텍스트에서 화자의 속성 (speaker attributes)을 주석 (annotating) 처리하는 것은 본질적으로 모호하며, 특히 인구통계학적 및 사회적 단서가 암시적이고 문화적으로 가변적인 다국어 (multilingual) 환경에서는 더욱 그러합니다. 본 연구에서는 실제적인 자원 제약 하에서 다국어 화자 속성 레이블 (speaker-attribute labels)을 안정화하기 위한 인간-대규모 언어 모델 (human-large language model (LLM)) 협업 재주석 (re-annotation) 프레임워크를 제안합니다. 노이즈가 있는 코퍼스 (noisy corpus)에서 시작하여, 우리는 전문가와의 반복적인 상호작용을 통해 LLM을 사용하여 반복되는 주석 근거 (annotation rationales)를 도출하고, 표적 재주석을 위해 불일치 중심 샘플링 (disagreement-focused sampling)을 적용합니다. 이 프레임워크를 사용하여 우리는 9개의 화자 속성 레이블을 다루는 다국어 데이터셋인 WhoSaidIt을 구축합니다. 우리는 기존 주석과 수정된 주석 사이의 차이 (divergence)를 정량화하고, 최신 LLM들을 벤치마크하며, 명시적인 근거 (explicit rationales)가 모델 동작에 미치는 영향을 분석합니다. 연구 결과, 주석 결정 과정에서 상당한 교차 언어적 (cross-lingual) 차이가 있음을 발견하였으며, 화자 속성 분류에서 LLM의 강점과 한계를 모두 입증하였습니다.