언어가 만든 이념 편향: 동일 LLM의 러시아어·우크라이나어 분석 차이

초록

본 논문은 동일한 대형 언어 모델(ChatGPT 5.2)에 동일 문서를 제시하고, 프롬프트를 러시아어와 우크라이나어로만 바꿨을 때 생성되는 정치 분석이 어떻게 이념적으로 달라지는지를 실험한다. 결과는 러시아어 출력이 러시아 국가 서사와 일치하는 비판적·엘리트‑부정적 어조를, 우크라이나어 출력이 서구 자유민주주의 학술 어휘와 긍정적·정당화 어조를 보이며, 언어 자체가 이념적 프레이밍을 결정한다는 점을 보여준다.

상세 분석

이 연구는 “프롬프트 언어가 모델의 이념적 편향을 조건화한다”는 가설을 검증하기 위해 통제된 실험 설계를 채택했다. 먼저 2019년 우크라이나 시민사회 연합이 발표한 영문 원문을 동일하게 제공하고, 분석 요청 프롬프트를 러시아어와 우크라이나어로 각각 작성했다. 동일 모델(ChatGPT 5.2)과 동일 파라미터(temperature = 0.7, max‑tokens = 1024)를 사용함으로써 출력 차이가 언어 차이에만 기인함을 보장했다.

출력 텍스트를 정량·정성적으로 분석한 결과, 두 언어 간 차이는 크게 네 차원에서 나타났다. 첫째, 어휘 선택에서 러시아어 버전은 “엘리트”, “이념 감시”, “민주적 위임을 대체”와 같은 부정적 레이블을 반복했으며, 이는 러시아 공식 담론에서 비판 대상 NGO를 규정하는 전형적인 용어와 일치한다. 반면 우크라이나어 버전은 “전문화된 친서구 시민 엘리트”, “권력의 규범적 억제” 등 학술적·중립적 어휘를 사용해 정당성을 강조한다.

둘째, 레토릭 구조는 러시아어 출력이 ‘위협‑경고’ 서사를, 우크라이나어 출력이 ‘합법‑감시’ 서사를 채택한다는 점에서 차별화된다. 셋째, 해석적 결론에서는 러시아어가 문서를 “민주적 명령을 훼손하는 비합법적 행위”로 규정하는 반면, 우크라이나어는 “민주적 절차 내에서 논쟁 가능한 정책 제안”으로 평가한다. 넷째, 동등한 사실적 내용(문서 구조, 서명자 명단, 국내·국제 청중)은 유지하면서도, 각 언어가 내포하는 사회·정치적 프레임이 출력의 평가적 톤을 좌우한다는 점을 확인했다.

이러한 차이는 두 가지 메커니즘으로 설명될 수 있다. 첫째, 훈련 데이터의 언어별 편향이다. 러시아어 웹 콘텐츠는 국가 통제 미디어와 친정부 서술이 과다하게 포함돼 있어, 모델이 “시민사회”를 부정적으로 연상하도록 학습한다. 둘째, RLHF 단계에서 언어별 라벨러의 정치적 성향 차이가 반영될 가능성이다. 라벨러가 러시아어와 우크라이나어에 대해 서로 다른 가치 기준을 적용하면, 동일 모델이라도 언어별 출력에 체계적 편향이 발생한다.

결과적으로, 논문은 다국어 LLM 배포 시 프롬프트 언어가 이념적 프레이밍을 결정한다는 위험성을 강조한다. 특히 정보 전쟁이 진행 중인 러시아‑우크라이나 갈등과 같이 언어가 정치적 정체성과 직결된 상황에서는, AI 시스템이 무의식적으로 특정 서사를 재생산해 갈등을 심화시킬 수 있다. 따라서 모델 개발자는 언어별 데이터 균형, 라벨링 프로세스 투명성, 그리고 다언어 평가 프레임워크를 도입해 이러한 편향을 최소화해야 한다.