一项新发表于arXiv的研究（编号2610.31842v1）探讨儿童如何习得早期词汇中大量简单具体词语的意义，聚焦‘跨情境学习’这一理论：即儿童通过反复积累词语与其所指对象共现的统计信息来推断词义。
研究团队使用对比式视觉–语言模型，在BabyView语料库上开展实验——该语料库包含48名儿童的2441小时纵向第一人称视角（egocentric）视频，同步记录其真实生活中的视觉与语言输入。结果表明，模型能成功学习物体–标签映射，但性能高度依赖视觉表征质量：采用互联网预训练视觉特征时效果显著优于仅从发育视频中学习视觉表征。
分析还发现，绝大多数学习信号来自一小部分明确描述可见对象的言语片段；模型习得的词义表征展现出类人的语义结构，但其学习过程随训练经验演化的轨迹与真实儿童存在实质性差异。论文指出，跨情境学习对早期名词习得是可行策略，但构建符合发展规律的计算模型，亟需突破从自然主义数据中高效学习高质量视觉表征的技术瓶颈。