음절과 한자 매핑 스펙트럼의 정량적 분석

초록

본 연구는 성조를 구분한 1280개의 중국어 음절에 대해, 각 음절에 대응하는 한자 수를 순위별로 정렬한 “음절‑한자 매핑 스펙트럼”을 구축하고, 로그 함수, 베타 순위 함수, 그리고 두 구간 로그 함수 세 가지 모델로 피팅하였다. 적합도는 SSE와 AIC 기준으로 평가했으며, 두 구간 로그 함수가 가장 낮은 값을 보여 최우수 모델로 선정되었다. 베타 순위 함수와의 비교에서는 부트스트랩 기반 포아송 시뮬레이션을 통해 p‑값 0.16을 얻어 통계적으로 유의미한 차이는 없으나, 실용적 관점에서는 두 모델을 동등하게 고려할 수 있음을 제시한다.

상세 분석

본 논문은 중국어 음절과 한자 사이의 비선형 매핑 관계를 정량적으로 규명하고자 하는 시도이다. 기존 연구에서는 400여 개의 무성조 음절에 대해서만 매핑 스펙트럼을 제시했으나, 이 연구는 성조를 포함한 1280개의 유니크한 음절을 대상으로 확장함으로써 보다 정밀한 분석이 가능하도록 하였다. 데이터는 표준 중국어 사전에서 추출했으며, 각 음절에 대응하는 한자 수를 카운트한 뒤 내림차순으로 정렬해 순위‑값(Rank‑Count) 쌍을 생성하였다.

세 가지 후보 모델은 (1) 단일 로그 함수 y = a + b·log(r) , (2) 베타 순위 함수 y = C·r^(-α)·(N‑r+1)^(β) , (3) 두 구간 로그 함수로, 전자는 전체 구간에 동일한 로그 기울기를 적용하고, 후자는 상위 k 개 음절과 그 이하 구간을 각각 다른 로그 기울기로 모델링한다. 모델 파라미터는 최소제곱법으로 추정했으며, 적합도 평가는 (i) 합계제곱오차(SSE)와 (ii) Akaike 정보 기준(AIC) 두 지표를 동시에 사용했다.

결과적으로 두 구간 로그 함수는 SSE = 1.84 × 10^3, AIC = ‑212.5 로 가장 낮은 값을 기록했으며, 베타 순위 함수는 SSE = 2.07 × 10^3, AIC = ‑209.3 로 그 뒤를 이었다. 단일 로그 함수는 SSE = 3.45 × 10^3, AIC = ‑198.7 로 현저히 열위에 있었다. 두 구간 로그 함수가 우수한 이유는 상위 몇 개 음절이 차지하는 한자 수가 급격히 높아 비선형성을 강하게 띠는 반면, 하위 구간은 상대적으로 완만한 감소 추세를 보이기 때문이다.

통계적 유의성을 검증하기 위해, 관측된 평균값을 파라미터로 하는 포아송 분포에서 10 000번 샘플링을 수행하였다. 각 시뮬레이션에 대해 두 구간 로그 함수와 베타 순위 함수의 AIC 차이를 계산한 결과, 두 모델 간 AIC 차이가 관측값보다 크게 나타날 확률이 0.16으로 추정되었다. 즉, p‑값이 0.05 기준을 넘기 때문에 두 모델 간 차이를 통계적으로 확정짓기엔 부족하지만, 실무적 적용에서는 두 모델을 동등하게 고려해도 무방함을 시사한다.

연구의 한계로는(1) 사전 선택에 따른 표본 편향, (2) 성조 구분이 실제 언어 사용에서 갖는 가중치 차이 미반영, (3) 포아송 모델이 실제 한자 수 분포의 과산포(over‑dispersion)를 완전히 포착하지 못할 가능성 등을 들 수 있다. 향후 연구에서는 대규모 코퍼스 기반 빈도 데이터를 활용하거나, 음절‑한자 매핑을 확률적 그래프 모델로 확장하는 방안을 제안한다.