인구통계학적 조건부 융합 임베딩을 통한 관점주의적 사회적 의미 학습

언어에서의 사회적 의미 (Social meaning)는 본질적으로 관점주의적 (perspectival)이며, 주석가 (annotator)의 배경, 인구통계학적 특성, 그리고 이데올로기적 입장에 따라 달라집니다. 그러나 대부분의 자연어 처리 (NLP) 시스템은 이러한 변동성을 하나의 단일한 정답 (ground-truth) 레이블로 축소시켜 해석의 다양성을 무시합니다. 본 연구에서는 28,000개의 인간 주석 (human annotations)으로 구성된 데이터셋을 바탕으로, 인구통계학적 그룹에 따라 해석이 어떻게 달라지는지를 포착하며, 관점주의적 스펙트럼 (perspectivist spectrum)을 따라 사회적 차원을 모델링합니다. 우리는 제로샷 (zero-shot), 퓨샷 (few-shot), 그리고 미세 조정 (fine-tuned) 접근 방식을 포함한 다양한 모델링 패러다임을 벤치마킹하며, 텍스트와 인구통계학적 표현 (demographic representations)을 통합하는 융합 임베딩 (fusion embeddings)을 제안합니다. 우리의 융합 모델은 모든 융합 전략에 걸쳐 텍스트 전용 베이스라인 (text-only baselines) 대비 일관되고 통계적으로 유의미한 개선을 보여주었으며 (+5.9-6.5% 상대적 macro PR-AUC), 셔플 어블레이션 (shuffle ablations) 실험을 통해 인구통계학적 프로필이 가짜 상관관계 (spurious correlations)가 아닌 실제적인 예측 신호 (predictive signal)를 담고 있음을 확인했습니다.