다국어 극성 분석, 일반가 vs 전문화 전략 비교 연구 (SemEval-2026)

요약

본 논문은 SemEval-2026 Task 9의 다국어 극성 감지(Polarization Detection)를 22개 언어로 체계적으로 연구했습니다. 기존에는 XLM-RoBERTa 같은 범용 모델이 충분하다고 여겨졌으나, 크메르어(Khmer), 오디아어(Odia)와 같이 스크립트가 다른 언어에서는 단일 언어 전문 모델(Specialist)의 성능 향상이 두드러집니다. 저자들은 하나의 아키텍처에 의존하기보다 개발 성능에 따라 다국어 범용 모델, 특정 언어 전문 모델, 하이브리드 앙상블 전략을 유연하게 전환하는 '언어 적응형 프레임워크

핵심 포인트

• 전통적인 범용 모델(XLM-RoBERTa)은 토크나이저가 일치할 때 효과적이지만, 크메르어나 오디아어 같은 고유 스크립트 언어에서는 전문화된 단일 언어 모델이 더 높은 성능을 보였습니다.
• 연구팀은 단일 아키텍처를 강제하기보다 개발 과정의 성능에 따라 다국어 범용 모델, 특정 언어 전문 모델, 하이브리드 앙상블 전략을 전환하는 '언어 적응형 프레임워크'를 채택했습니다.
• NLLB-200을 이용한 교차 언어 증강(cross-lingual augmentation)은 기대만큼의 결과를 보여주지 못했으며, 종종 네이티브 아키텍처 선택보다 성능이 떨어지고 형태론적으로 풍부한 트랙의 품질을 저하시켰습니다.
• 최종 시스템은 22개 모든 트랙에서 평균 매크로 F1 점수 0.796, 평균 정확도 0.826을 달성했습니다.