NLML 기반 텍스트 함의 생성으로 대화형 영어 학습 시스템 강화

본 논문은 CSIEC(Computer Simulation in Educational Communication)라는 웹 기반 영어 교육 대화 시스템에서 텍스트 함의 생성(Generation of Textual Entailment, GTE)의 필요성을 제기하고, 이를 구현하기 위한 구체적인 방법론을 제시한다. 먼저 텍스트 함의의 정의를 소개하고, ‘T ⊢ H’라는 형식으로 표현되는 함의 관계를 설명한다. 일상 대화에서 “What is the price of the book?”과 “How much is the book?”처럼 서로 다른 표현이 동일한 의미를 전달하는 사례를 들어, GTE와 텍스트 함의 인식(RTE)의 차이를 구분한다. CSIEC 시스템 내에서 GTE가 차지하는 역할을 세 가지로 정리한다. 첫째, 사용자 사실 데이터베이스(NLDB)에서 중복을 방지한다. 사용자가 “I am an English teacher in Beijing University.”라고 입력한 후, 이후 “I teach English in Beijing University.”라는 문장을 다시 입력하면, 시스템은 앞선 사실으로부터 추론 가능한 정보를 인식하고 새로운 레코드를 저장하지 않는다. 동시에 “You teach English in Beijing University.”와 같은 응답을 생성함으로써 논리적 추론 능력을 보여준다. 둘째, 가이드 대화 시나리오 작성 시 동일 의미의 다양한 표현을 모두 스크립트에 넣을 필요가 없어, 규칙 기반으로 대체 표현을 자동 생성한다. 셋째, 질문 응답 과정에서 사용자의 사실을 기반으로 “Who am I?” 혹은 “What do I teach?”와 같은 질문에 즉시 함의를 이용해 답변을 제공한다. 또한 학습자 수준에 맞춰 어휘·문법 난이도를 조절하는 데에도 GTE가 활용될 수 있다. 관련 연구를 살펴보면, 기존 RTE 챌린지와 DIRT(Discovering Inference from Text) 등은 텍스트 사이의 함의 관계를 발견하거나 검증하는 데 초점을 맞추었지만, 실제 새로운 문장을 생성하는 GTE에 대한 연구는 거의 없었다. 논문은 이러한 공백을 메우기 위해 NLML(Natural Language Markup Language)과 NLOMJ(Object Model)이라는 자체 메타언어를 도입한다. NLML은 구문 트리와 의존 트리를 결합한 형태로, 품사, 의미 역할, 구문 구조 등을 상세히 기술한다. 이를 통해 규칙을 ‘의사변수(pseudo variable)’ 형태로 표현하고, 규칙의 좌측(원문 패턴)과 우측(함의 문장)을 각각 NLML로 기술한다. 제안된 알고리즘은 세 단계로 구성된다. 1) 규칙 주석: 교재나 전문가가 정의한 함의 규칙을 NLML에 의사변수와 함께 기록한다. 예를 들어 “What is the price of ? ⊢ How much is ?”를 NLML로 변환한다. 2) 패턴 매칭: 사용자가 입력한 문장을 NLML로 파싱하고, 저장된 규칙들의 좌측 NLML과 구조적 일치를 검사한다. 매칭 기준은 문장 분위기(질문·서술·명령)와 구문 구조(주어‑동사‑목적어 등)이며, 일치하면 의사변수에 해당하는 구문을 추출한다. 3) 함의 변환: 추출된 의사변수 값을 우측 규칙에 삽입하고, 동사 형태 변환을 위해 태그를 사용해 시제·인칭에 맞는 어형을 자동으로 생성한다. 알고리즘의 시간·공간 복잡도는 규칙 수 N과 입력 문장의 트리 크기 M에 대해 최악의 경우 O(N·M) 시간, O(N+M) 공간을 요구한다. 논문은 몇십 개의 규칙과 짧은 문장을 대상으로 실험을 수행했으며, 평균 매칭 시간은 수십 밀리초 수준으로 실시간 대화에 충분히 적용 가능함을 보였다. 한계점으로는 규칙 수가 증가하면 매칭 비용이 선형적으로 증가한다는 점, 현재 규칙 작성이 전문가에 의존한다는 점, 그리고 의사변수 타입 제한을 WordNet 등 외부 어휘 자원에 의존한다는 점을 들었다. 이를 보완하기 위해 교재 기반 자동 규칙 추출, 비전문가용 GUI 편집기 개발, 그리고 규칙 자동 검증·학습 메커니즘을 향후 연구 과제로 제시한다. 결론적으로, 이 논문은 NLML 기반 규칙 주석·패턴 매칭·함의 변환이라는 통합 프레임워크를 통해 텍스트 함의 생성을 실현하고, CSIEC 시스템의 데이터 중복 방지, 대화 스크립트 경량화, 질문 응답 및 학습자 맞춤형 출력 등 다양한 응용 가능성을 제시한다. 향후 연구는 대규모 코퍼스에서 규칙을 자동으로 학습하고, RTE와의 연계를 통해 전반적인 자연어 이해·생성 능력을 강화하는 방향으로 진행될 것이다.