법적 의미 메타데이터 자동 추출 프레임워크

초록

본 논문은 요구사항 공학 문헌에서 제시된 다양한 의미 메타데이터 유형을 통합·정리하고, 자연어 처리와 머신러닝을 활용한 자동 추출 방법을 제안한다. 룩셈부르크 법령을 대상으로 두 차례 사례 연구를 수행했으며, 첫 번째 사례에서 정밀도 97.2 %·재현율 94.9 %, 두 번째 사례에서 정밀도 82.4 %·재현율 92.4 %를 달성해 높은 정확성을 입증한다.

상세 분석

이 연구는 먼저 기존 요구사항 공학(RE) 분야에서 제시된 의미 메타데이터 유형을 체계적으로 조사하고, 법률 텍스트에 적용 가능한 공통 분류 체계를 구축한다. 주요 메타데이터는 ‘목적’, ‘조건’, ‘제한’, ‘예외’, ‘관계’ 등으로 구분되며, 각각은 법 조문의 의미적 해석에 핵심적인 역할을 한다. 저자들은 이러한 유형을 기반으로 자동 추출 파이프라인을 설계했는데, 텍스트 전처리 단계에서 토큰화·형태소 분석·구문 의존성 파싱을 수행하고, 사전 학습된 한국어·다국어 BERT 모델을 미세조정하여 각 메타데이터 라벨을 예측한다. 또한, 규칙 기반의 후보 생성기와 지도 학습 분류기를 결합해 잡음 감소와 라벨 불균형 문제를 완화한다. 실험에서는 룩셈부르크 법령을 두 개의 도메인(예: 세금·노동법)으로 나누어 사례 연구를 진행했으며, 정밀도·재현율·F1 점수를 통해 모델 성능을 검증했다. 첫 번째 사례는 데이터 라벨링 품질이 높아 97 % 이상의 정밀도를 보였고, 두 번째 사례는 라벨 불균형과 복잡한 문장 구조 때문에 정밀도가 다소 낮아졌지만 여전히 80 % 이상을 유지했다. 오류 분석 결과, 다의어 해석 오류와 문맥 의존적 조건절 인식 실패가 주요 원인으로 파악되었다. 이러한 한계를 극복하기 위해서는 도메인 특화 어휘 사전 확대와 다중 태스크 학습이 필요하다는 점을 제시한다. 전반적으로 이 논문은 법률 텍스트에 의미 메타데이터를 자동으로 부착함으로써 대규모 법령 분석·검색·컴플라이언스 관리에 실용적인 기반을 제공한다는 점에서 의의가 크다.