텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크
Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework
한국어 초록
본 연구는 맥락, 재무 또는 인적 자본 변수에 의존하지 않고도 텍스트 기술어(textual descriptor)만으로 엑시트(Exit)로 정의되는 초기 단계 스타트업의 성공을 예측할 수 있음을 보여준다. 20년에 걸쳐 7,419개 스타트업을 포괄하는 벤처 캐피털 큐레이션 데이터셋을 활용하여, 본 연구는 텍스트 기반 프레이밍 변수를 분리하고 스타트업 내러티브 매핑을 통해 850개의 특징(feature)을 엔지니어링한다. 데이터 하위 집합과 벡터 임베딩(embedding)의 통계적 유의성을 평가한 후, 6개 모델에 걸쳐 지도 머신러닝 실험을 수행한다. 로지스틱 회귀(Logistic Regression)를 사용한 이진 엑시트 예측은 임베딩을 제외한 모든 특징을 사용했을 때 0.55의 재현율(recall)과 0.48의 F1 점수를 달성하며, 임베딩을 포함한 텍스트 기술어만을 사용했을 때는 0.59의 재현율과 0.26의 F1 점수를 달성한다. 특징 분석 결과에 따르면 형용사, 전문 용어(jargon), 유행어(buzzwords)와 같은 과장 마커(hyping marker)의 최적화된 밀도는 더 높은 엑시트 확률과 연관되어 있는 반면, 과도한 설명문이나 사명(name) 길이는 더 낮은 확률과 연관되어 있음을 나타낸다. 또한 본 연구는 벤처 심사(venture screening)에 잠재적으로 적용할 수 있는 정량화 가능한 Hyping Score를 도입한다. 이러한 결과는 정보 비대칭성이 높은 투자 환경에서 스타트업의 프레이밍이 경제적 성과의 독립적인 예측 요인으로 기능할 수 있음을 시사한다.
원문 초록
This study shows that textual descriptors alone can predict early-stage startup success, defined as Exit, without relying on contextual, financial, or human capital variables. Using venture capital-curated datasets covering 7,419 startups over 20 years, the research isolates text-based framing variables and engineers 850 features via startup narrative mapping. Data subsets and vector embeddings are evaluated for statistical significance, followed by supervised machine learning experiments across six models. Binary Exit prediction using Logistic Regression attains an F1 of 0.48 with 0.55 recall using all features (excluding embeddings), and an F1 of 0.26 with 0.59 recall using textual descriptors only (including embeddings). Feature analysis indicates that optimized densities of hyping markers such as adjectives, jargon, and buzzwords are associated with higher Exit probability, while excessive statement or name length is associated with lower probability. The study also introduces a quantifiable Hyping Score for potential application in venture screening. Findings indicate that startup framing can serve as standalone predictor of economic outcomes, in high-information-asymmetry investment environments.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2608.00045v4제출 시각 미확인
- arXiv:2608.00045v3제출 시각 미확인
- arXiv:2608.00045v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
해석 가능한 문체 특징을 활용한 GPT 지원 글쓰기 탐지
Detecting GPT-Assisted Writing Using Interpretable Stylometric Features
GPT의 도움을 받아 작성한 학생 글과 독자적으로 작성한 학생 글을 구분하는 일은 학계에서 중요한 과제가 되었다. 본 논문은 제출된 텍스트에서만 추출한 해석 가능한 문체 특징(stylometric features)의 판별 능력을 평가한다. 독자적으로 글을 쓰고 ChatGPT의 도움을 받아서도 글을 쓴 90명의 참여자 데이터를 사용하여, 검증 과정에서 동일 참여자의 데이터를 함께 묶어 유지한 채 여덟 가지 머신러닝 분류기를 평가한다. 홀드아웃 테스트 세트에서 랜덤 포레스트(Random Forest)는 ROC-AUC 0.87, F1 점수 0.84를 달성했으며, 위양성률(False Positive)과 위음성률(False Negative)은 각각 22.2%와 11.1%였다. SHAP 분석 결과, 어휘적 특성과 문법적 특성이 예측 결과를 좌우하는 것으로 나타났다. 이러한 결과는 투명한 텍스트 내재적 특징이 GPT 지원 글쓰기를 탐지하는 데 측정 가능한 신호를 제공함을 시사한다.
계절성에서 의미론으로: 볼리비아 도로 봉쇄 예측을 위한 하이브리드 확률 예측 시스템 벤치마킹
From Seasonality to Semantics: Benchmarking a Hybrid Probabilistic Forecasting System for Roadblocks in Bolivia
볼리비아의 도로 봉쇄는 사회적 갈등 현상으로, 국내 총생산(GDP)의 4%에 해당하는 손실로 추산되는 파괴적인 경제적 영향을 미친다. 반복 발생과 그 영향에도 불구하고, 물류 의사결정을 위해 이러한 사건을 사전에 예측하는 현지 예측 시스템이 부족하다. 본 논문은 6년간의 볼리비아 뉴스 보도 코퍼스에 자연어 처리(NLP) 기법을 적용하여 시계열 분해(Prophet)와 통합하는 하이브리드 확률적 예측 시스템을 제시한다. 방법론은 도로 봉쇄가 실제로 발생하기 전 담화적 긴장 고조의 신호를 포착하기 위해 벡터 의미 임베딩(embedding)과 제로샷(zero-shot) 분류 모델을 사용한다. 1,762일에 걸쳐 확장형 워크포워드 검증(validation) 방식을 적용하고 7개의 예측 시점(H+1~H+7)에서 SARIMA와 LightGBM을 포함한 4개의 외부 벤치마크와 7개의 내부 구성을 비교했다. 결과는 하이브리드 구성(Prophet + NLP, C6)이 순수 통계 모델보다 지속적으로 우수한 성능을 보임을 보여주며, H+1에서 AUC-ROC 0.677을 달성하고 기준선(baseline) 시간 모델 대비 Brier Score를 10.9% 감소시켰다(0.220 vs. 0.247). 모든 평가 시점에서 통계적으로 유의한 오차 감소를 유지했다($p < 0.02$). 이 연구는 의미론적 뉴스 신호의 통합이 역사적 관성으로는 포착되지 않는 사회적 긴장의 정점을 탐지할 수 있음을 검증하며, 중요 운송 회랑의 리스크 관리를 위한 기술적 도구를 제공한다.
ClickGuard: 정보성 측정과 대규모 언어 모델을 활용한 클릭베이트 뉴스 탐지 및 스포일러
ClickGuard: Detecting and Spoiling Clickbait News with Informativeness Measures and Large Language Models
본 논문은 사용자가 오해의 소지가 있는 인터넷 기사를 피할 수 있도록 클릭베이트를 식별하는 AI 기반 브라우저 확장 프로그램을 제안한다. 전통적인 탐지를 넘어, 이 애플리케이션은 트랜스포머 기반 임베딩과 언어학적으로 동기 부여된 특징, 그리고 사용자 정의 "baitness" 점수를 결합하는 하이브리드 머신러닝 아키텍처를 사용한다. 고전적 벡터화기부터 대규모 언어 모델(LLM) 임베딩까지 다양한 자연어 처리(NLP) 기법을 평가한 결과, 공개 통합 데이터셋에서 F1 점수 91%를 달성하는 XGBoost 기반 모델을 개발했다. 가장 중요한 점은, 이 도구가 사용자가 클릭베이트 기사에 접근하기 전과 후 모두 경고할 수 있다는 것이다. 기사를 연 뒤에는 사용자에게 해당 기사가 클릭베이트일 가능도를 나타내는 백분율 점수를 제공한다. 예측은 분석된 지표, 특히 제안된 시스템 내에서 개발된 지표를 바탕으로 설명된다. 브라우저 확장 프로그램은 또한 클릭베이트 스포일러—전체 기사의 1~2문장 요약—을 제공한다. 데모 영상: https://www.youtube.com/watch?v=IJ1gkQV82C4
검증되지 않았는가, 아니면 억울하게 의심받는가? 카자흐어에서의 AI 생성 텍스트 탐지기 평가
Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh
AI 텍스트 탐지기는 이미 카자흐어 글쓰기에 적용되고 있지만, 공개적으로 이용 가능한 탐지기가 ChatGPT 이전에 작성된 것으로 확인된 카자흐어 텍스트를 얼마나 자주 (AI 생성으로) 플래그하는지 보고한 연구는 없다. 우리는 AINA-KK를 제시한다: ChatGPT 이전에 존재했음이 입증된 백과사전, 뉴스, 웹, 교육용 페이지에서 수집한 3,811개의 인간 작성 지문(passage)과, 카자흐어로 구축된 KazLLM과 Sherkala를 포함한 9개의 생성기에서 나온 5,597개의 기계 생성 및 그레이존(gray-zone) 지문으로 구성되며, 문자 체계(script) 및 길이에 대한 스트레스 테스트를 포함한다. Hugging Face Hub에서 가져온 영어로 학습된 5개의 탐지기는 인간 지문의 최대 81.4%와 공개된 학생 에세이의 79.6%를 (AI 생성으로) 플래그했다; 재보정(recalibration) 후에는 기계 생성 텍스트를 최대 1.3%만 탐지했다. 보정된 제로샷(zero-shot) 탐지기는 분포 내(in-distribution) 생성기의 기계 생성 텍스트를 최대 50.3%만 탐지했다. 파인튜닝된 인코더는 텍스트를 거의 완벽하게 순위화하지만, 기본 임계값에서 mDeBERTa는 50단어 분량의 인간 발췌문 중 24.4%를 플래그했는데, 이는 부분적으로 기계 생성 출력이 인간 텍스트보다 짧기 때문이다; 보정 후에는 KazLLM 지문의 47.1%와 Sherkala 지문의 62.7%만 탐지했다. 문자 체계 처리를 하지 않으면, 기계가 음차 표기(transliteration)한 Latin-2021 텍스트가 모든 탐지기를 무력화시켰다. 새로운 데이터가 필요 없는 수정 사항들(보정, 문자 체계 정규화(canonicalization), 문자 체계가 증강되고 길이가 일치된 학습, 그리고 제로샷 스코어러와의 OR 결합)을 결합하여 AINA-KK-Det을 구성한다. 테스트에서 이는 인간 지문의 0.9%를 플래그하며(95% 신뢰구간 0.4-2.7; 개발 데이터에서는 1.5%), 알려진 생성기의 기계 생성 텍스트 중 85.2%, 보지 못한(unseen) 두 개의 Gemini 계열 Gemma-4 모델에서 나온 텍스트 중 92.9%, 카자흐어로 구축된 생성기에서 나온 텍스트 중 61.3%를 탐지한다; 해당 구성은 테스트 결과를 고려하여 선택되었다. 우리는 데이터, 코드, 탐지기를 https://github.com/ozxmn/aina-kk 에서 공개한다.
문장 수준에서의 법해석 기준 분류: 독일 연방헌법재판소 판결 기반 벤치마크
Classifying Interpretive Canons at the Sentence Level: A Benchmark from the German Federal Constitutional Court
사법적 추론은 대규모 언어 모델(LLM)이 분석하기에 여전히 까다로운 영역입니다. 본 논문은 사비니(Savigny)의 전통에 입각해 라렌츠(Larenz)가 체계화한 법해석 기준(interpretive canons)을 분류하는 LLM의 능력을 평가하기 위한 문장 수준의 벤치마크를 제시합니다. 본 연구의 기여는 세 가지입니다. 첫째, 이러한 법해석 개념을 분류(classification) 기준으로 구체화하여 작동 가능하게 만들었습니다. 둘째, 문장 수준에서 주석이 달린 독일 연방헌법재판소 결정 데이터셋(dataset)을 제공합니다. 셋째, 유전-파레토(Genetic-Pareto, GEPA)로 최적화된 프롬프트와 비교하여, 전문가가 직접 작성한 프롬프트 환경에서 3개 모델 계열의 4개 LLM에 대한 기준선(baseline) 평가를 보고합니다. 7개의 이진 하위 과제에 대한 평균 F1 점수는 모델(model) 전반에서 70.4에서 79.2 사이에 분포하며, 문법적 해석이 대체로 식별하기 가장 쉬운 기준인 반면 체계적 해석은 일반적으로 가장 어려웠습니다. 테스트된 구성에서는 GEPA로 최적화된 프롬프트가 직접 작성된 프롬프트를 일관되게 능가하지 못했으며, 이는 전문가 프롬프트가 유의미한 기준선을 제공함을 시사합니다.
디지털 양층언어현상: X와 Facebook 사이의 아랍어
Digital diglossia: Arabic between X and Facebook
본 연구는 X와 Facebook 전반에 걸친 표준 아랍어(SA; H(상위) 변종) 및 구어체 아랍어(CA; L(하위) 변종)의 분포를 조명한다. Python을 통해 16,754개의 공개 게시물을 수집하였으며, 이 중 10,000개를 최종 데이터셋(dataset)으로 유지하였다. 게시물은 *정치, 기술, 과학, 비즈니스, 문화, 유머, 스포츠*의 7가지 담화 범주로 분류되었다. 카이제곱 검정과 크래머의 V(CV)를 포함한 이변량 분석을 통해 플랫폼, 담화 범주, 양층언어적 선택 간의 연관성을 조사하였으며, 플랫폼과 담화 범주 간 상호작용을 포함한 이항 로지스틱 회귀를 통해 이러한 연관성이 플랫폼 간에 차이를 보이는지 검정하였다. 연구 결과에 따르면, 담화 범주와 양층언어적 선택 사이에는 X(카이제곱(6, *N* = 5000) = 600.35, p < .001, CV = .347)와 Facebook(카이제곱(6, N = 5000) = 1249.52, p < .001, CV = .500) 모두에서 유의미한 연관성이 있는 것으로 나타났다. 전체 플랫폼에 걸쳐 플랫폼 자체도 양층언어적 선택과 연관되어 있었다(카이제곱(1, N = 10000) = 262.16, p < .001, CV = .162). 또한 이항 로지스틱 회귀 분석에 따르면, 정치 기준 범주에서 Facebook보다 X에서 SA를 사용할 승산이 더 높았으며(*OR* = 1.31, p = .0028), 문화(OR = 2.65), 유머(*OR* = 6.34), 스포츠(*OR* = 26.71), 과학(OR = 0.41), 기술(OR = 0.71) 분야에서 유의미한 플랫폼-도메인 상호작용이 나타났다. 본 연구는 SA와 CA의 양층언어적 사용이 디지털 담화에 대한 늘어나는 연구에 기여한다고 결론짓고, 디지털 시대가 양층언어의 경계를 침식하는 것이 아니라 재형성하여 새로운 형태의 재구성된 디지털 양층언어현상을 낳는다는 점을 밝힌다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.