열려 있지만 호환되지 않는: 저자원 아프리카 언어 말뭉치의 라이선스 호환성 분석
Open but Incompatible: A License Compatibility Analysis of Corpora for Low-Resource African Languages
크리에이티브 커먼즈(Creative Commons) 라이선스가 아프리카 자연어 처리(NLP) 말뭉치 공개를 지배하고 있지만, 그 호환성 규칙은 거의 적용되지 않는다. CC-BY-SA와 CC-BY-NC는 단일 공개 데이터셋에 결합할 수 없으며, NoDerivs 조항은 토큰화(tokenisation)와 주석(annotation)을 묵시적으로 금지한다. 본 논문은 아프리카 NLP에 사용되는 20개 이상의 말뭉치 계열에 대해 라이선스 출처를 감사하고, 6단계 호환성 매트릭스를 구성하여 세 가지 사례 연구 언어인 Kituba/Munukutuba, Zarma, Moore에 적용한다. 1차 출처 증거를 바탕으로 네 가지 실패 유형이 기술된다: 완전한 금지(JW300, 서비스 약관 위반이 법적 감사에서 확인된 후 OPUS에서 삭제됨), 복합 라이선스 허위 표시(WAXAL, CC-BY 4.0 주장이 자체 HuggingFace 데이터셋 카드와 모순됨), CC-BY 라벨 뒤에 숨겨진 NoDerivs 조항(Tanzil), 그리고 데이터 지속성 실패(Congolese Radio Corpus, 405개 소스 URL 중 402개가 현재 접속 불가). 주석 전 실사 체크리스트와 법적으로 문제없는 보강 기회에 대한 조사로 논문을 마무리한다.