흩어진 네 가지 디지털 언어 자원을 하나의 통합 코퍼스로!

어휘의미론·문장의미론에서 트리뱅크와 ChatGPT까지,
고(故) 이민행 교수의 마지막 연구

 

웹에 공개된 독일어 의미 자원은 많지만, 코딩에 익숙하지 않은 연구자가 그 안에서 필요한 정보를 꺼내 쓰기는 쉽지 않다. 『독일어 디지털 의미론 연구』는 E-VALBU, GermaNet, FrameSQL, PMB의 서로 다른 의미 정보를 통합 코퍼스 ICGS로 묶고, 연구와 교육에 활용하는 구체적인 방법을 제시한다. 어휘와 문장의 의미 분석에서 구구조·의존구조 트리뱅크 구축, ChatGPT를 활용한 파이썬 코드 작성까지 이어지는 고 이민행 교수의 마지막 학문적 성과다.

 

흩어진 언어자원을 한곳에 모으면, 독일어의 의미가 데이터로 보여

오늘날 독일어 연구자는 방대한 디지털 언어자원에 접근할 수 있다. 독일어 동사의 결합가 정보를 담은 E-VALBU, 어휘 의미망 GermaNet, 프레임 의미론에 기반한 FrameSQL, 의미역과 담화 정보를 갖춘 PMB가 대표적이다. 이 자원들은 각각 다의성, 상세 의미, 의미 부류, 결합가, 프레임, 의미역 등 중요한 정보를 제공한다. 문제는 정보의 유형과 데이터 구조, 검색 방식이 서로 달라 한 연구자가 여러 자원을 함께 활용하기가 어렵다는 데 있다.

『독일어 디지털 의미론 연구』는 이 간극을 메우기 위한 학술서다. 저자는 네 가지 디지털 자원의 구조와 특징을 하나씩 해설하고, 그 안의 의미 정보를 검색 가능한 코퍼스로 변환한 뒤 하나의 통합 의미 코퍼스 ICGS(Integrated Corpus of German Semantics)로 구축하는 절차를 제시한다. 독일어 의미론의 이론을 설명하는 데 그치지 않고, 실제 데이터를 어떻게 찾고 묶고 분석할 것인지까지 보여주는 연구 방법론이다.

책의 출발점은 분명하다. 유용한 의미 부착 코퍼스가 공개되어 있어도 코딩 능력을 갖추지 못한 일반 연구자에게는 필요한 정보를 추출하는 일이 쉽지 않다는 것이다. 저자는 Stuttgart대학교에서 개발한 CWB(Corpus Workbench)와 웹 기반 검색 플랫폼 cqpweb을 활용하면 복잡한 프로그래밍을 직접 하지 않고도 일정한 유형의 검색식을 익혀 데이터를 찾을 수 있다고 설명한다. 디지털 자료를 일부 전산언어학자의 전유물이 아니라 연구자와 교수자, 학생이 함께 활용할 수 있는 연구 기반으로 바꾸려는 시도다.

[목 차]

제1장 서 론

제2장 디지털 자원의 어휘 정보

제3장 E-VALBU의 어휘 정보

제4장 GermaNet의 어휘 정보

제5장 FrameSQL의 어휘 정보

제6장 PMB의 어휘 정보

제7장 통합 의미 코퍼스 ICGS의 구축 및 활용

제8장 의미 정보 코퍼스를 이용한 주제 연구

제9장 구구조 트리뱅크

제10장 의존 구조 트리뱅크

제11장 ChatGPT와 동행하는 언어학 연구

제12장 종합 및 전망

참고문헌

부 록

[본 문]

독일어의 경우, 의미적인 정보를 담고 있는 여러 가지 디지털 자원이 웹(web)을 통해 접근이 가능하도록 공개되어 있다. 예로서 독일어 결합가 사전을 디지털화한 E-VALBU¹와 어휘 의미망 GermaNet², 프레임 의미론을 디지털로 구현한 SALSA 코퍼스³ 및 담화표상이론의 디지털 판본인 PMB⁴를 들 수 있다. E-VALBU는 Mannheim의 독일어 연구소(IDS)에서 개발한 자원이고, GermaNet은 튀빙엔대의 전산언어학과에서 구축한 네트워크이며, FrameSQL은 Saarland대에서 구구조 코퍼스 TIGER의 일부에 프레임 정보를 추가하여 만든 프레임 의미론 기반의 의미 코퍼스 SALSA 코퍼스를 웹상에서 검색 가능하도록 변환한 것이고, 마지막으로 PMB는 의미역(semantische Rollen) 정보를 부착한 코퍼스로서 네덜란드 Groningen대에서 구축한 것이다. 이 가운데 E-VALBU와 GermaNet은 어휘의미론적인 주제를 다루는 데 유용하고, SALSA와 PMB는 문장의미론적인 주제와 깊이 관련된다.⁵ 네 가지 디지털 자원은 담고 있는 의미 정보가 각기 다르고 다양하기 때문에, 이 정보들을 모두 사용할 수 있다면 독일어 의미론의 연구와 교육에 있어 매우 높은 활용도를 기대할 수 있다.

- P.6~7, 제1장 「서론」 중에서

 

이러한 연구자 및 연구 환경을 고려하여, 본 연구에서는 매우 유용한 의미적인 정보들을 담고 있는 디지털 언어 자원들을 하나의 통합 코퍼스로 구축하여 연구자나 교수자들이 쉽게 접근하고 연구나 교육에 필요한 의미 정보들을 자유자재로 추출할 수 있도록 편의적인 연구 및 교육 환경을 제공하고자 한다. 바로 이 점이 본 연구의 필요성이기도 하다. 이러한 환경이 조성될 경우, 독일어 의미론 분야의 연구논문들도 증가하고 의미론 교육도 더 용이해질 것으로 기대한다.

- P.8, 제1장 「서론」 중에서

 

독일어의 의미 정보를 담은 디지털 자원은 E-VALBU, GermaNet, FrameSQL 및 PMB 등 네 가지이다. 이 자원들은 각기 상이한 유형의 의미 정보들을 담고 있다. E-VALBU는 Mannheim의 독일어 연구소(IDS)에서 개발한 자원이고, GermaNet은 튀빙엔대의 전산언어학과에서 구축한 네트워크인데, 이 둘은 어휘의미론적인 주제를 다루는 데 유용하게 사용할 수 있다. 반면, FrameSQL은 Saarland대에서 구구조 코퍼스 TIGER의 일부에 프레임 정보를 추가하여 만든 프레임 의미론 기반의 의미 코퍼스 SALSA 코퍼스를 웹상에서 검색 가능하도록 변환한 것이고, 마지막으로 PMB는 의미역(semantische Rollen) 정보를 부착한 디지털 자원으로서 네덜란드 Groningen대에서 구축한 것인데, 이 두 디지털 자원은 문장의미론적인 주제에 대해 교육하고 연구하는 데 매우 쓸모가 많다.

- P.10, 제2장 「디지털 자원의 어휘 정보」 중에서

 

이제까지 우리는 PMB에서 제공하는 의미관련 정보들에는 어떤 것들이 있는지 간단하게 살펴보았다. 이 디지털 자원은 규모가 크지 않아 개별 동사들의 다양한 쓰임을 연구하는 데에는 한계가 있다. 하지만 PMB 데이터베이스는 영어와의 비교가 가능한 자원이고 동사들의 의미역 틀에 대한 정보가 포함되어 있기 때문에 문장의미론적인 주제에 대해 교육하고 연구하는 데 있어 매우 쓸모가 있다고 할 수 있다. 또한 PMB 데이터베이스의 데이터셋을 CWB를 이용하여 변환한 PMB 코퍼스로부터 추출한 다양한 정보를 활용하여 연구와 교육을 위한 자료를 생성하는 방법에 대해서는 제6장에서 자세히 검토하기로 한다.

- P.20, 제2장 「디지털 자원의 어휘 정보」 중에서

 

E-VALBU는 개별 어휘들에 대한 정보들로서 동사 700여 개의 형태통사적 결합가, 의미적 결합가, 의미 속성 제약, 다의성 및 용례를 제공한다. 이 디지털 결합가 사전은 동사들이 문장 속에서 실현될 때 그 통사적인 환경이 의미적인 속성과 형태통사적인 속성과 어떻게 연관되는지를 포착하는 것을 주안점으로 삼는다.¹² 다음 페이지의 [그림 1]은 E-VALBU 검색 시스템의 첫 화면을 보여준다.

- P.23, 제3장 「E-VALBU의 어휘 정보」 중에서

 

지금까지 우리는 이 장에서 E-VALBU 코퍼스로부터 추출 가능한 여러 가지 의미 정보들과 결합가 틀에 대해 논의했다. 의미적인 정보들에는 개별 어휘들의 다의성과 상세 의미 및 의미 제약이 포함된다. 결합가 틀은 전형적인 통사 정보이지만 의미 정보들과 상호작용하기 때문에 디지털 의미론에서도 매우 중요하게 다루어지는 주제라고 할 수 있다.

- P.44, 제3장 「E-VALBU의 어휘 정보」 중에서

 

GermaNet 코퍼스는 튀빙엔대에서 개발한 어휘 의미망 GermaNet을 토대로 한다. 이 코퍼스로부터 개별 어휘들의 다의성 및 소속 의미 부류에 대한 정보, 그리고 의미 정보들과 연관된 용례들을 추출할 수 있고 더 나아가 동사들의 형태통사적 결합가를 검색하고 동일한 결합가를 공유하는 동사 목록도 추출할 수 있다. 이 코퍼스에는 또한 동사들에 대한 정보들 외에도 명사와 형용사에 대한 어휘 정보뿐만 아니라 합성명사에 대한 어휘 정보도 포함되어 있다.

- P.45, 제4장 「GermaNet의 어휘 정보」 중에서

 

zu-부정사구를 결합가 틀의 필수적인 구성 요소로 취하는 동사 112개와 dass-절을 결합가 틀의 필수 구성 요소로 요구하는 동사 82개를 비교하는 과제도 독일어 교육의 자료로 유용하게 활용될 수 있다. 실제로 두 동사 목록을 비교한 결과 흥미로운 사실이 발견되었는데, zu-부정사구와 dass-절을 모두 결합가 틀의 필수 구성 요소로 취하는 동사는 3개에 불과하다는 사실이다. 이 점이 흥미로운 것은 일반적으로 zu-부정사구는 dass-절의 축약형으로 알려져 있기 때문이다. 두 구문을 동시에 허용하는 동사들은 bedauern, denken과 heißen이다.

- P.70, 제4장 「GermaNet의 어휘 정보」 중에서

 

코퍼스 FrameSQL은 틀 의미론에서 다루는 여러 가지 정보들을 포함하고 있다. 이를테면, 개별 어휘들이 실현할 수 있는 틀 유형(frame name)과 여러 틀 요소들로 구성되는 의미역 틀(frame) 및 틀 요소가 부착되어 있는 용례를 코퍼스 검색을 통해 추출할 수 있다. 여기서 틀 요소(frame element)는 의미역에 대응되는 개념인데, 동사에 따라 혹은 틀 유형에 따라 세분화되어 표현된다는 점이 다르다.

- P.73, 제5장 「FrameSQL의 어휘 정보」 중에서

 

앞서 제2장에서 여러 가지 유형의 의미 코퍼스를 논의하는 중에 소개한 네덜란드 Groningen대의 PMB(Parallel Meaning Bank)는 독일어, 영어, 네덜란드어 등 여러 언어의 의미 정보를 담고 있는 다국어 의미 데이터베이스이다. 이 장에서는 이 데이터베이스로부터 독일어에 대한 데이터들만을 추출한 후 코퍼스 구축 도구 CWB를 이용하여 검색 가능하도록 변환한 코퍼스 PMB-DE를 활용하는 다양한 방법에 대해 논의한다. 이 코퍼스에는 의미적 결합가, 다의성 및 용례에 대한 정보가 포함되어 있다.

- P.98, 제6장 「PMB의 어휘 정보」 중에서

 

독일어 통합 의미 코퍼스 ICGS(Integrated Corpus of German Semantics)는 네 가지 디지털 자원 E-VALBU, GermaNet, FrameSQL 및 PMB에 포함된 다양한 정보들을 검색 가능한 형태로 통합한 코퍼스이다. 이들 디지털 자원 각각을 CWB 기반의 개별적인 코퍼스로 구축한 다음에 의미 있는 언어 정보를 추출하여 활용하는 방법에 대해서 하나씩 제3장부터 제6장까지 상세하게 기술하였다. 이 장에서는 상이한 데이터 구조를 통합하여 어떻게 검색 가능한 통합 코퍼스로 구축하는지에 대해 먼저 살펴본다. 이어서 매크로 파일 형태의 검색식을 수립한 후에 실제로 검색 결과를 추출하는 절차에 대해 검토한다. 최종적으로는 통합 코퍼스로부터 추출한 데이터를 어떤 방식으로 활용할 수 있는지에 대해서 기술하고자 한다.

- P.124, 제7장 「통합 의미 코퍼스 ICGS의 구축 및 활용」 중에서

 

이 장에서는 통합 코퍼스 ICGS를 활용하여 여러 가지 주제 연구를 수행하는 방법론을 제시한다. 구체적인 연구 주제는 “소통동사 부류의 의미적 특성에 대한 연구”, “틀 유형 범주화(Categorization)의 틀 의미론적 특성”, “변동동사의 의미적 특성”, “독일어 재귀동사 구문 - GermaNet과 E-VALBU의 비교”, “독일어의 상해 입히기 틀 유형에 대한 연구”, “다의성에 대한 연구 - E-VALBU, GermaNet 및 FrameSQL의 활용” 및 “독일어 어휘 의미망 GermaNet의 활용” 등이다.

- P.143, 제8장 「의미 정보 코퍼스를 이용한 주제 연구」 중에서

 

이 장에서 우리는 통합 코퍼스 ICGS를 활용하여 다양한 연구 주제를 다룰 수 있음을 보았다. 구체적인 연구 주제로 소통동사 부류의 의미적 특성에 대한 연구, 틀 유형 범주화(Categorization)의 틀 의미론적 특성, 변동동사의 의미적 특성, 독일어 재귀동사 구문—GermaNet과 E-VALBU의 비교, 독일어의 상해 입히기 틀 유형에 대한 연구, 다의성에 대한 연구— E-VALBU, GermaNet 및 FrameSQL의 활용 및 독일어 어휘 의미망 GermaNet 의 활용 방법 등에 대해 논의했다.

- P.211, 제8장 「의미 정보 코퍼스를 이용한 주제 연구」 중에서

 

독일어 통합 의미 코퍼스 ICGS에 포함된 용례들은 모두 50,664 문장이다. 이 문장들을 원천 데이터로 삼아 파이썬 라이브러리 spacy⁴⁴를 이용하여 구구조 트리뱅크를 구축한다. 다음 (24a)에 제시된 문장을 파싱하면 (1b)와 같이 Penn 트리뱅크에서 채택한 괄호(bracketing) 포맷의 데이터 구조를 생성한다.

- P.212, 제9장 「구구조 트리뱅크」 중에서

 

한 걸음 더 나아가 위 (2)와 같은 괄호 형태의 데이터 구조 49,221개를 TIGERSearch 도구에 인코딩해 넣을 경우 독일어 문장의 다양한 통사적 특성들을 살펴볼 수 있다. 이러한 인코딩 및 검색 과정에 대해 이 장절에서 상세하게 기술할 예정이다. 그 결과 구구조 트리뱅크가 독일어 의미론을 넘어 통사론이나 중급 수준 이상의 독일어 교육에 활용될 수 있을 것으로 기대한다.

- P.214, 제9장 「구구조 트리뱅크」 중에서

 

독일어 코퍼스 ICGS에 포함된 51,244개 문장을 원천 데이터로 삼아 의존 구조 트리뱅크도 구축할 수 있다. 이 경우에 공개되어 널리 활용되고 있는 파이썬 라이브러리 spaCy⁴⁸를 이용한다. 다음 (1a)에 제시된 문장을 의존 구조로 파싱하면 (1b)와 같은 CoNLL-U 포맷의 데이터 구조를 생성한다.

- P.259, 제10장 「의존 구조 트리뱅크」 중에서

 

이 장에서는 언어학 연구에 필요한 파이썬 코드들을 다양한 목적으로 사용되고 있는 생성형 AI ChatGPT에 어떻게 활용하는지 논의한다. 이를 위해 먼저, 이 학술서에서 다룬 바 있는 몇 가지 통계데이터의 처리에 필요한 파이썬 코드를 작성하는 방법에 대해 살펴본다. 이어 독-한 구구조 코퍼스를 구축하기 위한 파이썬 코드를 생성한다. 이 코드를 운용하여 독일어 원문 텍스트 파일, 한국어 번역 텍스트 파일을 입력 파일로 하고 의미가 동일한 문장쌍들을 엑셀 파일로 저장한다. 마지막으로 구구조나 의존 구조 트리뱅크들을 생성할 때 필요한 파이썬 스크립트들을 어떻게 작성할 수 있는지 설명한다.

- P.301, 제11장 「ChatGPT와 동행하는 언어학 연구」 중에서

 

모든 언어학적인 통계의 기초는 크든 작든 주어진 텍스트에 담긴 어휘들의 출현 빈도이다. 아주 오래전에도 특정 작가의 작품에 나타난 단어들의 출현 빈도를 산출하기 위해서 수작업을 통해 단어 빈도를 낸 적이 있다. 그러나 코딩의 발달로 이제는 누구도 더 이상 수작업으로 일하지 않는다. 대신 코드를 하나 작성하여 어휘 빈도를 계산한다. 불과 몇 년전, AI시대 이전만 하더라도 연구자가 코드를 직접 작성하거나 코딩 전문가에 부탁해서 얻은 코드 혹은 인터넷 검색을 통해 구한 코드를 이용하여 단어의 출현 빈도를 계산했다. 그러나 AI 도구들의 발달로 이제 그럴 필요가 없고, PC상에서 AI에게 코드의 용도를 설명하고 그러한 기능을 가진 코드의 작성을 요청하면 된다. 아래에 ChatGPT에게 단어들의 출현 빈도를 계산하기 위한 파이썬 코드의 작성을 요청하는 프롬프트가 제시된다.

- P.302, 제11장 「ChatGPT와 동행하는 언어학 연구」 중에서