💬 NLP

Translationese as a Rational Response to Translation Task Difficulty

이 논문은 번역문과 원저작물 간의 체계적 차이인 '번역체 (translationese)'가 단순한 언어적 간섭이 아니라, 원문 복잡성과 언어 간 전이 난이도 등 번역 작업의 인지적 부하에 대한 합리적 반응임을 정보이론적 지표와 LLM 을 활용한 실험을 통해 입증했습니다.

원저자: Maria Kunilovskaya

게시일 2026-03-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Maria Kunilovskaya

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 번역된 글이 왜 원래 그 언어로 쓴 글과 조금 다르게 보이는지, 그 이유를 **인간의 뇌가 겪는 '번역의 고생'**에서 찾은 흥미로운 연구입니다.

핵심 내용을 일상적인 비유로 설명해 드릴게요.

1. "번역투 (Translationese)"란 무엇일까요?

번역된 글을 읽다 보면 "아, 이건 번역이구나"라는 느낌이 들 때가 있죠. 문장이 너무 직역되어 어색하거나, 설명이 불필요하게 길거나, 표현이 단순해 보이는 경우입니다. 언어학자들은 이를 **'번역투 (Translationese)'**라고 부릅니다.

기존 연구들은 이를 번역가의 실수, 문화적 차이, 혹은 언어 쌍 (예: 영어↔독일어) 의 특성 때문이라고 설명해 왔습니다. 하지만 이 논문은 **"아니요, 이건 번역가의 실수가 아니라, 뇌가 일을 쉽게 하려고 선택한 '합리적인 전략'입니다"**라고 주장합니다.

2. 핵심 비유: "무거운 짐을 나르는 트럭"

번역 작업을 무거운 짐을 싣고 목적지까지 가는 트럭 운전에 비유해 볼까요?

원문 (Source Text): 출발지에 있는 무거운 짐입니다.
번역 (Translation): 짐을 내리고 새로운 차에 싣는 과정입니다.
번역투 (Translationese): 짐이 너무 무거울 때, 트럭이 속도를 줄이거나, 짐을 더 안전하게 묶거나, 복잡한 경로를 피해서 가는 것입니다.

이 논문은 **"짐이 얼마나 무거운가 (작업의 난이도)"**가 **"트럭이 어떻게 움직이는가 (번역투의 정도)"**를 결정한다는 것을 증명하려 했습니다.

3. 연구의 두 가지 주요 발견

① "짐이 무거울수록, 트럭은 더 조심스럽게 간다" (작업 난이도 vs 번역투)

연구진은 AI 를 이용해 원문의 난이도 (단어가 얼마나 예측하기 어려운지, 문장이 얼마나 복잡한지) 를 측정했습니다.

결과: 원문이 매우 복잡하고 난해할수록, 번역된 글은 더 많이 '번역투'를 띠게 되었습니다.
이유: 번역가는 복잡한 내용을 완벽하게 전달하면서도 동시에 자연스러운 문장을 만들려고 하면 뇌가 과부하가 걸립니다. 이때 뇌는 "완벽함"보다 "안전함"을 선택합니다. 즉, 원문의 구조를 그대로 가져오거나 (직역), 설명을 덧붙이는 등 뇌가 처리하기 쉬운 방식을 택하는 것입니다. 이는 실수가 아니라 뇌의 에너지 절감 전략입니다.

② "도로 상황 (말하기 vs 글쓰기) 에 따라 운전 방식이 다르다"

이 연구는 글로 번역하는 경우와 입으로 통역하는 경우를 비교했는데, 재미있는 차이가 나왔습니다.

글로 번역할 때 (Written):
- 상황: 시간이 좀 더 있습니다.
- 반응: 원문이 어렵고 복잡하면, 번역가는 원문의 복잡한 구조를 그대로 따라가려 합니다. 그래서 원문과 더 비슷해지고 (번역투가 강해집니다). 마치 무거운 짐을 천천히, 꼼꼼하게 싣는 것과 같습니다.
말로 통역할 때 (Spoken):
- 상황: 실시간으로 해야 하므로 뇌에 엄청난 압박이 걸립니다.
- 반응: 원문이 어렵고 복잡하면, 오히려 번역투가 줄어듭니다. 통역사는 복잡한 문장을 버리고, 가장 쉽고 빠른 말로 요약해서 전달합니다. 마치 무거운 짐을 너무 무거우면 일부러 버리거나, 가장 쉬운 길로 빠르게 도망가는 것과 같습니다.
- 결론: 통역사가 더 유창하고 자연스러운 말을 할수록, 사실은 그 순간 뇌가 더 큰 스트레스를 받고 있었다는 신호일 수 있습니다.

4. 왜 이 연구가 중요할까요?

기존에는 번역투를 "질 낮은 번역"으로 보거나, 단순히 언어적 특징으로만 보았습니다. 하지만 이 연구는 **"번역투는 번역가가 뇌의 한계를 극복하기 위해 사용하는 합리적인 도구"**라고 설명합니다.

정보 이론 (Information Theory) 의 역할: 연구진은 AI(대형 언어 모델) 를 이용해 "이 단어가 다음에 올 확률이 얼마나 낮은가?"를 계산했습니다. 이 수치가 높을수록 (예상하기 어려울수록) 뇌의 부하가 커지고, 그 결과 번역투가 더 강하게 나타났습니다. 이는 전통적인 문법 분석보다 더 정확하게 번역의 어려움을 예측했습니다.

5. 한 줄 요약

"번역된 글이 어색해 보이는 건 번역가가 서툴러서가 아니라, 원문이 너무 어려워서 뇌가 '안전 모드'로 전환했기 때문입니다. 특히 글로 번역할 때는 원문을 그대로 따라가려 하지만, 입으로 통역할 때는 뇌가 과부하가 걸리면 오히려 더 간결하고 자연스러운 말로 변신합니다."

이 연구는 번역이라는 복잡한 인간 활동을 이해하는 데, **인지과학 (뇌가 어떻게 일하는지)**과 **데이터 과학 (AI 분석)**을 결합한 새로운 시각을 제시했습니다.

1. 연구 배경 및 문제 정의 (Problem)

번역체 (Translationese) 의 정의: 번역된 텍스트는 원천 언어로 직접 작성된 타겟 텍스트와 체계적으로 다른 통계적 편향을 보입니다. 이를 '번역체'라고 하며, 이는 종종 '제 3 의 코드 (third code)'로 불립니다.
기존 연구의 한계: 기존 연구들은 번역체를 생산 경향성 (간섭, 단순화 등), 사회문화적 변수, 언어 쌍의 효과 등으로 설명해 왔으나, 이러한 요소들을 통합하는 통일된 설명 체계가 부족했습니다.
연구 질문: 번역체가 번역 작업 자체에 내재된 **인지적 부하 (Cognitive Load)**의 결과로 볼 수 있는가? 그리고 정보 이론 (Information Theory, IT) 기반의 난이도 측정을 통해 번역체의 발생을 예측하고 설명할 수 있는가?

2. 방법론 (Methodology)

2.1 데이터 (Data)

코퍼스: EPIC-EuroParl-UdS (유럽 의회 토론의 영어 - 독일어 쌍방향 코퍼스).
모드: **문서 (Written)**와 구어 (Spoken, 동시통역) 두 가지 모드를 포함.
구성: 원문 (Source), 번역문 (Target), 그리고 비교 가능한 원저작 텍스트 (Originals) 로 구성됨.

2.2 번역체 측정 (Translatedness Score)

정의: 번역된 텍스트의 정도를 나타내는 점수.
측정 도구: 이진 분류기 (Binary Classifier) 를 사용하여 '번역본 (Target)'과 '원저작 (Original)'을 구분하는 확률을 번역체 점수로 정의.
특징: 문서 단위보다 세그먼트 (Segment) 단위로 분석하여, 각 문장/구절의 번역체 정도를 정량화.
피처: 문법 형태, 품사, 구문 의존성, 어순 등 58 가지 언어학적 현상을 기반으로 한 구조적 특징 (Kunilovskaya et al., 2024) 사용.

2.3 번역 작업 난이도 모델링 (Translation Task Difficulty)

번역 난이도를 두 가지 주요 구성 요소로 정의하고 이를 정량화함:

원문 이해 난이도 (Source Comprehension): 원문 자체의 복잡성.
언어 간 전이 난이도 (Cross-lingual Transfer): 원문에서 타겟 언어로 매핑하는 과정의 복잡성.

난이도 지표 (Features):

정보 이론 (IT) 기반:
- Surprisal (놀라움): LLM (GPT-2 계열) 을 기반으로 한 단어/토큰의 예측 불가능성 ( $S(w) = -\log_2 P(w|context)$ ). 원문 이해 난이도 (src_gpt_AvS) 와 전이 난이도 (mt_AvS) 로 구분.
- 엔트로피 (Entropy): 주어진 원문 항목에 대한 타겟 번역 해법의 불확실성 (tot_entropy). 해법이 다양할수록 인지적 부하가 높음.
구조적 (Structural) 지표:
- 구문 트리 깊이, 분기 계수, 의존 거리 (Mean Dependency Distance), 문장 수, 어휘 밀도 등 전통적인 언어학적 특징.

2.3 실험 설정

모델: 선형 SVM (분류), 선형 회귀 (번역체 점수 예측).
분석: 10 교차 검증 (Cross-validation), SHAP (Shapley Additive exPlanations) 을 통한 피처 중요도 분석.
비교: 언어 쌍 (영어→독일어 vs 독일어→영어) 과 모드 (문서 vs 구어) 간 차이 분석.

3. 주요 결과 (Key Results)

3.1 번역체 분류 성능

세그먼트 단위 분류기는 문서 단위보다 성능이 낮았으나 (F1 약 60%), 번역체의 정도를 연속적인 점수로 의미 있게 포착함.

3.2 회귀 분석 결과 (난이도가 번역체를 설명하는 정도)

전반적 설명력: 번역 작업 난이도는 번역체 점수의 분산 중 **6%~21%**를 설명함 ( $R^2$ ).
방향성 차이: 영어→독일어 (En→De) 방향에서 설명력이 가장 높음 (문서 모드에서 $R^2=0.21$ ). 독일어→영어 (De→En) 는 설명력이 낮음 ( $R^2=0.10$ ).
구성 요소 비교:
- 문서 모드: 언어 간 전이 (Transfer) 난이도 지표가 원문 복잡성 (Source) 지표보다 번역체 예측에 더 강력한 영향을 미침.
- 구어 모드 (통역): 전이 난이도와 원문 난이도의 영향력이 비슷함.
지표 유형 비교:
- 문서 모드: 정보 이론 (IT) 기반 지표 (Surprisal, Entropy) 가 전통적 구조적 지표보다 성능이 우수하거나 동등함.
- 구어 모드: 전통적 구조적 지표가 IT 지표보다 더 강력한 예측력을 보임.

3.3 모드의 비대칭성 (중요 발견)

문서 번역: 원문 난이도 (구조적 복잡성 등) 가 높을수록 번역체 점수도 높아짐 (정적 상관관계). 즉, 복잡한 원문은 더 번역체적인 번역을 낳음.
구어 통역: 원문 난이도가 높을수록 오히려 번역체 점수가 낮아지는 (부적 상관관계) 경향을 보임.
- 해석: 통역사는 인지적 부하가 증가할 때, 번역체적 특징을 줄이고 유창성 (Fluency) 을 우선시하는 **단순화 (Simplification)**나 보상 전략을 사용함.

3.4 주요 예측 변수

가장 강력한 예측 인자: 원문 구문 복잡성 (Syntactic complexity) 과 번역 해법의 엔트로피 (Translation-solution entropy). 이는 언어 쌍과 모드에 관계없이 일관되게 높은 예측력을 보임.

4. 주요 기여 및 의의 (Contributions & Significance)

통합적 설명 체계 제시: 번역체를 단순한 '품질 저하'가 아니라, **인지적 부하를 관리하기 위한 합리적 전략 (Rational Trade-off)**으로 재해석함. 번역가는 정확성과 유창성 사이에서 인지적 비용을 최소화하는 방향으로 선택을 함.
정보 이론의 적용: LLM 기반의 Surprisal 과 엔트로피 같은 정보 이론적 지표가 전통적 언어학적 특징만큼이나, 혹은 그 이상으로 번역 난이도와 번역체 간의 관계를 설명할 수 있음을 입증.
모드별 전략 차이 규명: 문서 번역과 구어 통역이 인지적 부하에 대해 완전히 다른 반응 (번역체 증가 vs 감소) 을 보인다는 점을 실증적으로 확인. 이는 번역과 통역이 서로 다른 인지적 프로세스를 가진다는 이론을 지지함.
방향성 의존성: 영어→독일어 방향에서 번역체와 난이도의 관계가 더 명확하게 나타남을 발견.

5. 결론

이 연구는 번역체가 번역 작업의 복잡성에 대한 인지적 반응임을 보여주며, 정보 이론적 접근을 통해 이를 정량적으로 설명할 수 있음을 입증했습니다. 특히, 번역체가 번역 품질의 결함이 아니라, 제한된 인지 자원을 효율적으로 분배하기 위한 합리적인 의사소통 메커니즘일 수 있다는 관점을 제시합니다. 이는 번역 품질 평가, 통역 훈련, 그리고 기계 번역 시스템의 인간 번역 모방 능력 평가 등에 중요한 시사점을 제공합니다.