일상 속 가치와 상식 규범을 연결하는 지식 그래프

초록

본 논문은 기존 윤리·사회 가치 이론이 문화 독립성을 강조하는 한계를 보완하기 위해, 일상 언어와 상식에서 드러나는 ‘민속 가치’를 정형화한 두 개의 온톨로지 모듈(FOLK, That’s All Folks, TAF)을 제안한다. 프레임 기반 자동 추출 파이프라인을 통해 텍스트에서 이러한 가치 트리거를 식별하고, ValueNet 온톨로지와 연계함으로써 문화‑특수적 가치의 탐지·추론 가능성을 실증한다.

상세 분석

이 연구는 가치 이론의 두 축, 즉 Moral Foundations Theory(MFT)와 Basic Human Values(BHV)를 기존 온톨로지(ValueNet)에 모델링한 뒤, 그 한계점을 보완하는 ‘민속 가치(Folk Values)’라는 새로운 차원을 도입한다. FOLK 모듈은 웹에서 수집한 비공식 가치 리스트를 OWL 형태로 정형화하고, 각 가치 항목을 MFT·BHV의 기존 개념과 매핑한다. 이를 통해 “건강”, “부”, “시간 엄수”와 같이 문화마다 다르게 해석될 수 있는 가치들을 형식화한다.

TAF 모듈은 FOLK에 정의된 가치와 연관된 어휘·사실 트리거를 자동으로 추출한다. 핵심 기술은 프레임 의미론과 Framester 지식 그래프를 활용한 QUOKKA 워크플로우이다. 먼저, 가치 리스트에서 추출한 어휘(예: risk, punctuality)를 입력으로 SPARQL 질의를 수행해 해당 어휘가 활성화하는 프레임(예: fs:RiskySituation)과 ConceptNet·DBpedia·Wikidata의 개념 관계를 수집한다. 이후, 프레임 요소(Core, Extra‑Thematic 등)와 의미역을 분석해 가치‑위반(violation) 혹은 가치‑촉진(trigger) 관계를 정의한다. 인간 전문가가 개입하는 단계는 어휘‑프레임 매핑과 노이즈 제거이며, 나머지는 전자동 파이프라인으로 처리된다.

가치 탐지 실험에서는 프레임 기반 규칙을 적용해 문장 수준에서 가치 트리거를 식별하고, 그 결과를 기존 MFT·BHV 사전과 비교했다. 평가 지표는 정밀도·재현율·F1 점수이며, 특히 문화‑특수적 가치에 대한 탐지율이 기존 사전 대비 현저히 상승했다. 이는 온톨로지에 ‘민속 가치’를 추가함으로써, 전통 이론이 포착하지 못한 일상적 가치 인식을 기계적으로 모델링할 수 있음을 입증한다.

한계점으로는 어휘‑프레임 매핑 과정에서 발생하는 다의성 문제와, 인간 전문가가 수행하는 필터링 단계가 아직 완전 자동화되지 않았다는 점이다. 또한, 현재 실험은 영어 텍스트에 국한되어 있어 다언어 확장성 검증이 필요하다. 향후 연구에서는 다국어 코퍼스와 문화별 가치 라벨링을 확대하고, 딥러닝 기반 의미역 예측 모델과 결합해 트리거 탐지 정확도를 더욱 향상시킬 계획이다.