Deep Learning Based Amharic Chatbot for FAQs in Universities

논문 요약: 대학 내 자주 묻는 질문 (FAQ) 을 위한 딥러닝 기반 암하라어 챗봇

1. 문제 제기 (Problem Statement)

• 배경: 대학 내 학생들은 행정부나 교수에게 자주 묻는 질문 (FAQ) 에 대한 답변을 구하기 위해 많은 시간을 소비하며, 이는 학생과 교직원 모두에게 비효율적인 업무 부담을 초래합니다.
• 현재의 한계: 이메일은 대량 정보 전달에는 유용하지만 개별 문의 처리에는 느리고 비효율적입니다. 또한, 기존 챗봇 연구는 주로 영어 등 주요 언어에 집중되어 있으며, 암하라어 (Amharic) 와 같은 자원이 부족한 언어 (Low-resource language) 에 대한 챗봇 연구는 부재합니다.
• 기술적 난제: 암하라어는 풍부한 형태론적 특성 (Morphological richness), 다양한 문자 변이 (Fidel variation), 그리고 어휘적 공백 (Lexical gaps) 으로 인해 자연어 처리 (NLP) 가 어렵습니다.

2. 연구 방법론 (Methodology)

이 연구는 디자인 사이언스 리서치 (Design Science Research, DSR) 방법론을 따르며, 6 단계 프로세스 (문제 식별, 목표 설정, 설계 및 개발, 시연, 평가, 전달) 를 통해 챗봇을 개발했습니다.

• 데이터 수집 및 전처리:

  • 대상: 메클레 (Mekelle) 대학과 아크숨 (Aksum) 대학의 공학부 학생 80 명을 대상으로 한 설문조사를 통해 60 개의 주제 (Intent) 와 850 개의 패턴 질문을 수집했습니다.
  • 형식: 데이터를 JSON 파일 구조 (Tags, Patterns, Responses, Context 등) 로 변환하여 학습용 데이터셋을 구성했습니다.
  • 전처리: 암하라어 입력 문장을 분석하기 위해 토큰화 (Tokenization), 정규화 (Normalization), 불용어 제거 (Stop word removal), 어간 추출 (Stemming) 과정을 수행했습니다.

• 모델 아키텍처 및 알고리즘 비교:

  • 챗봇은 의도 분류 (Intent Classification) 를 핵심으로 하며, 세 가지 머신러닝 알고리즘을 비교 평가했습니다:
    1. SVM (Support Vector Machine)
    2. MNB (Multinomial Naïve Bayes)
    3. DNN (Deep Neural Network)
  • 최종 모델 (DNN): TensorFlow 와 Keras 라이브러리를 사용하여 순차적 (Sequential) 딥러닝 모델을 구축했습니다.
    • 구조: 입력층 (특징 벡터 수) → 2 개의 은닉층 (각각 128 개, 64 개의 뉴런) → 출력층 (60 개의 의도 클래스).
    • 활성화 함수: 은닉층에는 ReLU, 출력층에는 SoftMax를 사용했습니다.
    • 최적화: 과적합 (Overfitting) 방지를 위해 Dropout (0.2) 을 적용하고, Adam 옵티마이저를 사용했습니다.
    • 학습 설정: 150 에포크 (Epochs), 배치 크기 8.

• 배포 및 인터페이스:

  • 개발된 모델은 Facebook Messenger와 통합되었으며, Flask 웹훅을 통해 처리되어 Heroku 서버에 배포되어 24 시간 접근성을 보장했습니다.

3. 주요 결과 (Key Results)

세 가지 알고리즘의 성능 비교 및 최종 모델의 평가 결과는 다음과 같습니다.

• 성능 비교:

  • DNN (제안 모델): 정확도 91.55%, 정밀도 85.98%, 재현율 87.13%, F1-Score 85.23%.
  • SVM: 정확도 87.96%.
  • MNB: 정확도 60.19%.
  • 활성화 함수 비교: ReLU 가 Sigmoid, Tanh, Linear 대비 가장 우수한 성능을 보였습니다.

• 사용자 만족도 평가:

  • 15 명의 학생 및 교직원을 대상으로 한 설문조사 (리커트 척도) 결과, 전체 사용자 만족도는 **86.2%**로 나타났습니다.
  • 특히 **암하라어 알파벳 변이 지원 (Q3, 96.0%)**과 **사용 편의성 (Q4, 98.6%)**에서 높은 점수를 받았습니다.
  • 단순한 질문과 정의된 의도 범위 내에서 챗봇이 효율적으로 작동함을 확인했습니다.

4. 주요 기여 (Key Contributions)

1. 첫 번째 암하라어 대학 FAQ 챗봇: 대학 도메인의 자주 묻는 질문에 응답할 수 있는 최초의 암하라어 챗봇 프레임워크를 개발했습니다.
2. 딥러닝 기반 성능 향상: 기존 키워드 기반 또는 규칙 기반 시스템과 달리, 딥러닝 (DNN) 을 활용하여 암하라어의 형태론적 복잡성과 문맥을 더 정확하게 이해하고 응답하는 모델을 제시했습니다.
3. 오픈 소스 및 재현성: 학습된 모델, 데이터셋, 소스 코드를 GitHub 에 공개하여 향후 연구의 기반을 마련했습니다.
4. 자원 부족 언어 해결: 자원이 부족한 언어 (Low-resource language) 에 대한 NLP 기술 적용 사례를 제공하며, 지역적 언어 다양성을 지원할 수 있는 가능성을 입증했습니다.

5. 의의 및 향후 과제 (Significance & Future Work)

• 의의: 이 연구는 암하라어 화자 커뮤니티에게 즉각적인 정보 접근성을 제공하며, 대학 행정의 효율성을 높이고 학생들의 학습 경험을 개선하는 실용적인 솔루션을 제시했습니다. 또한, NLP 분야에서 저자원 언어 처리를 위한 중요한 초석 역할을 합니다.
• 한계 및 향후 연구 방향:
  • 데이터 확장: 더 많은 FAQ 데이터셋 확보 및 암하라어 WordNet 통합을 통한 어휘적 공백 해소.
  • 기능 고도화: 감정 분석 (Sentiment Analysis) 도입, 음성 인식 기술 통합, 복잡한 질문 (비교, 절차 질문 등) 처리 능력 강화.
  • 확장성: 다른 에티오피아 언어 지원 및 다양한 도메인으로의 확장.
  • 모델 개선: 순환 신경망 (RNN) 등 더 정교한 신경망 구조 적용을 통한 성능 향상.

이 논문은 딥러닝 기술을 활용하여 지역 언어 (암하라어) 의 자연어 처리 문제를 해결하고, 실제 대학 환경에 적용 가능한 챗봇 시스템을 성공적으로 구축한 의미 있는 연구로 평가됩니다.