디지털 양층언어현상: X와 Facebook 사이의 아랍어
Digital diglossia: Arabic between X and Facebook
한국어 초록
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.
원문 초록
This study highlights the distribution of Standard Arabic (SA; H(igh) variety) and Colloquial Arabic (CA; L(ow) variety) across X and Facebook. 16754 public posts were collected via Python, with 10000 retained as the net dataset. Posts were classified into 7 discourse categories: *politics, technology, science, business, culture, fun,* and *sports*. Bivariate analyses, including Chi-square tests and Cramer's V (CV), examined associations among platform, discourse category, and diglossic choice, while binary logistic regression with Platform x Discourse Category interactions tested whether these associations varied across platforms. Findings reveal that there are significant associations between discourse category and diglossic choice on X, chi-square(6, *N* = 5000) = 600.35, p < .001, CV = .347, and Facebook, chi-square(6, N = 5000) = 1249.52, p < .001, CV = .500. Across platforms, platform was also associated with diglossic choice, chi-square(1, N = 10000) = 262.16, p < .001, CV = .162. Binary logistic regression further shows higher odds of SA use on X than Facebook in the political reference category (*OR* = 1.31, p = .0028), with significant platform-by-domain interactions for Culture (OR = 2.65), Fun (*OR* = 6.34), Sports (*OR* = 26.71), Science (OR = 0.41), and Technology (OR = 0.71). The study concludes that the diglossic use of SA and CA contributes to the growing body of research on digital discourse, unveiling that the digital age reshapes but does not erode diglossic boundaries, giving rise instead to a reconfigured digital diglossia.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.28352v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크
Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework
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.
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.
AraGenre 2026: 계층적 정의 기반 아랍어 장르 분류 공유 과제
AraGenre 2026: A Hierarchical Definition-Guided Arabic Genre Classification Shared Task
AraGenre는 아랍어 및 기타 저자원 언어에서의 주석 데이터 부족 문제를 해결하기 위해 고안된 계층적 정의 기반(definition-guided) 아랍어 장르 분류(classification) 공유 과제이다. 시스템은 각 아랍어 텍스트 세그먼트에 광범위한 의사소통 장르와 세부 장르를 모두 부여한다. 공개된 학습(training) 및 개발 데이터셋(dataset)은 주로 합성 및 통제된 제한된 예시를 포함하는 반면, 블라인드 평가용 최종 벤치마크(benchmark)는 현대 표준 아랍어(Modern Standard Arabic), 고전 아랍어(Classical Arabic), 그리고 다양한 방언에 걸친 잡음이 많은 자연 발생 텍스트를 포함한다. 참가자들에게는 이전에 본 적 없는 74개 세부 장르에 대한 자연어 정의가 제공되어, 시스템이 고정된 레이블-특징(feature) 연관성을 암기하기보다 클래스 의미론을 추론해야 하는 제로샷(zero-shot) 레이블 일반화 환경이 조성되었다. 이 과제에는 46개 팀이 등록하고 373건이 제출되었으며, 17개 팀이 최종 평가(evaluation)를 완료했다. Thakaa 팀이 계층적 매크로 F1(Hierarchical Macro F1) 0.7352로 1위를 차지했고, HoangPhong (HP) 팀이 0.7169로 그 뒤를 이었으며, NAMAA 팀이 0.7013을 기록했다. 결과는 광범위한 장르 인식에서는 강력한 성능을 보였으나, 언어적 및 도메인 변이가 존재하는 환경에서의 세부 장르 분류에서는 상당한 성능 격차가 존재함을 보여준다.
매개변수 예산 하에서 루프 추정의 통계적 이득
Statistical Gains from Looped Estimation under Parameter Budgets
인공지능에서 메모리 수요가 증가함에 따라 더 적은 학습 가능 매개변수로 학습하려는 동기가 커지고 있다. 본 연구는 반복(iteration)마다 매개변수를 공유하며 하나의 적합된 연산자를 반복 적용하는 루프 추정기(looped estimator)가 동일한 매개변수 예산 하에서 통계적 정확도를 향상시킬 수 있는지 묻는다. 이에 대응하는 기존의 비공유(untied) 추정기는 각 반복마다 별도의 매개변수를 사용한다. 일반적인 가능도(likelihood) 모델에 대해, 루프 시브(sieve) 최대 가능도 추정에 대한 제곱 Hellinger 위험의 상한과, 튜닝된 비공유 모델군에 대한 미니맥스 하한을 확립한다. 이 경계들은 매개변수-반복-정확도 간의 트레이드오프를 드러낸다. 즉, 반복 계산은 매개변수를 추가하지 않고도 근사를 개선할 수 있으나, 계산 비용과 적합된 함수 클래스의 복잡도를 증가시킨다. 알려진 Hölder 매끄러움을 갖는 목표 함수에 대해, 루프 잔차 순방향 신경망(residual feedforward network)과 특정한 post-layer-normalized 트랜스포머(Transformer)는 유계 실수 매개변수의 개수를 고정한 채로 로그 인자를 제외하고 미니맥스 다항 수렴률을 달성한다. 충분히 큰 고정 예산에서는 표본 크기가 증가함에 따라 루프 방식의 최악 사례 위험이 0으로 수렴하는 반면, 최적의 비공유 방식의 최악 사례 위험은 0으로부터 일정 수준 이상 떨어진 채로 유지된다. 명시된 예산 증가 조건 하에서는 루프 대 비공유 위험 비율 또한 0으로 수렴한다. 가우시안 및 라플라스 회귀, 이진 응답, 에너지 기반 밀도 추정을 통해 이론을 예시한다.
영향은 무효화가 아니다: diff가 아닌 주장(claim)에 대해 물어라
Impact Is Not Invalidation: Ask About the Claim, Not the Diff
코딩 에이전트(agent)의 메모리 시스템은 저장소가 변경될 때 저장된 주장(claim) 중 어떤 것이 거짓이 되었는지 판단해야 한다. 콘텐츠 앵커링(content anchoring)은 주장의 출처가 된 아티팩트가 변경될 때마다 해당 주장을 무효화하는데, 이는 끊임없이 발동한다. 의미적 동등성 분류(semantic-equivalence classification)는 diff가 동작을 보존하는지를 묻는데, 이는 저장된 어떤 주장에 대한 질문이 아니라 diff에 대한 질문이다. 우리는 두 번째 신호가 모델 성능과 무관한 이유로 실패함을 보인다. 커밋이 동작을 보존하는지 묻는 경우, 가격 차이가 40배에 달하는 다섯 개 모델은 실제 커밋의 59~72%에서 무효화를 발동하며, 기저 비율(base rate) 0.25 대비 0.291~0.329의 정밀도(precision)에 그친다. 반면 특정 주장 하나가 여전히 성립하는지를 물으면, 동일한 diff에서 동일한 모델들이 0.705~0.974의 정밀도에 도달한다. 동작 보존 판정기에 주장 텍스트를 제공하여 질문만 바꾸지 않은 통제 실험에서는 정밀도가 0.010과 0.016만큼 변했지만, 질문을 바꾸면 0.49와 0.65만큼 변한다. 또한 커버리지에서 도출한 의존성 데이터를 사용하는, 실제 배포된 회귀 테스트 선택기인 pytest-testmon과도 비교한다. 이 도구는 재현율(recall) 0.868, 정밀도 0.415를 달성하는데, 이는 변경이 도달할 수 있는 범위에 대해 거의 완전한 지식을 갖고 있어도 그 변경이 무엇을 거짓으로 만드는지는 식별하지 못함을 보여준다. 정답(ground truth)은 어노테이션이 아니라 실행이다. 주장은 커밋 t에서 통과하는 테스트 함수이며, 동일한 assertion 텍스트가 t+1에서 실패하면 뒤집힌(flipped) 것으로 간주한다. 이를 구축하기 위해서는 우리가 선행 연구에서 찾지 못한 관찰이 필요했다. CI로 게이트된 메인라인에서는 기존 테스트를 실패시키는 커밋이 병합될 수 없으므로, 단순한 구성 방식은 설계상 양성(positive) 클래스가 비어 있게 된다. 우리는 23개 Python 라이브러리에서 추출한 10,369개의 주장과 184개의 실행으로 검증된 뒤집힘(flip)을 보고하며, 저장소 단위로 분리한 홀드아웃 분할, 지식 컷오프 이후 분할, 셔플된 diff 귀무 실험(null), 패러프레이즈 통제 실험, 그리고 17개 저장소에 대한 leave-one-repository-out 분석을 함께 제시한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.