대규모 언어 모델 (LLMs)은 안전 가드레일 (safety guardrails)을 우회하려는 탈옥 (jailbreak) 시도에 여전히 취약합니다. 본 연구에서는 저자원 아프리카 언어 (Afrikaans, Kiswahili, isiXhosa, isiZulu)를 사용한 다회차 대화 (multi-turn conversations)가 상용 LLM들의 안전 메커니즘을 우회할 수 있는지 조사합니다. 우리는 기존 데이터셋의 프롬프트 (prompts)를 번역하였으며, 자동화된 테스트 및 원어민을 통한 인간 레드팀 (human red-teaming)을 통해 ChatGPT, Claude, DeepSeek, Gemini, Grok을 평가했습니다. 단회차 (Single-turn) 번역 공격은 효과가 없는 것으로 증명되었으나, 다회차 대화는 영어 유해 응답률 (English harmful response rates) 측면에서 52.7% (Claude 3.5 Haiku)에서 83.6% (GPT-4o-mini)까지, Afrikaans의 경우 60.0% (Claude 3.5 Haiku)에서 78.2% (GPT-4o-mini)까지, 그리고 Kiswahili의 경우 41.8% (Claude 3.5 Haiku)에서 70.9% (DeepSeek)까지 달성했습니다. 인간 레드팀은 자동화된 방식에 비해 탈옥률을 증가시켰습니다. 평가된 모든 언어에 대해 평균 탈옥률은 59.8%에서 75.8%로 증가했으며, 이는 Afrikaans +20.0%, isiZulu +12.7%, isiXhosa +12.3%, Kiswahili +1%의 개선을 보였으며, 이는 낮은 번역 품질이 탈옥 성공을 제한한다는 것을 입증합니다. 이러한 발견은 LLM의 취약성이 다국어 맥락에서도 지속되며, 번역 품질이 저자원 언어에서의 탈옥 성공을 결정하는 결정적인 요소임을 시사합니다.