비유적 언어 식별에 대한 다국어 접근법은 새롭지 않지만, 단일 언어로 구성된 학습 데이터를 넘어서려면 번역된 다국어 지도(supervision)의 기여에 대한 더 명확한 이해가 필요하다. 본 연구는 7개 언어에 걸쳐 번역된 6,787개 인스턴스를 아우르는 742개의 속담 개념을 사용하여 이 질문을 조사한다. 저자들은 다국어 인코더와 인스트럭션 튜닝(instruction tuning)된 대규모 언어 모델(LLM)을 포함한 5개 모델을 대상으로, 다국어 지도의 수준을 점진적으로 높여 가며 평가한다. 또한 속담을 은유적(Metaphorical), 도덕/조언적(Moral/Advisory), 인과적(Cause-Effect), 문화 특수적(Culture-Specific)이라는 상호 보완적인 네 가지 비유 형태로 특징짓는 속담용 다차원 주석 프레임워크를 제안한다. 연구 결과, 전반적으로 다국어 학습(training) 데이터를 50% 이상 추가할 때 추가적인 성능 향상은 제한적이었으나, 최적의 지도 수준은 모델(model)과 언어에 따라 상이했다. 또한 다양한 비유 형태를 결합할 때 전반적인 성능이 가장 높게 나타남을 보인다. 주목할 만한 발견은 발생 빈도가 가장 낮은 비유 형태인 문화 특수적 형태가 다국어 지도 하에서 가장 큰 성능 향상을 보였다는 점이다. 나아가 속담의 도덕/조언적 형태와 문화 특수적 형태는 인스트럭션 튜닝된 LLM의 전반적인 비유 식별 성능에 더 크게 기여한다. 이러한 결과는 다국어 비유 식별 연구가 은유 중심의 분류 체계를 넘어, 문맥을 대표하는 상호 보완적인 비유적 의미 형태를 명시적으로 모델링하는 개념 수준의 다차원 프레임워크로 나아가도록 동기를 부여한다.
최근 AI의 발전은 인지 및 추론 능력을 크게 확장했다. 의미적 복잡성(semantic complexity) 관점에서 AI의 발전은 단순한 의미 처리에서 복잡한 의미 처리로 이어지는 뚜렷한 궤적을 보여준다. 초기 AI 시스템은 주로 직접적이고 문자 그대로의 의미 인식 또는 표현과 관련된 과제를 다루었지만, 현대 시스템은 점점 더 정교한 인지 추론을 수행할 것으로 기대되며, 이를 통해 고수준 의미(High-Level Semantics, HLS)의 이해와 생성을 가능하게 한다. 유사한 궤적은 인간의 인지 발달에서도 관찰할 수 있다. 우리는 이러한 전환을 기본 수준 의미 지능(Basic-Level Semantic Intelligence, BLSI)에서 고수준 의미 지능(High-Level Semantic Intelligence, HLSI)으로의 전환으로 정의한다. 그러나 이 문제는 기존 연구에서 아직 체계적이고 포괄적으로 검토되지 않았다.
이 공백에 동기를 부여받아, 본 서베이는 의미적 복잡성 관점에서 AI 의미 지능의 발전을 검토한다. 우리는 텍스트, 음성, 비전, 멀티모달 시나리오 전반에 걸쳐 유머, 풍자, 은유, 공감, 설득, 내러티브 및 기타 일반적인 HLS 현상을 포함한 HLS 과제에 대한 기존 연구를 체계적으로 조사한다. 구체적으로, 이해와 생성 모두에 대해 데이터 구축 방법, 모델링 및 최적화(optimization) 전략, 평가(evaluation) 방법론을 요약한다. HLS는 AI를 진정으로 인간과 유사한 지능으로 발전시키는 데 필수적이다. 의미 지능 관점에서 기존 방법과 통찰을 종합함으로써, 본 서베이는 HLSI를 향한 AI의 지속적인 발전을 지원하는 것을 목표로 한다.
우리는 유형론적으로 다양한 8개 언어에 걸쳐 관용적·비유적 의미를 표현하기 위한 해석 가능한 네트워크 기반 프레임워크를 제시한다. 총 160개의 관습적 표현을 다루며, 그 대다수는 관용어(idiom)이다. 각 표현은 인지언어학 이론에서 도출된 이진 개념 특징(containment, concealment, emotional, social 등)으로 주석 처리되며, 쌍별 Jaccard 유사도가 가중 그래프를 정의한다. 커뮤니티 탐지 결과, 관용어는 언어가 아닌 개념적 스키마(schema)에 따라 클러스터를 형성하며, 이는 인지언어학적 예측과 일치하는 구조를 산출한다. 개념 네트워크는 분포적 임베딩에 존재하지 않는 고유한 의미 정보를 포착하고, 대규모 언어 모델(LLM)을 활용한 자동 주석으로 확장 가능하며, 하류(downstream) 관용어 탐지 성능을 향상시키고, 말뭉치 빈도로 보강해도 견고성을 유지한다. 언어 간 전이 실험에서는 개념적 근접성만으로도 5개 어족(language family)에 걸쳐 허용 가능한 번역 등가어를 식별할 수 있었으며, 임베딩 기반 기준선 대비 상당한 성능 향상을 달성하였다. 절제 연구(ablation study)를 통해 스키마, 역할, 원자가(valence)라는 세 가지 특징 차원 모두가 네트워크의 구조적 특성과 관용어 탐지 성능에 비중복적으로 기여함을 확인하였으며, 특정 그래프 파생 신호(커뮤니티 소속, 이웃 유사도)가 특히 유용한 정보를 제공함을 밝혔다. 본 프레임워크는 이론적 근거와 실용적 효용을 결합하여 관용적 의미에 대한 해석 가능하고 언어 간 안정적인 표현을 제공한다.
비유적 언어 데이터셋 Fig-QA에 부정·은유/직유 등 새 어노테이션을 추가하고 다양한 대규모 언어 모델(LLM)을 평가한 결과, 부정과 비유적 표현이 결합될 때 해석이 특히 어려운 과제가 되며 전체 성능과 부정 유형별 성능 모두 사용한 프롬프트(prompt) 스타일에 크게 의존함을 확인했습니다.