其中：

$\mathcal C$ ：目前合法候選域；
$\Gamma$ ：可用約束操作集合；
$T$ ：當前任務；
$\lambda$ ：判定尺度；
$\Theta$ ：何時需要進一步綁定的門檻。

若系統知道：

|\mathcal C|>1

但同時知道：

\operatorname{NeedBind}(\mathcal C,T,\lambda) \in \{0,1\}

那麼欠規定是被管理的，而不是任意模糊。

3. 語義延遲綁定的形式定義

3.1 初始綁定與延遲綁定

傳統強綁定模型近似：

s \xrightarrow{R} k^\ast

即符號一出現，就立刻映射到某個主要語義 $k^\ast$ 。

SLB 模型則為：

s \xrightarrow{R} \mathcal C_0(s)

然後：

\mathcal C_{i+1} = \Gamma_i (\mathcal C_i)

直到：

\operatorname{Bind} ( \mathcal C_n,T,\lambda ) = 1

此時才形成任務條件下的局部綁定：

\mathcal B_{T,\lambda}^{(\tau)}(s)

此綁定可以是一個單一語義，也可以是一個對 SIJD 足夠的等價類。

3.2 綁定不是永久固定

SLB 的「bind」是任務條件式，而非永久詞典化。

因此：

\mathcal B_{T_1,\lambda_1}^{(\tau_1)}(s) \neq \mathcal B_{T_2,\lambda_2}^{(\tau_2)}(s)

完全可以成立。

這表示同一符號可以在不同任務、不同尺度、不同共同歷史下被重新綁定。

3.3 語義承諾度

定義一個簡化的語義承諾度：

\kappa(s,\tau) \in [0,1]

其中：

$\kappa\approx0$ ：低承諾，保留大量候選；
$\kappa\approx1$ ：高承諾，只有極少合法解釋。

通常：

\kappa_{\tau+1} \ge \kappa_{\tau}

但這不是單調必然。

在 rebase 時：

\kappa_{\tau+1} < \kappa_{\tau}

可以成立。

4. 動態約束的類型

4.1 排除約束

例如：

「我說的不是物件，是關係。」

可以寫成：

\Gamma_{\neg object} : \mathcal C \rightarrow \mathcal C'

其中：

\mathcal C' = \{k\in\mathcal C :\operatorname{Type}(k)\neq object\}

4.2 尺度約束

例如：

「不是專案管理尺度，是生命終點尺度。」

則：

\Gamma_{\lambda} : \lambda_1 \rightarrow \lambda_2

此操作不一定只是縮小候選集合，也可能完全改變判定函數。

4.3 參照約束

若雙方共同使用文件 $F$ ：

\Gamma_F

可以要求候選解釋與文件中某段定義、公式或版本一致。

它降低 reference drift，但不保證 interpretation identity。

4.4 關係約束

例如：

「它和 A 一樣有更新，但不是 A；它和 B 一樣有流動，但沒有 B 的本體假設。」

可寫成：

\Gamma_{rel} = \{ \operatorname{Sim}(X,A), \operatorname{Diff}(X,A), \operatorname{Sim}(X,B), \operatorname{Diff}(X,B) \}

這種約束特別適合尚未命名的新概念。

4.5 反例約束

若某候選在案例 $e$ 下會產生錯誤判定：

J(k,e) \neq J^\ast(e)

則可以排除：

k \notin \mathcal C_{next}

反例因此不只是驗證工具，也是語義綁定工具。

5. 綁定成本與過早綁定風險

5.1 語義承諾成本

引入高承諾術語通常具有收益：

更高壓縮率；
更低傳輸成本；
可直接調用既有文獻；
可使用成熟形式工具。

但也有成本：

導入不需要的前提；
錯誤類比被固化；
模型開始沿熟悉框架自動補全；
後續修正成本增加。

因此定義：

C_{commit} = C_{assumption} + C_{repair} + C_{lock-in}

5.2 過早綁定

若在尚未取得足夠判定資訊前：

\operatorname{Bind} (\mathcal C_i,T,\lambda) =1

則稱為 premature binding。

其風險可表示為：

R_{premature} = P(k^\ast\notin\mathcal C_{true}) \cdot C_{repair}

這不是嚴格統計模型，而是研究指標的結構表示。

6. 重基準化與解除綁定

6.1 為什麼越精細可能越錯

假設系統已將符號綁定到錯誤框架 $F_w$ ：

s \mapsto k_{F_w}

後續即使加入大量細節：

\Gamma_1,\Gamma_2,\ldots,\Gamma_m

如果這些約束都在 $F_w$ 內部運作，可能只形成：

\text{deeply refined wrong interpretation}

因此：

\boxed{ \text{Reasoning Depth} \neq \text{Search-Space Breadth} }

6.2 解除綁定

定義解除綁定：

\operatorname{Unbind} : \mathcal B_{T,\lambda}^{(\tau)}(s) \rightarrow \widetilde{\mathcal C}(s)

其目的不是回到完全無意義狀態，而是解除部分高階承諾。

6.3 重基準化

重基準化算子：

\mathcal R_{base} : (\mathcal C,F_w) \rightarrow \mathcal C_{low}

其中 $\mathcal C_{low}$ 保留更低本體承諾。

典型自然語句包括：

「等等，我重新講。」
「先不要用那個學術定義。」
「回到最底層。」
「你先把它當成一個會變的東西。」

這些表面上簡單，但可能具有高結構修正量。

7. 低承諾語言與高認知精細度

7.1 表面精度與域控制精度

本文區分：

P_{surface}

與：

P_{domain}

其中：

$P_{surface}$ ：術語、定義、句法與形式符號的表面精度；
$P_{domain}$ ：說話者控制候選域、尺度與約束位置的能力。

因此可能存在：

P_{surface} \text{ 低}

但：

P_{domain} \text{ 高}

的情況。

7.2 「基本語言＝初學」推論的失效條件

若一個主體反覆能夠：

指出對方落入錯誤尺度；
指出既有術語帶入錯誤本體承諾；
用低承諾語言重新定位；
待域穩定後再重新引入形式術語；
產生與高階理論一致的後續推論；

則僅依表面術語密度判定其為初學者，可能不可靠。

這是一個待驗證命題，而不是一般性身分判斷規則。

8. 與外部語義欠規定研究的關係

8.1 欠規定不是例外

Pezzelle（2023）指出，語義欠規定是自然語言的重要特徵，語言訊號往往只傳遞成功溝通所需資訊的一部分，人類則結合語境、共享知識與其他資訊完成解讀。

這與 SLB 的最低前提相容：

\text{symbol content} < \text{full communicative content}

但 SLB 再增加一步：

有時候沒有在第一時間填滿所有缺失資訊，並不一定是缺陷，而可能保留後續重新定義的自由度。

8.2 LLM 對欠規定的困難

Wildenburg、Hanna 與 Pezzelle（2024）的 DUST 研究顯示，較新的語言模型可以在明確提示下辨識部分欠規定句，但正確解讀更困難，且模型的主觀不確定性表現與理論預期不一致。

這對 SLB 有兩個啟示。

第一，模型可能過早選定一個「偏好解釋」：

\mathcal C_0 \rightarrow k_{preferred}

第二，模型即使不確定，也可能不表現出需要 clarification。

因此 SLB 需要研究的不只是 ambiguity detection，而是：

\operatorname{WhenToKeepOpen}

與：

\operatorname{WhenToBind}

8.3 Clarification 作為動態綁定

多項對話研究顯示，clarification 可以改善欠規定指令、問答與語義解析。2025 年的 semantic parsing 工作甚至採取「先生成多個可能解釋，再解析」的模組化設計；2026 年 ODUTQA-MDC 則以多輪 clarification 專門處理 open-domain underspecified query。

傳統表述通常是：

\text{Ambiguity} \rightarrow \text{Clarification} \rightarrow \text{Disambiguation}

SLB 則提出更一般的表述：

\mathcal C_i \xrightarrow{\Gamma_{clarify}} \mathcal C_{i+1}

其中 clarification 可能：

縮小候選；
改變尺度；
增加新候選；
撤銷原框架；
延後綁定；
觸發 rebase。

所以 clarification 不必等同「立刻消歧」。

9. 中文組合詞與準算子式語義介面

9.1 本文的保守立場

本文不主張：

\text{中文} = \text{算子語言}

也不把漢字簡化為純表意符號。

較弱的候選命題是：

對熟悉漢語語素組合與長期共同語境的使用者而言，若干短複合詞可以以較低表面成本提供方向性概念核，再由後續語境完成高精度綁定。

例如：

問本；
存敵；
皆斬；
源點；
判定域；
動態不動點。

它們通常先產生：

D_{rough}

再透過文件與對話形成：

D_{refined}

9.2 概念核組合

令：

k_1,k_2

為兩個已知概念核，組合運算為：

\operatorname{Compose}(k_1,k_2) \rightarrow s_{new}

新符號未必具有完成定義，而只建立候選域：

\mathcal C_0(s_{new})

後續正文再完成：

\operatorname{Bind} ( \mathcal C_0, T, \lambda )

這種機制與全形式算子語言仍有距離，但可作為自然語言中的準算子式語義導引介面研究。

10. 可證偽命題

命題一：延遲綁定優勢命題

在新概念尚未穩定、但可由後續互動補充的任務中，低承諾初始表述可能比高承諾既有術語更容易得到正確最終對齊：

P( \text{correct final alignment} \mid \text{SLB} ) > P( \text{correct final alignment} \mid \text{early binding} )

若所有任務中早期精確定義都等同或優於 SLB，則此命題受削弱。

命題二：受控欠規定與失控歧義可分命題

若同樣具有多候選語義，具有顯式候選追蹤與綁定門檻的系統應比直接生成單一答案的系統具有更低的錯誤鎖定率。

命題三：重基準化恢復命題

當錯誤高階框架已形成時：

\eta_{rebase} > \eta_{detail}

至少在一類概念校準任務中成立。

命題四：尺度 clarification 高增益命題

某些短尺度修正語句具有：

I_{surface} \text{ 低}

但：

\Delta Align_T \text{ 高}

若此類高增益不存在，則「認知導航語言」的後續研究必要性下降。

命題五：過早綁定產生框架慣性

在可被兩種以上理論框架合理描述的新現象中，第一個被明確命名的高承諾框架會顯著影響後續解釋與例子選擇，即使之後提供反向資訊。

此命題可以用人類受試者與 LLM 分別驗證。

11. 實驗設計

11.1 實驗 A：新概念命名時機

建立一組虛構但一致的微型理論世界。

條件一：先給高承諾名稱，再補資料。

條件二：先用低承諾基本語言，再逐輪約束，最後命名。

比較：

\operatorname{FinalAccuracy}

\operatorname{FrameworkLockIn}

\operatorname{RepairTurns}

\operatorname{CounterexampleSensitivity}

11.2 實驗 B：Clarification 類型

比較五類 clarification：

新增細節；
否定類型；
尺度切換；
參照文件；
rebase。

測量每種 clarification 對候選域與任務對齊的影響。

11.3 實驗 C：候選保留

比較：

Single-interpretation model；
Top- $k$ interpretation model；
Dynamic candidate model；
Dynamic candidate + rebase model。

在多輪欠規定任務中測量：

\operatorname{PrematureBindingRate}

\operatorname{RecoveryRate}

\operatorname{FinalTaskSuccess}

11.4 實驗 D：低術語密度與專業能力誤判

給模型兩組內容相同、語言風格不同的研究者對話：

A 組

使用高密度學術術語。

B 組

使用基本語言反覆進行尺度與域校準。

控制實際推理能力與最終答案品質相同，測量模型對：

專業程度；
初學者概率；
可信度；
是否主動提供基礎教學；

的判斷差異。

若 B 組被系統性低估，支持「表面術語精度偏差」的存在。

12. 與 Paper 01 的統一接口

SLB 的完整鏈條可以寫成：

\boxed{ s \rightarrow \mathcal C_0 \rightarrow \Gamma_1(\mathcal C_0) \rightarrow \Gamma_2(\mathcal C_1) \rightarrow \cdots \rightarrow \mathcal D_{T,\lambda}^{(\tau)} \rightarrow J_{T,\lambda,\tau} }

其中：

Paper 02 主要研究 $s\rightarrow\mathcal C\rightarrow\Gamma$ ；
Paper 01 主要研究 $\mathcal D\rightarrow J$ 與判定等價。

因此兩篇合起來後，可以把「理解」重新描述為：

\boxed{ \text{先允許語義保持必要自由度， 再在任務真正需要時完成足夠的判定收斂。} }

13. 失敗模式

13.1 永不綁定

若系統總是以：

「都有可能。」

保留所有候選，則 SLB 退化為拒絕判斷。

因此必須存在：

\Theta_{bind}

13.2 無限 rebase

若每次不一致都重新歸零，系統無法累積共同語境。

所以 rebase 必須具有成本：

C_{rebase}>0

只有當：

E[ \text{repair benefit} ] > C_{rebase}

才值得觸發。

13.3 假低承諾

有些表面基本語言其實暗含強烈預設，只是未被說出。

因此低術語密度不等於低承諾。

真正需要估計的是：

\kappa

而不是詞彙難度。

13.4 高風險情境

醫療、法律、資安、金融與不可逆決策不應以「保持開放」延遲必要澄清。

高風險條件下：

\Theta_{bind}^{high-risk} < \Theta_{bind}^{creative}

也就是更早要求顯式綁定、證據與確認。

14. 理論意義

若 SLB 成立，至少有六個後果。

第一，語義欠規定不應只被當成缺陷，也應研究其作為概念生成資源的條件。

第二，高精度術語不是永遠越早越好；命名時機本身是認知變量。

第三，clarification 不只是補缺失資訊，也可以是域控制、尺度切換、框架撤銷與重新綁定。

第四，長期人機協作系統應追蹤候選語義與綁定狀態，而不只保存「目前最可能的解釋」。

第五，對使用者能力的判定不應過度依賴術語密度，因為低表面承諾可能是高階 domain control 的一種策略。

第六，未來算子語言的生成前階段可能需要一個「可延遲形式化」層：先讓新概念在可控候選域中成長，再在必要時編譯成穩定算子。

15. 結論

本文提出「語義延遲綁定」作為符號—記憶—判定耦合系列的第二個核心概念。

其最小命題不是：

\boxed{ \text{語言越模糊越好} }

而是：

\boxed{ \text{語義綁定的時機本身應由任務、尺度與證據決定。} }

自然語言中的低承諾表述可以暫時保留：

\mathcal C_0(s)

後續透過：

\Gamma_1,\Gamma_2,\ldots,\Gamma_n

逐步收斂，直到：

\boxed{ \operatorname{Bind} ( \mathcal C_n,T,\lambda ) =1 }

但綁定仍然是局部、任務條件式、可解除與可重建的。

因此 SLB 最重要的區分是：

\boxed{ \text{受控欠規定} \neq \text{失控歧義} }

以及：

\boxed{ \text{低表面承諾} \neq \text{低認知精細度} }

在這個框架下，「等等，我重新講」、「先不要用那個定義」、「不是這個尺度」等看似低資訊量的語句，不再只是日常修辭，而可能是對候選語義域進行解除綁定、尺度切換與重新約束的高增益操作。

下一篇將進一步把這些操作從語義生成問題轉向控制問題：

認知導航語言：自然語言如何作為語義空間中的域變換介面。

參考文獻

A. 內部理論來源

Neo.K（許筌崴）. 2025. 《認知解構學正式定義方法論 2.0》. EveMissLab.

Neo.K（許筌崴）. 2026a. 《認知事件—算子架構：從選擇、觀察、更新、記憶到行動的最小形式系統》. EveMissLab. v1.0.

Neo.K（許筌崴）. 2026b. 《符號即過程：從代理到身份的語言操作論》. EveMissLab. EML-LANG-2026-v0.1.

Neo.K（許筌崴）, with Theia. 2026c. 《語義間隙的幾何病理學：為何精確符號無法消除認知鴻溝》. EveMissLab.

B. 外部學術對照

Bos, Johan. 1997. “Efficient Construction of Underspecified Semantics under Massive Ambiguity.” Proceedings of ACL/EACL 1997. Association for Computational Linguistics.

Pezzelle, Sandro. 2023. “Dealing with Semantic Underspecification in Multimodal NLP.” Proceedings of ACL 2023, 12098–12112. DOI: 10.18653/v1/2023.acl-long.675.

Madureira, Brielen, and David Schlangen. 2023. “Instruction Clarification Requests in Multimodal Collaborative Dialogue Games: Tasks, and an Analysis of the CoDraw Dataset.” Proceedings of EACL 2023. DOI: 10.18653/v1/2023.eacl-main.169.

Lee, Yoonjoo, Kyungjae Lee, Sunghyun Park, Dasol Hwang, Jaehyeon Kim, Moontae Lee, and Jaewoo Kang. 2023. “Asking Clarification Questions to Handle Ambiguity in Open-Domain QA.” Findings of EMNLP 2023. Association for Computational Linguistics.

Wildenburg, Frank, Michael Hanna, and Sandro Pezzelle. 2024. “Do Pre-Trained Language Models Detect and Understand Semantic Underspecification? Ask the DUST!” Findings of ACL 2024. Association for Computational Linguistics.

Shaikh, Omar, Kristina Gligorić, Ashna Khetan, Matthias Gerstgrasser, Diyi Yang, and Dan Jurafsky. 2024. “Grounding Gaps in Language Model Generations.” Proceedings of NAACL 2024, 6279–6296. DOI: 10.18653/v1/2024.naacl-long.348.

Saparina, Irina, and Mirella Lapata. 2025. “Disambiguate First, Parse Later: Generating Interpretations for Ambiguity Resolution in Semantic Parsing.” Findings of ACL 2025. DOI: 10.18653/v1/2025.findings-acl.863.

Fan, Yaxin, Peifeng Li, and Qiaoming Zhu. 2025. “Improving Dialogue Discourse Parsing through Discourse-aware Utterance Clarification.” Proceedings of ACL 2025. DOI: 10.18653/v1/2025.acl-long.920.

Wang, Zhensheng, ZhanTeng Lin, Wenmian Yang, Kun Zhou, Yiquan Zhang, and Weijia Jia. 2026. “ODUTQA-MDC: A Task for Open-Domain Underspecified Tabular QA with Multi-turn Dialogue-based Clarification.” Proceedings of ACL 2026, 10907–10928. DOI: 10.18653/v1/2026.acl-long.499.

附錄 A：最小符號表

符號	定義
$s$	表面符號或符號串
$\mathcal C_i(s)$	第 $i$ 階段的候選語義域
$\Gamma_i$	第 $i$ 個動態語義約束
$T$	當前任務
$\lambda$	判定尺度
$\kappa$	語義承諾度
$\Theta_{bind}$	綁定門檻
$\mathcal B_{T,\lambda}^{(\tau)}(s)$	任務條件下的局部語義綁定
$\operatorname{Unbind}$	解除綁定操作
$\mathcal R_{base}$	重基準化操作
$C_{commit}$	語義承諾成本
$R_{premature}$	過早綁定風險

附錄 B：正式提交前驗證清單

建立 SLB 與一般 semantic ambiguity / underspecification 的嚴格區別。
建立可操作的 $\kappa$ 估計方法。
定義 $\Theta_{bind}$ 的任務依賴形式。
建立 premature binding benchmark。
驗證 rebase 與 clarification 的可分性。
比較 single interpretation、top- $k$ 、dynamic candidate 三種模型。
驗證低術語密度是否會造成能力誤判。
將中文複合詞案例與其他高組合性語言做跨語言比較，避免將語言個案誤寫成普遍定律。