세계의 지붕을 향하여: 티베트어 자연어처리(NLP)의 진전
Towards the Roof of the World: NLP Progress in Tibetan Languages
한국어 초록
티베트어는 청장고원(靑藏高原, Qinghai-Xizang Plateau) 및 그 주변 지역에서 약 700만 명이 사용하는 언어이지만, 자연어처리(NLP) 분야에서는 여전히 충분히 다루어지지 않고 있다. 본 논문은 우리가 아는 한 티베트어 NLP에 대한 최초의 동료 심사를 거친 체계적 서지 계량(bibliometric) 조사를 제시한다: ACL Anthology와 DBLP에 등재된 2004년부터 2026년까지의 140편의 출판물을 대상으로 발표 매체 유형, 연구 분야, 제1저자 소속 기관의 국가, 자원 공개 여부를 주석(annotate)하였다. 연구 성과는 빠르게 증가해 왔으며, 전체 출판물의 84%가 2018년 이후에 발표되었고, 코퍼스(corpora)와 단어 분절(word segmentation)에서 문자, 음성, 응용을 거쳐 대규모 언어 모델(LLM)에 이르기까지 NLP 파이프라인을 따라 상향식(bottom-up)으로 확장되어 왔다. 중국에 소재한 연구자들이 전체 출판물의 87%에서 제1저자였으며, 이들의 연구는 조사에서 대표된 25개 연구 분야 전체를 포괄하는 반면, 다른 국가의 연구는 고전 티베트어(Classical Tibetan)에 집중되어 있다. 우리는 복잡한 문자 체계, 방언적 다양성, 지리적 고립이라는 복합적 제약 속에서 구현된 이러한 전체 파이프라인 패러다임이 글로벌 사우스(Global South)의 다른 저자원(low-resource) 언어들에게 참조 모델을 제공한다고 주장한다. 또한 우리는 방언 범위, 책임있는(responsible) NLP, 네이티브 및 비교 가능한 평가, 커뮤니티 간 가시성, 자원 공개(출판물 중 데이터, 코드, 또는 모델을 공개한 비율은 29%에 불과함)에서의 격차를 확인하며, LLM 시대를 위한 오픈 사이언스(open science), 공유 표준, 커뮤니티 참여를 권고한다.
원문 초록
Tibetan, spoken by some seven million people on and around the Qinghai-Xizang Plateau, remains underrepresented in natural language processing (NLP). We present, to our knowledge, the first peer-reviewed systematic bibliometric survey of Tibetan NLP: 140 publications from 2004 to 2026 in the ACL Anthology and DBLP, annotated for venue type, research area, first-affiliation country, and resource release. Output has grown rapidly, with 84% of the publications appearing since 2018, and has expanded bottom-up along the NLP pipeline, from corpora and word segmentation through script, speech, and applications to large language models (LLMs). Researchers based in China first-authored 87% of the publications, which span all 25 represented research areas, whereas work from other countries concentrates on Classical Tibetan. We argue that this full-pipeline paradigm, realized under the compounded constraints of a complex script, dialectal diversity, and geographic remoteness, offers a reference model for other low-resource languages of the Global South. We also identify gaps in dialect coverage, responsible NLP, native and comparable evaluation, cross-community visibility, and resource release (only 29% of the publications release data, code, or models), and recommend open science, shared standards, and community participation for the LLM era.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
문화유산 보존의 관점에서 인도 AI를 재고하다
Rethinking Indic AI from a Lens of Cultural Heritage Preservation
인공지능(AI)이 인도 아대륙의 여러 지역에 침투함에 따라, AI가 이 문명의 언어적·문화적 토대에 미치는 영향을 연구하는 데 대한 관심이 높아지고 있다. AI는 '양날의 검'으로 인식되는데, 한편으로는 많은 인구에게 접근성과 포용성을 제공할 수 있는 반면, 다른 한편으로는 세계관을 동질화하고 소외된 언어와 세계관을 배제할 수 있다. 본 논문에서는 인도 언어학의 광범위한 특성과 그것이 문화적 관습 및 세계관과 긴밀하게 연결되는 방식을 분석함으로써 이 문제를 규명하고자 한다. 이어서 인도 자연어 처리(NLP) 기술이 이 분야에서 어떻게 발전해 왔는지를 종단적으로 조사하며, 인도 NLP의 역사적 발전 과정, 주요 이정표, 방법론적 전환, 자원 구축 노력을 추적한다. 또한 본 논문은 풍부한 형태론, 복잡한 문자 체계와 문법 규칙, 양층 언어 현상(diglossia), 광범위한 방언 변이 등 인도 언어의 구조적·사회언어학적 특성을 검토하고, 이러한 특성이 AI 파운데이션 모델 구축에 어떠한 고유한 과제를 야기하는지 설명한다. 이어서 인도 파운데이션 모델의 성장하는 역할을 논의하고, 이러한 모델들이 오랫동안 지속된 자원 및 표현 격차를 어떻게 해소하는지를 분석한다. 마지막으로, 해석학적 추론에 기반하여 AI를 재구상하는 '문화 감지(Culture Sensing)'라는 연구 방향을 제안한다. 문화 감지는 저자원 언어 전반에 걸친 공평한 성능 보장과 문화적으로 의미 있는 출력 생성 등 미해결 문제들을 다루는 것을 목표로 한다. 본 논문은 과거 연구, 현재 기술, 그리고 새로운 동향을 종합함으로써 인도 NLP의 다음 단계를 이끌고 보다 견고하고 포용적인 인도 파운데이션 모델 개발에 기여할 수 있는 연구 방향을 제시한다.
Challenges and Recommendations for LLMs-as-a-Judge in Multilingual Settings and Low-Resource Languages
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.
AI 샌드박스: 위협 모델, 분류 체계 및 측정 프레임워크
AI Sandboxes: A Threat Model, Taxonomy, and Measurement Framework
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
Camera-Ready Version; Accepted at ACL Findings: AACL-IJCNLP 2026