برای بررسی این موضوع، بلیث و همکارانش از یک مدل‌سازی فیزیکی استفاده کردند که در گذشته نیز استفاده شده بود. آنها روند یادگیری واژه را مشابه با برخی مسائل در فیزیک آماری غیرتعادلی در نظر گرفتند، که در آن تعداد زیادی ذره یا موجود (مانند مولکول) با هم تعامل دارند، و توزیع احتمال برای حالت‌های خاص با گذشت زمان تغییر می‌کند. در یادگیری زبان، در ابتدا برای واژه‌ای مانند "فنجان" تعدادی تناظر وجود خواهد داشت، در نتیجه احتمال اینکه فرد زبان‌آموز فنجان را به همان شی فنجان مورد نظر نسبت دهد خیلی اندک است. اما با گذشت زمان این احتمال به یقین منتهی می‌شود، دقیقا مشابه با زمانی که سیستم فیزیکی ما به سمت تعادل نزدیک می‌شود.

محققان در ابتدا یک زبان یا یک "واژه‌نامه" را که شامل 50 یا 100 واژه‌ بود در نظر گرفتند. در شبیه‌سازی‌ کامپیوتری آنها، "زبان‌آموز" هر بار با یک واژه و مجموعه‌ای از "اشیا" روبرو می‌شود، که یکی از آنها به همان واژه دلالت دارد و معنای همان واژه است و سایر اشیا تناظرهایی است که می‌تواند برای واژه وجود داشته باشد. زبان‌آموز به تدریج معنای واژه‌ها را با مقایسه با موقعیت‌های مختلفی که در آن اشیا مختلفی وجود دارد یاد می‌گیرد. این محققان با محاسبه مدت زمان یادگیری این زبان فرضی به این نتیجه رسیدند که زمان لازم، به شدت به تعداد تناظرها در هر موقعیت بستگی دارد.

بلیث و همکارانش دو مورد خاص را نظر گرفتند. مورد اول آنها حذف ساده بود، به این معنا که تناظر دیگری برای واژه وجود نداشت. در حقیقت در این مورد زبان‌آموز با اشیایی روبرو می‌شود که اسم آنها را از قبل می‌دانسته و در نتیجه معنای واژه جدید را به راحتی پیدا می‌کند. آنها با محاسبه زمان لازم برای یادگیری تنها 60000 واژه به این روش، دریافتندکه بیش از عمر یک انسان زمان نیاز است، مگر اینکه تعداد تناظرها برای واژه‌ها کم شود. زمانی که دانشمندان منحصر به فرد بودن متقابل را در این مدل گنجاندند، دریافتند که زمان یادگیری به شدت کاهش می‌یابد. برای تعداد متوسطی از تناظرها (حدود ده)، کل واژه‌نامه در می‌نیمم زمان یادگرفته می‌شود. دانشمندان بر این باورند که این راهبرد ممکن است گام مهمی برای انسان‌های اولیه بوده باشد، زمانی که آنها  برای توسعه قابلیت زبان‌آموزی‌شان تلاش می‌کردند.