본 연구에서는 신경 언어 모델(NLM)의 통계적 학습(statistical learning)과 정신적 표상(mental representation)을 조사하기 위해 발달적 접근법(developmental approach)을 사용합니다. 일련의 생성형 Transformer 모델들이 합성 문법(synthetic grammar)을 바탕으로 학습됩니다. 모델의 상태는 학습 과정 중 여러 단계에서 저장됩니다. 이러한 모델들의 내부 표상(internal representations)이 발달 경로에서 어떻게 변화하는지 분석함으로써, 우리는 NLMs가 학습 초기 단계에서 가장 추상적인 전역적 통계 지식(global statistical knowledge)을 습득하고, 이후 상대적으로 국소적인 통계적 의존성(local statistical dependencies)을 습득한다는 것을 발견했습니다. 이 학습 경로는 시작부터 많은 과잉 일반화(over-generalizations)를 포함하고 있으며, 이러한 과잉 일반화는 학습의 후기 단계에서 점진적으로 제약됩니다. 이러한 관찰을 바탕으로, 우리는 NLMs의 통계적 학습과 언어 인지(language cognition)를 설명하기 위한 새로운 프레임워크를 제안합니다.