연구진은 모듈이 읽을 수 있는 정보를 제한하면 시스템이 학습하는 계산 방식이 개선되는지 검증하기 위해, 동결된 언어모델을 백본으로 공유하는 4개 셀 시스템 60개를 대상으로 사전등록 확증 실험을 수행했다. 증거 마스킹, 소유권 표시, 외부 증거를 중립 필러로 치환하는 등 다섯 조건을 여섯 개 초기화 클러스터와 두 가지 데이터 순서로 조합해 새 과제 환경에서 테스트한 결과, 마커가 양쪽 조건 모두에 제공됐을 때 증거 마스킹이 미학습 2~3단계 조합 문제의 정확도를 중앙값 기준 각각 0.846, 0.859만큼 끌어올렸고 12개 쌍 모두 기준을 통과했다. 다만 전역적으로 정보를 볼 수 있는 시스템 중에는 '마커 추종' 검증을 통과한 경우가 없어 역할 정보의 실제 효과는 여전히 불확실하며, 필러 조건에서는 7개 시스템이 완전 일반화에 성공했지만 그 분해 기준은 결론을 내리기 어려웠다. 이는 정보 제한(마스킹)이 구성적 일반화에 큰 이점을 준다는 것을 확증하면서도, 그 세부 메커니즘과 일반화 가능성은 아직 열린 질문으로 남겨둔다.

• •60개 사회(4-cell 시스템)를 대상으로 한 사전등록 확증 실험으로 증거 마스킹의 효과를 검증
• •마스킹이 미학습 2~3단계 조합 문제 정확도를 중앙값 0.846~0.859 향상시키며 사전등록 기준 전원 통과
• •전역 가시성을 가진 시스템은 '마커 추종' 검증을 하나도 통과하지 못해 역할 정보의 실제 기여는 불확실
• •필러(중립 대체) 조건에서 7개 시스템이 완전 일반화를 달성했으나 원인 분해는 결론 미확정
• •프로토콜·결과·체크포인트를 공개해 재현 가능성 확보