SemEval-2026 Task 4: 서사 유사성 및 표현 학습 (NSNRL)
본 문서는 SemEval-2026에서 개최되는 '서사 유사성 및 서사 표현 학습(Narrative Story Similarity and Narrative Representation Learning, NSNRL)' 공동 과제에 대한 내용을 다룹니다. 이 과제는 서사학적 이론과 직관적인 판단을 모두 수용할 수 있는 새로운 정의의 서사 유사성을 운영화합니다.
1. 과제의 목표 및 구성
NSNRL은 크게 두 가지 핵심 영역으로 나뉩니다:
A. 서사 유사성 (Narrative Similarity) 분류:
가장 핵심적인 부분으로, 이 과제는 서사 유사성을 이진 분류(binary classification) 문제로 정의합니다. 즉, 주어진 두 개의 스토리 중 어느 것이 '기준 스토리(anchor story)'와 더 유사한지를 판별하는 것을 목표로 합니다.
B. 서사 임베딩 표현 학습 (Narrative Embedding Representation Learning):
수집된 유사성 판단 결과들을 기반으로, 모델이 스토리를 효과적으로 나타낼 수 있는 서사 임베딩(narrative embedding) 표현의 성능을 평가합니다.
2. 데이터셋 및 주석 과정
과제에 사용되는 데이터셋은 높은 신뢰도를 갖추고 있습니다. 구체적으로, 1,000개 이상의 스토리 요약 트리플(story summary triples) 각각에 대해 최소 두 명의 주석가(annotators)가 동의한 적어도 두 가지의 어노테이션을 수집했습니다.
이 논문은 데이터셋의 샘플링 및 어노테이션 과정을 상세히 설명하며, 참가자들이 제출한 시스템들과 그들이 활용하는 기술 전반에 대한 개요를 제공합니다.
3. 최신 연구 동향 분석 (Top-Scoring Systems)
총 46개 팀이 참여하여 두 개의 트랙에서 71개의 최종 제출물이 접수되었습니다. 참가 시스템들의 성과 분석을 통해 다음과 같은 주요 기술 경향을 파악할 수 있습니다:
- 트리플 기반 분류 설정 (Triple-based Classification Setup): 이 영역에서는 대규모 언어 모델(LLM) 앙상블(ensembles) 방식의 시스템들이 높은 점수를 기록하며 주류를 이루었습니다.
- 임베딩 설정 (Embedding Setup): 사전 학습된 임베딩 모델(pretrained embedding models)을 활용하여 전처리 및 후처리를 거치는 시스템들이 커스텀 파인튜닝 솔루션과 거의 동등한 수준의 성능을 보여주었습니다.
4. 시사점 및 전망
연구진은 두 트랙 모두에서 자동화된 시스템이 개선할 수 있는 잠재적인 여지(potential headroom for improvement)가 있음을 분석했습니다. 과제 웹사이트에서는 모든 팀의 인스턴스 레벨 분류 결과와 함께 임베딩 시각화 자료를 제공하여 심층적인 분석을 돕고 있습니다.
결론적으로, NSNRL은 서사학적 이해를 요구하는 복잡한 자연어 처리(NLP) 과제이며, LLM의 조합과 고품질의 구조화된 임베딩 표현이 핵심 성공 요인임을 보여줍니다.