대규모 언어 모델(LLMs)은 자동 코드 생성 작업에서 놀라운 성능을 보여주었으며, 이로 인해 해당 분야의 새로운 연구를 장려하고 있습니다. 수많은 연구가 LLM 기반 코드 생성을 탐구했지만, 입력 프롬프트의 자연어가 미치는 영향(언어 편향)은 여전히 탐구되지 않은 영역입니다. 본 연구는 (1) 입력 프롬프트의 자연어가 LLM 기반 코드 생성 성능에 어떻게 영향을 미치는지 정량화하고, (2) 코드 생성에서 언어 편향을 줄이기 위한 완화 전략을 평가하는 것을 목표로 합니다. 우리는 AtCoder, LeetCode, BigCodeBench에서 코드 생성 정확도(Accuracy)를 평가합니다. 코드 생성에서의 언어 편향을 정량화하기 위해, 각 문제는 영어, 일본어, 중국어로 제시되었습니다. 우리는 일곱 개의 LLM(GPT-4o, o3-mini, DeepSeek-V3.2, Llama-3, Qwen2.5-Coder-14B, Qwen2.5-Coder-0.5B, 그리고 GitHub Copilot)을 사용하고 정확도(생성된 코드가 모든 테스트 케이스를 통과하는 문제의 수) 측면에서 성능을 평가합니다. 우리는 번역 전후의 정확도를 비교하여 완화 전략으로서의 번역 효과를 평가했습니다. 우리는 문제 설명의 자연어가 LLM 기반 코드 생성 성능에 영향을 미친다는 것을 관찰했습니다. 특히, 각 데이터셋이 공식적으로 지원하는 언어에서 가장 높은 중앙값(median) 정확도가 달성되었습니다. 또한, 번역은 정확도를 향상시켰지만, 그 효과는 데이터셋과 모델 유형 전반에 걸쳐 일관적이지 않았습니다. 우리는 AtCoder가 서사적 스타일의 문제 설명과 더 긴 문제 설명을 특히 많이 포함하고 있음을 발견했습니다. 자연어는 LLM 코드 생성 정확도에 유의미하게 영향을 미칩니다. 번역은 일부 환경에서 언어 편향을 완화할 수 있지만, 그 효과는 데이터셋과 모델 유형에 달려 있습니다. 나아가, 입력 프롬프트의 서사적 측면(narrative aspects)과 컨텍스트 길이(context length)는 언어 편향 및 완화 전략으로서 번역의 효과와 관련된 중요한 요소입니다.