전통적인 태거에서 LLM까지: 중세 로망스 언어의 품사 태깅 비교 연구

중세 로망스 언어에 대한 품사(Part-of-speech, POS) 태깅은 표기학적 변이, 형태론적 복잡성, 그리고 제한적인 주석화된 자원 때문에 여전히 어려운 과제입니다. 본 논문은 세 가지 중세 방언인 중세 오키탄어(Medieval Occitan), 중세 카탈루냐어(Medieval Catalan), 중세 프랑스어(Medieval French)에 걸쳐 대규모 언어 모델(LLMs)을 이용한 POS 태깅에 대한 체계적인 실증 평가를 제시합니다. 우리는 전통적인 규칙 기반 및 통계적 태거와 현대의 오픈 소스 LLM을 제로샷 프롬프팅(zero-shot prompting), 퓨샷 프롬프팅(few-shot prompting), 단일 언어 파인튜닝(monolingual fine-tuning), 그리고 교차 언어 전이 학습(cross-lingual transfer learning) 환경에서 비교합니다. 역사적으로 기반을 둔 데이터셋에 대한 실험 결과, LLM 기반 접근 방식이 전통적인 태거보다 일관되게 우수한 성능을 보였으며, 특히 파인튜닝과 다국어 훈련이 가장 큰 개선 효과를 가져왔습니다. 특히 교차 언어 전이 학습은 자원이 부족한 방언(under-resourced varieties)에 상당한 이점을 제공하며, 특정 목표 언어의 경우 광범위한 다국어 구성보다 표적화된 이중 언어 훈련(bilingual training)이 더 나은 성능을 보일 수 있습니다. 이러한 결과는 역사적 자연어 처리(NLP)를 위한 전이 전략을 설계할 때 언어학적 근접성과 데이터셋의 특성이 중요하다는 점을 강조합니다. 본 연구 결과는 현대 신경망 방법론이 중세 텍스트 처리에 적용 가능성에 대한 실증적인 통찰력을 제공하며, 디지털 인문학 연구에서 LLM 기반 POS 태깅 파이프라인을 배포하기 위한 실제적인 지침을 제공합니다. 재현성을 위해 모든 코드, 모델 및 처리된 데이터셋을 공개합니다.