수천 가지 확인된 언어 중 많은 수가 공통적인 특징 구성을 공유하여, 유형론적으로 매우 드문 (예: 목적어-동사-주어 어순) 또는 불가능한 언어에서 매우 흔한 특징 조합 (예: 주어-목적어-동사 어순) 으로 이어지는 스펙트럼을 형성합니다. 핵심 질문 중 하나는 이러한 유형론적 경향이 예측될 수 있는 조건이 무엇이며, 구체적으로 언어 모델 (LM) 의 학습 편향 (learning bias) 이 그러한 패턴을 재현하기에 충분한지 여부입니다. 본 연구에서는 이러한 분석에 한 차원을 더하여, 즉 LMs 의 학습 시나리오를 추가함으로써, 이것이 LMs 의 귀납적 편향 (inductive bias) 과 어떻게 상호작용하는지 탐구합니다. 구체적으로 첫 번째 연구로서, 발달론적 동기에서 비롯된 학습 시나리오인 커리큘럼 학습 (Curriculum Learning, CL) 의 효과를 살펴봅니다. 즉, 무작위 순서의 입력 대신 더 간단한 문장부터 시작하는 방식입니다. 우리는 기존 LM 기반 탐색 (El-Naggar et al., 2025a,b) 에 간단한 CL 변형을 추가하여 확장했으며, 그 결과 CL 이 LMs 의 명목상 귀납적 편향에 상당한 영향을 미친다는 것을 발견했습니다.