저자원 언어는 기계 번역에서 여전히 어려운 과제이며, 몽골어는 대표적인 사례이다. 몽골어는 두 가지 문자 체계를 쓰는 언어로서 키릴 문자와 전통 문자로 모두 표기되는데, 두 문자 간 데이터 가용성에 심각한 불균형이 있다. 키릴 문자는 상대적으로 자원이 풍부하지만, 전통 문자는 데이터가 극히 부족하고 표기상 모호하여 직접 번역에서 상당한 성능 저하가 발생한다. 우리는 이러한 내부 자원 위계를 활용하여 키릴 문자를 경유해 번역하는, 인지적 동기에 기반한 피벗 기반 번역 파이프라인 CoPiT를 제안한다. 이 파이프라인은 번역에 앞서 전통 문자에서 문자로 인해 발생하는 모호성을 명시적으로 해소하여, 더 안정적이고 정확한 의미 전달을 가능하게 한다. 여러 백본 모델과 목표 언어에 걸쳐 CoPiT는 대체로 직접 번역보다 향상되었으며, BLEU의 절대적 향상이 상당하고 COMET에서는 최대 1.5~1.6배의 향상을 보였다. 이러한 향상 덕분에 강력한 오픈소스 모델이 비교 가능한 평가 설정에서 GPT-4.1과 대등하거나 그보다 우수한 성능을 낼 수 있다. 추론 시점의 개선을 넘어, CoPiT는 전통 문자 텍스트로부터 직접 합성 병렬 데이터를 구축할 수 있게 하여 현실적인 저자원 시나리오에서 데이터 부족을 완화한다. 우리는 두 문자의 몽골어와 영어, 한국어, 러시아어를 포괄하는 새로운 다중 문자 병렬 데이터셋을 공개한다.
온라인 극화(polarization)의 급속한 확산은 사회적 결속을 위협하며, 다양한 언어적 맥락에서 효과적으로 작동하는 강건한 자동화 탐지 시스템의 필요성을 높이고 있다. 본 논문은 영어와 하우사어(Hausa)에서의 극화된 담론 탐지 및 특성화에 초점을 맞춘 POLAR Shared Task 2026에 대한 시스템 설명을 제시한다. 우리는 하이브리드 모델링 전략을 제안한다: 영어 이진 탐지에는 DeBERTa의 단일 언어 강점을 활용하고, 하우사어 및 모든 세분화된 하위 과제(유형 및 발현 양상)에는 AfroXLMR-Social을 사용한다. 이 도메인 적응 다국어 모델은 소셜 미디어 텍스트에서 극화의 뉘앙스를 포착하는 데 핵심적인 역할을 했다. 계산 제약과 데이터 부족 문제를 추가로 해결하기 위해 저랭크 적응(LoRA)과 nlpaug를 통한 텍스트 데이터 증강을 구현했다. 우리는 세 가지 하위 과제 전반에 걸쳐 경쟁력 있는 결과를 보고하며, 특정 하위 과제 요구사항에 맞춰 조정된 모델 선택이 최적의 성능 균형을 달성함을 입증한다.
감성 분석(sentiment analysis)은 자연어 처리(NLP)의 초창기부터 핵심 연구 분야로, 실세계 및 연구 응용 모두에서 중요한 역할을 담당해 왔다. 고자원 언어에서는 이 분야가 한층 발전하여, 문장 수준의 감성 예측을 넘어 양상(aspect) 수준에서 더 세밀한 감성을 탐지하는 모델이 개발되었다. 그러나 이러한 세밀한 양상 기반 감성 분석(ABSA)을 수행하려면 양상과 해당 양상에 대한 감성이 주석된 데이터셋이 필요하다. 이러한 데이터셋은 저자원 언어에서 부족한 실정이며, 스리랑카에서 주로 사용되는 인도-아리안 계열 언어인 신할라어(Sinhala)도 그 중 하나이다. 본 연구에서는 신할라어 제품 리뷰에 양상 용어 및 관련 감성(긍정, 부정, 중립)이 수동으로 레이블링된 새로운 신할라어 양상 기반 감성 분석 데이터셋 SalAngaBhava를 소개한다. 데이터는 사용자 생성 리뷰 및 댓글 등 도메인 관련 출처에서 수집되었으며, 일관성과 품질을 보장하기 위해 세밀하게 정의된 가이드라인에 따라 주석이 이루어졌다. 해당 데이터셋은 여러 도메인에 걸친 다양한 양상을 포함하는 문장 및 양상-감성 쌍으로 구성되어 있다. 분석 결과, 이 데이터셋은 ABSA 연구에 적합하도록 구조가 잘 갖춰져 있고 충분히 균형 잡혀 있음이 확인되었다. 본 데이터셋은 벤치마크(benchmark)로 활용될 수 있으며, 신할라어 자연어 처리 및 저자원 감성 분석 관련 후속 연구를 촉진할 것이다.
벵골어(Bangla) 이벤트 탐지(Event Detection)의 노이즈 강건성을 체계적으로 분석하기 위해, 40개 이벤트 하위 유형에 걸쳐 뉴스 텍스트, ASR 전사본, 철자 변형 데이터를 포함한 9,979개 문장 벤치마크를 구축하였다. BanglaBERT·XLM-R 같은 인코더 모델은 정제된 텍스트에서 우수하나 노이즈에 취약한 반면, Llama 3·Gemma 3 같은 디코더 전용 대규모 언어 모델(LLM)은 노이즈 환경에서 현저히 높은 강건성을 보이며, 클린·노이즈 데이터 결합 학습이 인코더 아키텍처의 강건성 격차를 크게 좁히는 효과적인 정규화 전략임을 확인하였다.
저자원 자연어 처리(NLP) 분야가 지난 10년간 급속히 성장했음에도 불구하고, 모델 스케일링 역량이 진정한 평가에 필요한 인간 인프라—주석 전문성, 언어 공동체 참여, 데이터 주권—를 훨씬 앞질러 나가는 '주석 희소성 역설(Annotation Scarcity Paradox)'이 보고된 성과의 인식론적 타당성을 위협한다고 비판적으로 진단한다. 이 서베이는 2014년부터 현재까지의 저자원 NLP 평가를 세 단계로 분석하며, 추출적 데이터 파이프라인에서 벗어나 공동체 주도의 참여적 평가 체계로의 패러다임 전환을 촉구한다.
저자원 환경의 벵골어 농업 자문을 위해 129개 농업 매뉴얼에서 추출한 290개의 계층적 지식 노드를 기반으로 100% 인용 출처가 보장된 145,500개의 QA 쌍으로 구성된 KrishokChat 데이터셋과 Farmer 벤치마크를 제시한다. Gemma-4-E2B 파인튜닝 실험 결과 구조화된 응답 형식은 크게 향상되었으나 정확한 농약 용량 일반화에는 한계가 있어, 안전한 배포를 위해 검색-증강 생성(RAG)과의 결합이 필요함을 보여준다.
대규모 언어 모델(LLM)은 일반 의학 분야에서 탁월한 능력을 보여주었습니다. 그러나 고품질의 구조화된 벤치마크가 부족하여, 베트남 전통 의학(VTM)과 같은 전문적이고 문화적으로 특정한 분야에서는 성능이 현저히 저하됩니다. 본 논문에서는 자동화된 일관성 검사 메커니즘을 갖춘 검색-증강 생성(RAG) 파이프라인을 통해 생성된 새로운 객관식 질문 데이터셋인 VietMed-MCQ를 소개합니다. 기존 합성 데이터셋과 달리, 본 프레임워크는 독립적인 답변 검증을 통해 추론 일관성을 보장하기 위해 이중 모델 검증 접근 방식을 통합하며, 부분 문자열 기반 증거 검사는 알려진 한계가 있습니다. 총 3,190개의 질문으로 구성된 전체 데이터셋은 세 가지 난이도 수준에 걸쳐 있으며, 한 명의 의학 전문가와 네 명의 학생에 의해 검증을 거쳐 94.2%의 승인율과 상당한 평가자 간 일치도(Fleiss' kappa = 0.82)를 달성했습니다. 우리는 VietMed-MCQ에서 7개의 오픈 소스 모델을 평가했습니다. 결과에 따르면 강력한 중국어 사전 지식을 가진 범용 모델이 베트남어 중심 모델보다 우수한 성능을 보여 언어 간 개념 전이를 강조하는 반면, 모든 모델은 여전히 복잡한 진단 추론에 어려움을 겪고 있습니다. 저자원 의학 분야의 연구를 촉진하기 위해 코드와 데이터셋을 공개합니다.