디지털 저자원(low-resource) 원주민 언어를 위한 신경망 기계 번역(Neural machine translation, NMT)은 종종 극심한 데이터 부족으로 인해 어려움을 겪으며, 이로 인해 추출 방식의 웹 스크래핑(web-scraping)에 의존하게 됩니다. 데이터 주권(data sovereignty)을 보장하기 위해, 본 연구는 대상 언어의 병렬 텍스트를 스크래핑하지 않고도 NMT 모델을 부트스트래핑(bootstrap)할 수 있는 데이터 합성 방법론을 소개합니다. Q'eqchi' 마야어에 초점을 맞추어, 우리는 커뮤니티에서 수집된 사전을 대규모 합성 코퍼스(synthetic corpus)로 변환하였으며, mT5-base 모델에 LoRA 어댑터를 통한 매개변수 효율적 미세 조정(Parameter-Efficient Fine-Tuning, PEFT)을 활용하였습니다. 도메인 내 평가(In-domain evaluation) 결과 높은 구조적 습득(BLEU 42.02)을 보여주었으며, 이는 합성 제약 조건이 복잡한 교착적 형태론(agglutinative morphology)과 VOS 어순을 효과적으로 학습시킨다는 것을 증명합니다. 그러나 유기적 용어집(organic glossary)을 대상으로 한 평가에서는 구조적-의미적 격차(BLEU 0.59)가 드러났는데, 이는 모델이 문법적 무결성은 유지하지만 자연어의 어휘적 근거(lexical grounding)가 부족함을 나타냅니다. 모델은 합성 템플릿의 제한된 구조적 변동성에 과적합(overfitting)되는 양상을 보입니다. 파이프라인 내의 높은 의미론적 엔트로피(semantic entropy)에도 불구하고, 모델은 자연어의 통사적 유동성(syntactic fluidity)을 다루는 데 어려움을 겪으며, 유기적 입력을 학습된 경직된 패턴으로 강제 편입시킵니다. 또한, 멀티태스크 학습(Multi-Task Learning) 아키텍처를 활용한 절제 연구(ablation study) 결과 부정적 전이(negative transfer)가 발생하였는데, 이는 보조 작업(auxiliary tasks)이 LoRA 어댑터 내의 제한된 매개변수 용량을 두고 경쟁하여, 유기적 유연성을 희생시키면서 합성 마커(synthetic markers)에 대한 과최적화(over-optimization)를 초래했음을 시사합니다. 궁극적으로, 우리는 합성 부트스트래핑이 매우 효과적인 구조적 프라이머(structural primer) 역할을 하지만, 커리큘럼 학습(Curriculum Learning)을 통한 의미론적 정교화를 위해서는 실제 데이터가 필요함을 입증하였습니다.