En este artículo, argumentamos que los modelos de lenguaje basados en formalismos lógicos (LFLM) son más eficientes en el uso de datos que los modelos basados en texto. Para demostrarlo, presentamos un prototipo de un modelo de lenguaje preentrenado basado en una representación gráfica de formalismos lógicos, denominado Semántica Distribucional Lógica-Formal Basada en Grafos (GFoLDS). Los resultados experimentales muestran que los LFLM pueden aprender patrones complejos con mayor rapidez al aprovechar el conocimiento lingüístico subyacente inherente al modelo. GFoLDS supera significativamente a un Transformer LM (BERT) basado en texto, preentrenado con los mismos datos en subtareas, lo que sugiere que los LFLM pueden aprender con muchos menos datos. Además, es probable que el rendimiento del modelo escale adecuadamente con parámetros adicionales y datos de preentrenamiento, lo que demuestra la viabilidad de los LFLM en aplicaciones del mundo real.
