위키낱말사전의 형태학적 결함 데이터 신뢰성 평가

초록

본 연구는 라틴어와 이탈리아어의 결함 동사를 대상으로, 최신 신경형태학 분석기(UDTube + mBERT)를 대규모 코퍼스에 적용해 위키낱말사전에 수록된 결함 목록의 정확성을 자동 검증한다. 결과는 이탈리아어에서는 4 % 수준의 오류에 그치지만, 라틴어에서는 7 % 정도가 실제 사용 빈도가 높아 결함이 아니라는 점을 보여 위키 기반 자료가 언어마다 신뢰도 차이를 보임을 확인한다.

상세 분석

이 논문은 형태학적 결함(defectivity)이라는 비교적 미탐구 영역을 컴퓨팅 관점에서 체계적으로 접근한 점이 가장 큰 강점이다. 먼저 라틴어와 이탈리아어라는 두 언어를 선택한 이유는, 두 언어 모두 풍부한 굴절 체계를 가지고 있으면서도 위키낱말사전에서 비교적 방대한 결함 동사 리스트가 제공된다는 점이다. 데이터 구축 단계에서는 Universal Dependencies(UD) 트리뱅크를 활용해 UDTube 모델을 mBERT 인코더와 결합시켰으며, 하이퍼파라미터 튜닝에 Weights & Biases를 사용해 라틴어(98 %), 이탈리아어(96 %) 수준의 형태소 태깅 정확도를 달성했다. 이는 기존 UDPipe 대비 현저히 높은 성능이며, 대규모 코퍼스(라틴어 390 M 토큰, 이탈리아어 5 B 토큰)에 대한 자동 주석을 가능하게 한다.

검증 방법으로는 ‘간접 부정 증거(Indirect Negative Evidence, INE)’라는 언어 습득 이론을 도입해, 특정 형태가 결함이라면 실제 사용 빈도가 거의 없거나 기대 빈도 대비 현저히 낮아야 한다는 가정을 수량화했다. 구체적으로 절대 빈도와 로그오즈비(log‑odds ratio)를 이용했으며, 로그오즈비 1.9 이상을 ‘큰 발산’으로 정의해 결함 여부를 판단했다. 이러한 통계적 기준은 형태학적 허용성 판단에 널리 쓰이는 방법이며, 논문에서는 두 언어 모두에 일관된 임계값을 적용해 비교 가능성을 확보했다.

결과 분석에서는 라틴어 결함 리스트 중 7 %가 실제 사용 빈도가 높아 ‘비결함’으로 재분류되었고, 이탈리아어는 4 % 수준에 머물렀다. 라틴어에서 오류 비율이 높은 원인으로는 (1) 라틴어 텍스트가 현대 언어 사용자 기반이 약해 실제 사용 형태가 코퍼스에 충분히 반영되지 않을 가능성, (2) 라틴어 굴절 체계가 복잡해 자동 분석기의 오류가 누적될 여지 등을 제시한다. 또한, 일부 ‘Not Attested’ 사례는 코퍼스 자체의 한계(고대 문헌 미포함) 때문일 수 있음을 인정한다.

한계점으로는 mBERT가 라틴어와 이탈리아어에 최적화된 모델이 아니라는 점, 그리고 코퍼스가 현대 이탈리아어와 고전 라틴어를 혼합해 형태소 빈도 추정에 편향을 일으킬 수 있다는 점을 들었다. 향후 XLM‑RoBERTa와 같은 다국어 대형 모델을 적용하거나, 보다 균형 잡힌 시계열 코퍼스를 구축한다면 정확도를 더욱 높일 수 있을 것으로 보인다. 전반적으로, 위키낱말사전이 비전문가 기반 데이터임에도 불구하고 높은 신뢰도를 보이며, 자동 형태학 분석과 통계적 검증을 결합한 방법론은 다른 언어와 현상에도 확장 가능함을 보여준다.