CEFR 기반 워드넷 학습자를 위한 의미 레벨 자동 주석

초록

본 논문은 WordNet의 세밀한 의미 구분을 L2 학습자에게 친화적으로 만들기 위해, 대형 언어 모델(LLM)을 활용해 English Vocabulary Profile( EVP)과 의미 유사도를 측정하고 CEFR 레벨을 자동으로 부여한 CEFR‑Annotated WordNet을 구축한다. 구축된 자원을 SemCor에 적용해 110 000개 이상의 의미·레벨 주석을 만든 뒤, 이를 이용해 문맥 기반 CEFR 수준 분류기를 학습시켰으며, 금표준 데이터와 결합한 모델이 Macro‑F1 0.81을 달성함을 보인다.

상세 분석

이 연구는 기존 WordNet이 제공하는 방대한 어휘와 구조화된 의미 네트워크를 L2 학습에 직접 활용하기 어려운 문제점을 정확히 짚어낸다. 특히 의미 구분이 과도하게 세분화돼 학습자가 적절한 의미를 찾는 인지 부하가 크다는 점을 지적하고, 이를 해결하기 위한 핵심 아이디어로 CEFR 레벨이라는 교육적 메타 정보를 의미 단위에 매핑한다는 접근을 제시한다. 자동 라벨링 파이프라인은 세 단계로 구성된다. 첫째, 대상 단어·품사에 대해 WordNet과 EVP에서 각각 모든 gloss를 추출한다. 둘째, GPT‑4o와 같은 최신 LLM을 프롬프트만으로 활용해 두 gloss 사이의 의미 유사도를 1~7의 척도로 평가한다. 여기서 1·2점(‘전혀 동일’ 혹은 ‘거의 동일’)을 의미 정렬 기준으로 삼아, EVP의 CEFR 레벨을 WordNet sense에 전이한다. 셋째, 이 전이된 레벨을 기반으로 SemCor 코퍼스에 의미·레벨 주석을 부착해 110 000개 이상의 학습 데이터를 만든다. 자동화된 라벨링은 비용과 인력 부담을 크게 낮추면서도, 금표준 EVP와의 높은 일치도를 보이며 신뢰성을 확보한다. 평가에서는 두 종류의 분류기를 비교한다. 하나는 순수히 자동 라벨링 데이터만으로 파인튜닝한 모델이고, 다른 하나는 금표준 EVP 라벨과 자동 라벨을 혼합한 하이브리드 모델이다. 후자는 Macro‑F1 0.81이라는 실용적인 성능을 기록했으며, 이는 자동 라벨이 금표준과 충분히 일관됨을 간접적으로 증명한다. 또한, 기존의 Lexical Complexity Prediction( LCP) 연구와 차별화해, 단순 복잡도 예측이 아니라 CEFR 수준이라는 교육 표준에 맞춘 의미‑레벨 예측을 수행한다는 점이 의의다. 한계점으로는 LLM 기반 유사도 판단이 여전히 주관적이며, 7점 척도 임계값 선택이 데이터 커버리지와 정확도 사이의 트레이드오프를 야기한다는 점을 들 수 있다. 향후에는 다국어 WordNet에 동일한 파이프라인을 적용하거나, 인간 평가자를 통한 라벨 검증을 확대해 라벨 품질을 더욱 정밀화할 여지가 있다. 전반적으로 이 연구는 NLP와 언어 교육 사이의 격차를 메우는 실용적인 인프라를 제공하며, 학습자 맞춤형 어휘 지도와 자동 평가 시스템 개발에 중요한 토대를 마련한다.