편집 개입이 모국어 흔적 탐지에 미치는 영향

요약

본 논문은 인간-AI 공동 집필 환경에서 모국어 식별(NLI)의 어려움을 다루며, 편집 개입이 L1 흔적 탐지에 미치는 영향을 분석했습니다. 연구 결과에 따르면, NLI 모델은 단순한 표면적 문법 오류보다는 비관용적인 어휘 선택이나 화용론적 전이와 같은 깊은 구조적 특징을 활용할 때 높은 정확도를 유지합니다. 특히, 최소한의 편집 개입이 L1 특징 보존에 가장 효과적이며, 과도한 유창성 교정 및 패러프레이징은 이러한 고유한 L1 흔적들을 정상화시켜 탐지 성능을 크게 저하시킵니다.

핵심 포인트

• NLI는 LLM의 광범위한 편집 개입으로 인해 근본적인 변화를 겪고 있다.
• L1 귀속은 표면적 문법 오류보다는 비관용적 어휘 선택이나 화용론적 전이 같은 깊은 구조적 특징에 의존한다.
• 최소한의 편집(Minimal Editing)이 L1 고유의 구조적 흔적을 가장 잘 보존하여 높은 프로파일링 정확도를 유지시킨다.
• 과도한 유창성 교정이나 패러프레이징은 L1 특징들을 정상화시켜 NLI 성능에 심각한 저하를 초래한다.