SemEval-2026 Task 9: 다국어 극단성 감지 (Multilingual Polarization Detection) 시스템 소개 -

요약

본 기술 기사는 SemEval-2026 Task 9: 다국어 극단성 감지 시스템을 소개하며, 22개 언어를 대상으로 하는 이진 분류 작업을 수행합니다. 핵심 접근 방식은 대형 언어 모델(LLM)의 합성 데이터 증강과 LoRA를 활용한 각 언어별 Gemma-3 모델 미세 조정입니다. 개발 집합에서 얻은 지식을 재학습 없이도 전이 학습 및 앙상블 기법을 통해 테스트 환경에 성공적으로 적용하여, 모든 22개 언어에서 평균 매크로-F1 점수 0.811을 달성하며 높은 성능을 입증했습니다.

핵심 포인트

• 다국어 극단성 감지(Multilingual Polarization Detection)는 22개 언어를 아우르는 이진 분류 작업입니다.
• 모델은 Gemma-3 (12B 및 27B)를 기반으로 하며, 각 언어별로 LoRA 기법을 사용하여 미세 조정되었습니다.
• 합성 데이터 생성 시 GPT-4o-mini를 활용하여 직접 생성, 패러프레이징, 대비 쌍 생성 등 3가지 전략을 적용하고 다단계 필터링을 거쳤습니다.
• 개발 집합에서 언어별 임계값 튜닝 및 모델 예측 가중치 앙상블 기법을 사용하여 재학습 없이도 성능 향상을 달성했습니다.
• 일반화의 중요성을 강조하며, 개발 집합에 과적합된 아키텍처는 테스트 집합에서 심각한 성능 저하를 보였습니다.