우리는 pregroup grammar 기반 양자 조합 자연어 처리(quantum compositional natural language processing, QNLP)를 아랍어에 최초로 적용한다. 아랍어는 형태론적으로 풍부하고 자유 어순(free-word-order) 언어로, 그 구조적 복잡성이 양자 회로에서의 의미 조합 이론에 대한 독특하게 까다로운 시험대를 제공한다. 우리 시스템은 아랍어 문장을 문법적 구조를 반영하는 토폴로지의 양자 회로로 변환한다. 주어, 동사, 목적어는 양자 게이트가 되며, 이들 사이의 타입 의존성(pregroup grammar)이 해당 게이트들이 어떻게 연결되는지를 결정한다. 우리는 어순, 형태론적 시제, 동사 의미 모호성 해소를 아우르는 세 가지 통제 실험을 수행하고, AraVec(아랍어 단어 임베딩) 및 AraBERT(사전학습된 아랍어 트랜스포머)를 포함한 고전적 베이스라인과 양자 회로 방법을 비교한다.
이슬람 하디스 전승 사슬(sanad)에 등장하는 수만 명의 전승자 이름을 공통 식별자 없이 독립적으로 유지되는 세 개의 아랍어 전기 데이터베이스(Sanadset 650K, Hadithtransmitters, Muslimscholars)에 연결하는 2단계 개체 해소(entity resolution) 파이프라인을 제시하며, 아랍어 이름 정규화, 이름 유사도, 사망 연도 근접성, 신뢰도 등급을 결합한 다중 신호 매칭으로 최대 94.7%의 연결률을 달성했다. 연결된 데이터를 기반으로 185,216개 노드와 814,093개 엣지로 구성된 방향성 전승 그래프를 구축하고 주석 코퍼스와 함께 오픈 리소스로 공개한다.
우리는 NakbaNLP@LREC-COLING 2026의 StanceNakba 공유 태스크 두 서브태스크를 모두 다루는 입장 감지(stance detection) 시스템 PAST-TIDE를 소개한다. 핵심 아이디어는 구문 튜닝(statement tuning)이다. 우리는 입장을 빈칸 채우기 방식의 마스크 언어 모델링(MLM)으로 재정의하여, 무작위로 초기화된 분류 헤드를 추가하는 대신 사전학습된 MLM 헤드를 통해 버벌라이저(verbalizer)가 레이블 단어를 입장 범주에 매핑하도록 한다. 이를 보완하기 위해, 배치 크기에 독립적인 대조 학습을 위해 학습 가능한 클래스 프로토타입을 활용하는 프로토타입 대조 학습(prototypical contrastive learning)과, 교차 토픽 아랍어 입장 감지를 위한 토픽 조건부 층 정규화(topic-conditional layer normalization)를 함께 적용한다. PAST-TIDE는 공식 리더보드에서 서브태스크 A에 대해 0.75, 서브태스크 B에 대해 0.74의 매크로-F1 점수를 달성하였으며, 이는 사전학습 모델에 최소한의 구조적 추가만으로도 저자원(low-resource) 환경에서 경쟁력을 유지할 수 있음을 보여준다.
이집트 아랍어와 이라크 아랍어를 대상으로 원어민 전문가(SME)가 작성한 103개의 프롬프트-루브릭 쌍을 구축하고, 5개의 최신 대규모 언어 모델(LLM)을 자동 평가자로 활용한 교차 평가 프레임워크를 제안한다. 실험 결과 GPT-5.4가 가장 신뢰할 수 있는 자동 평가자로 나타났으며, 대부분의 모델이 체계적인 관대함 편향을 보였고, 어휘 검증 대신 원어민 판단을 시뮬레이션해야 하는 암묵적 문화 추론이 모든 자동 평가 모델의 주요 실패 유형으로 확인됐다.
자연어 처리(NLP) 응용 프로그램은 방대하고 풍부한 언어 지식을 필요로 한다. 또한 사전, 백과사전, 말뭉치와 같은 전자 언어 자원이 점차 활용 가능해졌다. 이에 따라 지식 획득 병목 문제를 해소하기 위해 이러한 자원으로부터 어휘 정보를 자동으로 추출하는 방법들이 등장하였다. 본 연구에서는 아랍어-영어 Al-Mawrid 사전의 기계가독(machine-readable) 버전으로부터 어휘 정보를 자동으로 추출하는 방법을 제시하였다. n-gram 분석과 문맥 내 키워드(KWIC, key-word-in-context) 분석을 활용하여 형태론적, 통사론적, 또는 의미론적 정보를 나타내는 어휘 패턴을 발견하였다. 이후 수작업으로 작성된 규칙 기반 정보 추출 방법을 적용하여 해당 정보를 추출하였다. 아울러 구두점과 일부 휴리스틱을 활용하여 하위 항목 내 동의어 집합을 추출하였다. 본 연구는 모든 유형의 정보에서 높은 정밀도(precision)를 기록하였으며, 동의어에 대해서는 높은 재현율(recall)을, 그 외 정보에 대해서는 낮은 재현율을 보였다. 또한 Al-Mawrid 사전이 상당한 양의 파생어(형태론적 정보), 동의어, 영역 레이블, 하의어/상의어 관계(의미론적 정보)를 포함하고 있음을 확인하였다.
본 논문은 Al-Mawrid 아랍어-영어 사전의 체계적 디지털화 및 인코딩을 위한 견고한 방법론을 제시하며, 기존 인쇄 자료를 표준화된 계산 어휘집(computational lexicon)으로 전환한다. 아랍어 어휘 인프라의 중요한 공백을 해소하기 위해, 본 연구는 ISO Lexical Markup Framework(LMF)를 Text Encoding Initiative(TEI) TEI Lex-0 지침과 연계하는 이중 표준 틀을 채택한다. 사전의 거시구조(macrostructure)와 미시구조(microstructure)에 편집적 관점을 적용함으로써, 20세기 이중언어 사전에서 흔히 나타나는 구조적 모호성과 구두점 불일치를 해결한다. 방법론은 사전의 어휘 지식 밀도에 대한 실증 분석에 기반한다. 대표 표본(전체 분량의 4.6%를 차지하는 'Ayn' 글자)을 활용하여, 연구는 인코딩 과정에 과학적 근거를 제공하고 구조적 구문 분석 정확도 91%를 보여준다. 정보 추출 규칙의 정량적 평가는 높은 성능을 보여주며, 동의어에 대해서는 정밀도 85%와 재현율 98%, 기타 형태-의미(morpho-semantic) 특성에 대해서는 정밀도 88%를 나타낸다. 기술적 서술을 넘어, 논문은 기존 아랍어 어휘 자료와의 비교 검토를 제공하고, 암묵적 '개방 집합(open set)' 의미 관계나 분산된 형태론적 단서와 같은 특정 아랍어 현상을 모델링할 때 TEI Lex-0의 한계를 논의한다. 또한 연구는 확장 가능한 접두 문맥 기반 참조 체계를 구축하여 의미 웹(semantic web)에 자료를 포함하는 것을 용이하게 함으로써 Linguistic Linked Open Data(LLOD) 통합 가능성을 탐구한다. 그 결과는 아랍어 NLP 및 디지털 인문학(Digital Humanities) 공동체 내에서 복잡한 레거시 이중언어 어휘집의 소급 디지털화(retro-digitization)를 위한 재현 가능한 워크플로를 제공하는 상호운용 가능하고 기계 처리 가능한(machine-tractable) 자료이다.
Handling repeated characters in text can be tricky, since they can represent either the correct spelling of a word or informal character elongation often seen in social media posts. We present CANDLE, a lightweight system for character-level Arabic noise deduplication that addresses this challenge without relying on handcrafted rules, dictionaries, or morphological analyzers. At the heart of CANDLE is a novel application of Connectionist Temporal Classification (CTC) to this task, a formulation not previously explored for character deduplication, which frames normalization as a sequence alignment problem over a character-based encoder. Evaluated on three benchmarks spanning clean newspaper, manually curated ambiguous cases, and real-world social media text, the CTC model achieves a Sentence Error Rate (SER) as low as $5.37\%$ and consistently outperforms a classification-based baseline by a large margin. To reduce inference overhead, we distill the 6-layer CTC model into a 2-layer student, achieving a $3\times$ depth reduction with minimal performance degradation. Beyond deduplication accuracy, normalization yields a practical downstream benefit: a relative reduction in tokenizer fertility of up to $12.8\%$ across a diverse set of Arabic LLM tokenizers, directly lowering inference costs and improving context window utilization. We release all code and models publicly to support reproducibility and advance future research\footnote{https://github.com/abjadai/candle}.
대규모 언어 모델(LLM)은 유창한 아랍어 텍스트를 생성할 수 있지만, 가독성 수준을 안정적으로 제어하는 능력은 여전히 불분명하다. 우리는 CEFR(Common European Framework of Reference for Language) 제어 아랍어 텍스트 생성을 위한 다차원 평가 프레임워크를 제안하며, 지시 따르기(instruction-following) LLM이 적응형 언어 학습을 위한 신뢰할 수 있는 생성기로 기능할 수 있는지 평가한다. 우리 프레임워크는 제어된 프롬프팅, 검증된 Taha-19 모델을 이용한 자동 가독성 예측, 어휘 제약 검증, 및 구문 복잡성 프로파일링을 통합한다. 결과는 구조화된 프롬프팅이 CEFR 정렬(alignment)을 크게 향상시킨다는 것을 보여준다. 특히, 어휘 제약을 동반한 CEFR 안내 프롬프팅은 기준 언어학적 프로파일과의 최고 수준의 부합(코사인 유사도 0.91) 및 예측된 가독성 수준과의 거의 완벽한 일치(0.99)를 달성하는 반면, 제약 없는 프롬프팅은 약한 제어를 보인다. 이러한 발견은 적응형 교육 시스템에 가독성 인식 아랍어 텍스트 생성을 통합하기 위한 실증적 기초를 마련한다.
본 논문은 아랍어 자연어 처리(NLP) 작업에서 12개의 소형 언어 모델(SLM)의 성능을 평가한다. 연구는 8개 도메인과 10개 언어 능력에 걸쳐 분포된 240개의 아랍어 테스트 항목으로 구성된 벤치마크를 도입하며, 이는 이해 중심 작업과 생성 중심 작업을 모두 포함한다. 모든 모델은 표준화된 아랍어 전용 프롬프트 템플릿을 사용한 통제된 제로샷(zero-shot) 설정에서 평가되었다. 모델 응답은 GPT-4.1 Mini, Claude Haiku 4.5, DeepSeek-Chat을 포함하는 다중 모델 LLM-as-a-judge 프레임워크를 통해 평가되었으며, 점수는 심사자 간에 집계되고 작업, 능력, 모델 계열(model family)별로 분석되었다. 결과에 따르면 Gemma 3 (12B)가 전체 최고 점수(4.548/5)를 달성했으며, 그다음은 Aya와 C4AI Command Arabic이었다. 관측된 결과는 모델 크기만으로는 아랍어 SLM 성능을 설명할 수 없음을 시사한다. 아랍어 정렬(alignment)이 더 강하고 인스트럭션 준수(instruction-following) 행동이 더 안정적인 모델이 작업 전반에 걸쳐 더 나은 성능을 보이는 경향이 있었다. 성능이 낮은 모델에서 공통적인 실패 패턴으로는 프롬프트 유출(prompt leakage), 환각(hallucination), 언어 표류(language drift), 불완전한 생성, 약한 작업 준수가 포함된다. 전반적으로 이 벤치마크는 간결한(compact) 아랍어 언어 모델을 평가하기 위한 구조화된 기준점을 제공하며, 효율적이고 신뢰 가능하며 문화적으로 적절한 아랍어 AI 시스템에 대한 향후 연구를 지원한다.
본 논문에서는 LREC-COLING 2026의 Nakba-NLP 2026 일환으로 조직된, 팔레스타인-이스라엘 분쟁과 관련된 양극화된 소셜 미디어 담론에 대한 입장 탐지 공유 과제인 StanceNakba 2026를 소개합니다. 이 과제는 두 가지 하위 과제를 도입합니다. 하위 과제 A(행위자 수준 입장 탐지)는 영어 소셜 미디어 게시물을 친팔레스타인, 친이스라엘, 또는 중립으로 분류합니다. 하위 과제 B(교차 주제 입장 탐지)는 분쟁 관련 두 가지 주제인 이스라엘과의 관계 정상화 및 요르단 내 난민 존재에 대해 아랍어 게시물의 찬성, 반대, 또는 무관 입장을 식별합니다. 이 과제는 2,606개의 소셜 미디어 게시물로 구성된 주석이 달린 데이터셋을 기반으로 합니다. 총 7개 팀이 하위 과제 A에, 6개 팀이 하위 과제 B에 참여했습니다. 참여 시스템들은 주로 MARBERT, AraBERT, DeBERTa-v3 변형 모델을 포함한 아랍어 및 다국어 트랜스포머 기반 모델을 파인튜닝(fine-tuning)했으며, 여러 팀이 교차 검증, 앙상블 방법, 주제 조건 아키텍처를 활용했습니다. 최상위 성능을 보인 시스템들은 하위 과제 A에서 Macro F1 0.9620, 하위 과제 B에서 0.8724를 달성하여, 트랜스포머 기반 접근 방식이 분쟁 영역 입장 탐지에 매우 효과적임을 입증했습니다. 동시에 교차 주제 일반화 및 중립 클래스 예측에 있어 지속적인 과제가 남아있음을 강조했습니다.
아랍어 텍스트 자동 채점(ATS)을 위한 대규모 언어 모델(LLM) 기반 접근 방식을 조사하고, 5가지 차원의 구조적 분류 체계를 통해 기존 연구를 비교 분석합니다. 단답형 채점(ASAG)과 에세이 채점(AES) 등을 다룬 결과, 아랍어권 교육의 질 향상을 위해 교육학적으로 기반한 지속적인 연구가 필요함을 강조합니다.
대규모 언어 모델(LLM)은 종교 지식 질의에 유창하게 답변할 수 있으나, 종종 환각(hallucination)을 일으키고 출처를 오인합니다. 이는 사용자가 정전(꾸란과 하디스) 및 법학적(fiqh) 뉘앙스에 기반한 그라운딩(grounding)을 기대하는 이슬람 맥락에서 특히 심각한 문제입니다. 검색-증강 생성(RAG)은 그라운딩을 개선하지만, 원문 경전, 인용 기반 지도, 자카트(zakat) 및 상속과 같은 규칙 제약 연산을 포함한 다양한 이슬람 질의에는 단일 검색 후 생성 파이프라인만으로는 충분하지 않습니다. 이러한 문제를 해결하기 위해 우리는 다중 에이전트, 도구 증강 아키텍처를 기반으로 구축된 아랍어-영어 이중 언어 이슬람 질의응답 시스템인 Fanar-Sadiq를 제시합니다. 이는 Fanar AI 플랫폼의 핵심 구성 요소입니다. Fanar-Sadiq는 에이전트 도구 아키텍처 내의 전문 모듈로 이슬람 질의를 라우팅합니다. 이 시스템은 의도 인식 라우팅, 정규화된 인용 및 검증 추적이 포함된 검색 기반 피크(fiqh) 답변, 인용 검증이 가능한 정확한 구절 검색, 그리고 마드하브(법학파) 민감 분기를 포함한 결정론적 수니파 자카트 및 상속 계산기를 지원합니다. 우리는 공개 이슬람 질의응답 벤치마크에서 엔드-투-엔드 시스템을 평가하여 뛰어난 효과성과 효율성을 입증했습니다. 이 시스템은 API 및 웹 애플리케이션을 통해 공개적으로 접근 가능하며, 1년도 되지 않아 190만 회 이상의 접근을 기록했습니다 (https://api.fanar.qa/docs).