PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.12186v2cs.CL

논쟁적 정치 담론에서의 암묵적 전제(Enthymeme) 탐지를 위한 리소스

A Resource for Enthymeme Detection in Controversial Political Discourse

암묵적 전제(Enthymeme)는 명시되지 않은 전제나 결론을 포함하는 논증으로, 설득적인 담론에 널리 퍼져 있으나 이에 대한 주석 달기는 여전히 악명 높을 정도로 주관적입니다. 우리는 라벨 변동성을 연구하기 위해 설계된, 정치적으로 논쟁적인 담론의 1,482개 트윗으로 구성된 리소스를 제시합니다. 이 데이터는 5명의 주석자가 암묵적 전제의 존재 여부와 그 논증 구조에 대해 주석을 달았습니다. 우리는 먼저 암묵적 전제의 정의를 재조명하고 월튼(Walton)의 논증 스킴에 기반을 둔 주석 가이드라인을 제안하며, 이는 구조적이고 제한적인 접근 방식을 제공하면서도 과제의 해석적 성격을 고려한 여지를 보존합니다. 이는 불일치를 제거하는 경향이 있어 그 원인을 모호하게 만들고 모델 성능에 미칠 수 있는 잠재적 이점에 대한 조사를 방해했던 과거의 리소스와 대조됩니다. 또한, 우리는 과제의 복잡도 분석을 제안하여 주석 작업이 높은 인지 부하를 주고 주석 불일치를 야기할 수 있는 지점을 식별합니다. 우리의 예비 실험에 따르면, 주석자 불일치로 학습된 모델이 단순 다수결 라벨로 학습된 모델보다 성능이 더 뛰어납니다. 마지막으로, 암묵적 전제의 정의와 가이드라인에 있는 구조적 개방성이 인간 추론과 관련된 미래의 리소스 및 다운스트림 자연어 처리(NLP) 애플리케이션을 위해 주관적 추론 과정의 변동성 연구를 어떻게 가능하게 하는지 고찰합니다.

arXiv:2607.22552v1cs.CL

MioFFAn: LLM 자동화 기능을 갖춘 수식 형식화(Formula Formalization) 주석 소프트웨어

MioFFAn: an Annotation Software for Formula Formalization with LLM Automation Capabilities

과학 문헌의 수학적 표현을 실행 가능한 기호 코드로 자동 변환하는 작업(이를 수식 형식화(Formula Formalization)라고 부름)은 기술 과학 분야에 특화된 고품질 정답(ground-truth) 데이터셋의 심각한 부족으로 인해 어려움을 겪고 있다. 본 논문에서는 이러한 작업을 위한 신속한 주석(annotation)을 지원하도록 설계된 오픈 소스, 문서 중심(document-centric), 맞춤형 프레임워크인 MioFFAn을 제시한다. MioGatto 아키텍처를 기반으로, 구조적 한계를 극복하기 위해 기존 기능을 확장하고, 관심 방정식 선택 및 보조적 기호 코드 지정과 같은 수식 형식화를 위한 특화 기능을 도입하여 범위를 전환한다. 사용자가 식별된 기호에 대한 맞춤형 분류체계(taxonomy)와 속성, 그리고 호환 가능한 기호 연산자를 구성할 수 있게 함으로써, 프레임워크가 다양한 전문 과학 분야에 적응 가능하도록 한다. 또한 MioFFAn은 대규모 언어 모델(LLM)을 통한 부분 자동화를 통합하도록 설계되었다. 엄격한 출력 형식을 갖춘 모듈형 자동화 하위 작업 집합을 정의함으로써, 연구자들이 자동화 역량을 반복적으로 개선하고 표준 자연어 처리(NLP) 지표를 사용하여 경쟁 전략들을 평가할 수 있게 한다. 현재 자동화 방법론을 명세하고, 인간 개입 루프(human-in-the-loop) 접근법의 효과를 보여주는 예비 평가를 수행한다.

arXiv:2606.28574v1cs.CL

올바른 코드, 잘못된 이유? 이론적 구성 개념의 측정 도구로서 LLM 검증

Correct codes for the wrong reasons? validating LLMs as measurement instruments for theoretical constructs

대규모 언어 모델(LLM)이 인간 어노테이터와 동일하게 텍스트 내 구성 개념을 코딩할 때, 그 일치도는 해당 LLM을 신뢰할 수 있는 코더로 만든다. 그러나 신뢰도는 구성 타당도(construct validity)와는 별개의 문제다. 해당 도구는 이론적으로 순진할 수 있으며, 구성 개념의 이론이 요구하는 조건을 전혀 충족하지 않는 상관 변수를 통해 코드에 도달할 수 있는데, 현재의 어떤 방법도 이를 진정한 측정과 구분해 내지 못한다. 우리는 이 간극을 메우는 방법으로 세분화 보정(grain calibration)을 제안한다. 이 방법은 구성 개념을 절(clause) 수준의 구성 요소로 분해하고, 추출적 근거를 통해 각 요소를 텍스트와 대조 검증한 후, 명시적이고 이론에서 도출된 규칙을 통해 결과를 결합한다. 이 규칙은 불투명한 단일 처리 과정 속에 숨겨지는 것이 아니라 명시적으로 기술되므로, 그 구조 자체가 출력이 아닌 처리 과정에 대한 근거가 된다. 이를 통해 어떤 구성 요소가 코드를 결정했는지, 그리고 코드가 잘못된 경우 특정 구성 요소가 누락된 것인지 아니면 인접한 구성 개념으로 오인된 것인지를 파악할 수 있다. 검증은 도구의 출력을 어노테이터와 비교해 채점하는 방식에서 벗어나, 도구가 해당 이론이 규정하는 구성 개념을 실제로 처리하고 있음을 보여주는 방식으로 전환된다.

arXiv:2606.24734v1cs.CL

Task Decomposition for Efficient Annotation

High-quality annotations of structured representations are expensive to collect over large corpora. Manual annotation of structure is laborious, and model-based annotation, although cheaper to generate, requires expensive validation and potentially significant supervision to ensure that the annotation quality is strong enough to be useful downstream. In traditional annotation workflows, annotation of each complete example is performed end-to-end by a single annotator. However, structured annotation is complex, and each aspect of the task represents a unique challenge with an associated inferential load for a given annotator. Modern annotation projects can incorporate heterogeneous groups of annotators, including both models and human annotators with varying domain and linguistic expertise. It remains unclear, however, how to redesign annotation tasks in this setting, where efforts are discriminately allocated across heterogeneous annotators with respect to distinct annotation challenges. We propose to decompose annotation tasks into sub-tasks in order to reduce the aggregate inferential load of annotation projects. Inspired by the notion of centers from centering theory, we introduce a formal model of inferential load based on the degrees of freedom in the space of valid annotations. Using this model, we show that identifying these centers (i.e. salient anchor entities realized by annotation sub-tasks) constrains the output space complexity, and decompositions which isolate and advance center identification reduce the aggregate inferential load. We provide guidelines for decomposing complex structured annotation tasks, supported by examples demonstrating improved cost-efficiency from our prior work. Finally, we present a procedure for allocating sub-tasks across annotators to maximize quality under a fixed budget.

arXiv:2603.05171v2cs.CL

중국 사법 판결 내 법적 논증 구조의 어노테이션 및 시각화 가이드라인

Guidelines for the Annotation and Visualization of Legal Argumentation Structures in Chinese Judicial Decisions

이 가이드라인은 사법 판결에서 법적 논증 구조를 표현하기 위한 체계적이고 실현 가능한 어노테이션 프레임워크를 제시합니다. 법적 추론 및 논증 이론에 기반하여, 이 프레임워크는 사법적 추론의 논리적 구조를 드러내고 계산적 분석을 위한 신뢰할 수 있는 기반을 제공하는 것을 목표로 합니다. 요소 수준에서, 이 가이드라인은 비명제 층(non-propositional layer)과 명제 층(propositional layer)을 구별합니다. 비명제 층은 쟁점(Issue)과 비논증적 구성 요소(Non-argumentative Component)라는 두 가지 요소로 구성됩니다. 명제 수준에서, 이 가이드라인은 일반 규범적 판단(General Normative Judgment), 개별 규범적 판단(Particular Normative Judgment), 일반 사실적 판단(General Factual Judgment), 개별 사실적 판단(Particular Factual Judgment)의 네 가지 명제 유형을 정의합니다. 관계 수준에서, 논증 구조를 나타내기 위해 지지(Support), 공격(Attack), 결합(Joint), 일치(Match), 동일성(Identity)의 다섯 가지 관계 유형이 정의됩니다. 이러한 관계는 긍정적 및 부정적 논증 연결, 결합적 추론 구조, 법적 규범과 사건 사실 간의 대응 관계, 그리고 명제 간의 동일성 또는 의미적 동등성을 포착합니다. 이 가이드라인은 기본 구조와 중첩 구조 모두에 대한 형식적 표현 규칙과 시각화 규칙을 추가로 명시하여, 복잡한 논증 패턴의 일관된 시각화를 가능하게 합니다. 또한, 어노테이션된 데이터의 재현성과 신뢰성을 보장하기 위해 표준화된 어노테이션 워크플로우와 일관성 제어 메커니즘을 수립합니다. 명확한 개념적 모델, 형식적 표현 규칙, 실용적인 어노테이션 절차를 제공함으로써, 이 가이드라인은 사법적 추론의 대규모 분석과 법적 논증 마이닝(legal argument mining), 법적 추론의 계산적 모델링, AI 보조 법적 분석 분야의 향후 연구를 지원합니다.

arXiv:2512.09634v2cs.CL

에스토니아어 주관성 데이터셋 생성: 척도를 활용한 주관성 정도 평가

Creation of the Estonian Subjectivity Dataset: Assessing the Degree of Subjectivity on a Scale

이 논문은 문서 수준의 주관성(subjectivity) 분석을 위한 에스토니아어 데이터셋(dataset) 구축 과정을 제시하고, 결과로 생성된 주석(annotation)을 분석하며, 대규모 언어 모델(LLM)을 사용한 자동 주관성 분석의 초기 실험을 보고합니다. 이 데이터셋은 1,000개의 문서(300개의 언론 기사와 700개의 무작위 선정 웹 텍스트)로 구성되어 있으며, 네 명의 주석자가 0(완전 객관)에서 100(완전 주관)까지의 연속 척도로 각 문서의 주관성을 평가했습니다. 주석자 간 상관관계가 보통 수준이었고 일부 텍스트는 척도의 양 끝단에서 점수를 받는 경우가 있었기에, 점수 편차가 가장 큰 텍스트 부분집합에 대해 재주석(re-annotation)을 수행하였고, 그 결과 주석자 간 상관관계가 개선되었습니다. 인간 주석 외에도, 본 데이터셋은 주석 자동화에 대한 실험의 일환으로 GPT-5가 생성한 점수를 포함합니다. 이 점수들은 인간 주석자와 유사했으나 몇 가지 차이점이 나타났습니다. 이는 LLM 기반 자동 주관성 점수화가 가능하긴 하지만 인간 주석의 완전한 대체 수단은 아니며, 그 적합성은 의도된 응용 분야에 따라 달라진다는 점을 시사합니다.