언어에서의 사회적 의미 (Social meaning)는 본질적으로 관점주의적 (perspectival)이며, 주석가 (annotator)의 배경, 인구통계학적 특성, 그리고 이데올로기적 입장에 따라 달라집니다. 그러나 대부분의 자연어 처리 (NLP) 시스템은 이러한 변동성을 하나의 단일한 정답 (ground-truth) 레이블로 축소시켜 해석의 다양성을 무시합니다. 본 연구에서는 28,000개의 인간 주석 (human annotations)으로 구성된 데이터셋을 바탕으로, 인구통계학적 그룹에 따라 해석이 어떻게 달라지는지를 포착하며, 관점주의적 스펙트럼 (perspectivist spectrum)을 따라 사회적 차원을 모델링합니다. 우리는 제로샷 (zero-shot), 퓨샷 (few-shot), 그리고 미세 조정 (fine-tuned) 접근 방식을 포함한 다양한 모델링 패러다임을 벤치마킹하며, 텍스트와 인구통계학적 표현 (demographic representations)을 통합하는 융합 임베딩 (fusion embeddings)을 제안합니다. 우리의 융합 모델은 모든 융합 전략에 걸쳐 텍스트 전용 베이스라인 (text-only baselines) 대비 일관되고 통계적으로 유의미한 개선을 보여주었으며 (+5.9-6.5% 상대적 macro PR-AUC), 셔플 어블레이션 (shuffle ablations) 실험을 통해 인구통계학적 프로필이 가짜 상관관계 (spurious correlations)가 아닌 실제적인 예측 신호 (predictive signal)를 담고 있음을 확인했습니다.