"Write in English, Nobody Understands Your Language Here": A Study of Non-English Trends in Open-Source Repositories

1. 연구 배경 및 문제 정의 (Problem)

오픈소스 소프트웨어 (OSS) 생태계는 역사적으로 코드, 문서, 개발자 간 상호작용의 주된 언어로 영어를 사용해 왔습니다. 그러나 전 세계적 참여의 증가와 유니코드 (Unicode) 등 비라틴 문자 지원 기술의 발전으로 OSS 는 점차 다국어화되고 있습니다.

기존 연구들은 오픈소스 내 비영어 콘텐츠의 존재를 제한적으로 탐구했거나, 언어 장벽이 신규 기여자에게 미치는 영향에 초점을 맞췄을 뿐, 시간의 흐름에 따른 대규모 코드 및 커뮤니케이션 데이터에서의 다국어화 추이를 체계적으로 분석한 연구는 부재했습니다. 또한, 언어 사용의 변화가 프로젝트의 가시성, 협업 효율성, 그리고 참여도에 어떤 영향을 미치는지에 대한 실증적 데이터가 부족했습니다.

2. 연구 방법론 (Methodology)

이 연구는 2015 년 1 월부터 2025 년 5 월까지의 GitHub 데이터를 기반으로 한 대규모 실증 분석을 수행했습니다.

• 데이터 규모:
  • 커뮤니케이션 데이터: GHArchive 를 통해 수집된 약 91.4 억 개의 이슈, 풀 리퀘스트 (PR), 리뷰, 토론 메시지.
  • 코드 데이터: 5 개 주요 프로그래밍 언어 (JavaScript, Python, Java, TypeScript, C#) 로 작성된 62,500 개의 리포지토리에서 추출된 코드 패치 및 문서.
  • 언어 범위: 30 개 이상의 자연어 (한국어, 중국어, 러시아어 등 포함) 를 분석 대상에 포함.
• 분석 파이프라인:
  1. 데이터 수집 및 전처리: GHArchive 이벤트 로그 및 GitHub REST API 를 활용하여 메타데이터와 소스 코드를 추출.
  2. 언어 감지 (Language Detection):
     • 커뮤니케이션 텍스트: Lingua 라이브러리를 사용 (신뢰도 임계값 0.9 적용).
     • 코드 내 텍스트: 짧은 텍스트와 혼합 언어 처리에 강점이 있는 Google Cloud Translation API 사용.
     • 검증: ROC 곡선 분석을 통해 모델의 정확도 (AUC 0.91) 를 검증하고 오탐지를 최소화.
  3. 코드 요소 분석: 식별자 (Identifiers), 함수/클래스명, 문자열 리터럴 (String Literals), 주석 (Comments) 을 파싱하여 비영어 사용 빈도 측정.
  4. 통계적 분석: 비모수 검정 (Kruskal-Wallis H-test, Mann-Whitney U-test) 을 사용하여 언어 카테고리 간 참여도, 가시성, 이슈 해결 시간 등의 차이를 통계적으로 검증.

3. 주요 연구 질문 및 결과 (Key Findings)

RQ1: 오픈소스 개발이 다국어화되고 있는가?

• 결과: 2015 년에서 2025 년 사이 이슈 및 PR 내 비영어 콘텐츠 비율이 164% 증가했습니다 (2015 년 4.2% → 2025 년 11.3%).
• 트렌드: 2019 년 이후 참여 역학에서 구조적인 변화가 발생했으며, 2022 년 이후 비영어 메시지가 연간 10% 를 상회하며 지속적인 증가세를 보임.

RQ2: 가장 널리 사용되는 비영어 자연어는 무엇인가?

• 주요 언어: 중국어 (3.8%), 한국어 (1.9%), 일본어 (1.5%), 러시아어 (1.0%), 베트남어 (0.18%) 가 상위권을 차지.
• 성장률: 한국어가 가장 급격히 증가하여 2015 년 0.3% 에서 2025 년 5.2% 로 약 1,706% 성장. 중국어는 120% 성장.
• 원인: 한국 정부의 오픈소스 활성화 정책 및 지역 기반 개발자 커뮤니티의 활성화가 주요 요인으로 분석됨.

RQ3: 코드 자체 (주석, 리터럴 등) 가 다국어화되고 있는가?

• 주석 및 리터럴: 비영어 주석은 3.6% 에서 11.9% 로, 문자열 리터럴은 3.2% 에서 9.6% 로 크게 증가.
• 식별자 (Identifier): 변수명, 함수명, 클래스명은 여전히 영어 중심 (비영어 사용률 0.3% 미만) 으로 유지. 이는 프로그래밍 언어의 문법 제한, 키패드 입력의 어려움, 도구 지원 부족 등이 원인.
• 문서 (README): 비영어 README 비율이 3.7% 에서 13.0% 로 증가하여 프로젝트 접근성 향상.

RQ4: 프로그래밍 언어별 다국어화 경향은 다른가?

• 차이점: Java, Python, JavaScript는 비영어 주석 및 리터럴 사용이 활발한 반면, C# 과 TypeScript 는 상대적으로 낮음.
• 이유: Java 와 Python 은 글로벌 교육 및 기업 환경에서 널리 사용되며, 특히 LLM(대형 언어 모델) 의 코드 생성 지원이 비영어 콘텐츠 증가에 기여한 것으로 보임.

RQ5: 다국어 리포지토리에서 언어적 마찰 (Friction) 은 발생하는가?

• 언어 강제 (Enforcement): "Write in English" 또는 "请写中文 (중어로 작성하세요)"와 같은 언어 사용 요구가 빈번하게 발견됨. 이는 영어 중심 프로젝트뿐만 아니라 비영어 프로젝트 내에서도 발생.
• 협상: 일부 프로젝트는 번역 도구를 활용하거나 언어를 전환하며 유연하게 대응하지만, 언어 규범에 대한 갈등은 여전히 존재.

RQ6: 비영어 콘텐츠가 소프트웨어 개발 관행에 부정적인 영향을 미치는가?

• 참여도 (Comments/Contributors): 영어 중심 프로젝트가 비영어 또는 다국어 프로젝트보다 훨씬 많은 참여자 수와 댓글을 기록. 비영어 프로젝트는 가시성 부족으로 인해 외부 기여를 유치하기 어려움.
• 가시성 (Stars): 영어 프로젝트가 별 (Star) 수에서 압도적으로 우세하여 프로젝트의 인지도와 자금 조달 기회에 불이익을 줌.
• 이슈 해결 시간 (Resolution Time): 역설적 발견: 영어 중심 프로젝트가 이슈 해결에 가장 느린 반면 (중앙값 7.17 일), 비영어 프로젝트는 가장 빠름 (3.39 일). 이는 영어 프로젝트의 규모와 글로벌 참여로 인한 조정 오버헤드 때문으로 추정됨.

4. 연구의 의의 및 기여 (Significance)

1. 대규모 실증 데이터 제공: 오픈소스 생태계의 다국어화 추이를 코드, 문서, 커뮤니케이션 전반에 걸쳐 10 년간 분석한 최초의 대규모 연구.
2. 포용성과 가시성의 트레이드오프 발견: 비영어 사용은 지역 개발자의 접근성을 높여 포용성을 증대시키지만, 동시에 프로젝트의 글로벌 가시성과 참여도를 낮추는 '언어적 장벽'을 형성함을 규명.
3. 도구 및 인프라 개선 제안:
   • 현재 영어 중심인 오픈소스 분석 도구, 모더레이션 시스템, IDE, LLM 이 비영어 사용자를 배제하지 않도록 개선 필요.
   • 자동 번역, 다국어 지원 봇, 언어별 토크니메이션 (Toxicity) 감지 모델 개발의 필요성 강조.
4. 정책적 시사점: 개발자 인구통계학적 데이터만으로는 실제 참여 패턴을 설명할 수 없으며, 언어적 역동성과 경제적 요인을 함께 고려해야 함을 제시.

5. 결론

이 연구는 오픈소스가 점차 다국어화되고 있음을 확인했으나, 이로 인해 언어적 표현의 자유와 커뮤니티의 포용성 사이에서 가시성과 협업 효율성 사이의 긴장 관계가 발생하고 있음을 보여줍니다. 향후 오픈소스 생태계의 지속 가능한 성장을 위해서는 언어 장벽을 해소할 수 있는 기술적 도구와 포용적인 커뮤니티 거버넌스가 필수적입니다.