시볼렛 효과(The Shibboleth Effect): 거대 언어 모델(LLM)의 교차 언어적 분포 왜곡 감사

본 연구는 지속적인 적대적 조건에 노출된 최첨단 거대 언어 모델(LLMs)에서의 교차 언어적 분포 왜곡(cross-lingual distributional skew, 일명 시볼렛 효과(The Shibboleth Effect))을 조사합니다. 우리는 동부 지중해 분쟁의 구조적 역학을 반영하도록 설계된 합성 해상 영토 분쟁인 다중 에이전트 지정학적 워게임, '세룰리안 해 위기(Cerulean Sea Crisis)'를 개발했습니다. 6개의 최첨단 모델(GPT-4o, Llama-4, Mistral-Large, Gemini-3.1-Pro, Qwen3.6-Plus, DeepSeek-R1)이 집단 간 실험(각 실험군당 N = 10 게임, 게임당 K = 5 라운드)에 참여하며, 여기서 유일한 조작 변인은 사용 언어(영어 대 터키어)이며, 이를 통해 586개의 검증된 진술을 생성했습니다. 제로샷 분류기(zero-shot classifier)는 두 가지 연속적 차원인 양보율(Concession Rate)과 강압적 수사(Coercive Rhetoric)를 따라 행동 성향을 평가합니다. 결과는 이질적입니다. Llama-4는 터키어 환경에서 Holm 교정(Holm-corrected) 기준 강압적 수사가 상당히 증가하는 모습을 보였으며(delta = +0.800, p = .002), 반면 Gemini-3.1-Pro는 동일하게 큰 폭의 감소를 나타냈습니다(delta = -0.750, p = .005). DeepSeek-R1은 유사한 음의 변화(delta = -0.860, p = .006)를 보였으며, 완충 메커니즘(buffering mechanism)과 일치하는 사고 사슬(chain-of-thought) 증거를 제공했습니다. GPT-4o는 감지 가능한 효과를 보이지 않았습니다(delta = +0.130, p = .614). 이러한 발견은 교차 언어적 행동 왜곡이 서구권 기원 LLM의 보편적 특성이라기보다 모델 아키텍처(architecture)와 훈련 방식(training regime)에 따라 달라짐을 나타냅니다. 우리는 두 가지 뚜렷한 완충 메커니즘인 사고 사슬 제도적 고정(chain-of-thought institutional anchoring)과 다국어 RLHF 정렬(multilingual RLHF alignment)을 식별하고, LLM을 외교 및 위기 관리 환경에 안전하게 통합하기 위한 시사점을 논의합니다.