1. 연구 배경 및 문제 제기 (Problem)

• 배경: 오스트로네시아어족 (Austronesian) 의 많은 언어, 특히 인도네시아 술라웨시 (Sulawesi) 섬의 언어들은 기본 어휘 (Basic vocabulary) 중 상당 부분이 조어 (Proto-form) 로 재구 (reconstruction) 되지 못하거나, 표준 음운 규칙과 일치하지 않는 형태를 보입니다.
• 전통적 해석: 이러한 비규칙적인 어휘는 오스트로네시아 확장 이전에 존재했던 선어 (pre-Austronesian) 어족의 어원적 기저 (substrate) 의 잔재로 간주되어 왔습니다.
• 문제점: 그러나 '음운적 비준수성 (phonological non-conformity)'이 반드시 '공통된 비오스트로네시아 기원'을 의미하는지는 체계적으로 검증된 바가 없습니다. 전통적인 비교 방법론은 전문가의 깊은 지식을 요구하며 대규모 데이터셋에 적용하기 어렵고, 기존 계산 언어학 접근법도 종종 어원성 (cognacy) 데이터에 의존하여 순환 논리 (circularity) 의 위험이 있습니다.
• 연구 질문: 음운적 특징만으로 오스트로네시아 계통 어휘와 비주류 (비계통 또는 독립적 혁신) 어휘를 구분할 수 있는가? 그리고 이러한 비주류 어휘들이 단일한 선어 기저에서 유래했는가, 아니면 각 언어의 독립적 혁신인가?

2. 방법론 (Methodology)

연구는 6 개 술라웨시 언어 (Muna, Bugis, Makassar, Wolio, Toraja-Sa'dan, Tolaki) 의 1,357 개 어휘 (Swadesh-210 목록 기반) 를 분석 대상으로 삼았습니다.

A. 데이터 라벨링 (Rule-Based Subtraction)

• E022 (규칙 기반): ABVD (Austronesian Basic Vocabulary Database) 의 어원성 코드를 기반으로 어휘를 분류했습니다.
  1. ABVD 어원성 코드 보유 → '오스트로네시아'로 분류.
  2. 잘 알려진 차용어 (산스크리트, 아랍, 말레이) 제거.
  3. Proto-Austronesian (PAn) 재구와 교차 검증 (Blust, 2013) 을 통해 누락된 어휘 복구.
  4. 결과: 잔여된 438 개 (26.5%) 를 '후보 기저 어휘 (candidate substrate)'로 라벨링했습니다. 이는 Positive-Unlabeled (PU) 학습 문제로 접근되었습니다.

B. 머신러닝 분류기 (ML Classification)

• 이중 모델 설계 (Two-model design):
  • Model A (전체 특징): 어원성 데이터 포함. (순환적 기준선, 성능 검증용)
  • Model B (음운론 전용): 어원성 데이터를 완전히 배제하고 26 개의 음운론적 및 분포적 특징만 사용. (과학적 주장의 핵심)
• 특징 공학 (Feature Engineering):
  • 음운론적 특징 (10 개): 어휘 길이 (음절 수), 모음 비율, 종성 유무, 초기 자음 클래스, 성문 파열음 (glottal stop) 유무, 자음 군집 (consonant clusters) 수, 중첩 (reduplication) 유무, 오스트로네시아 접두사 (ma-, pa- 등) 부재 여부 등.
  • 기타: 의미 영역 (동사, 명사 등), 언어별 식별자, 문서화 깊이 (cognacy coverage rate) 등.
• 모델 및 검증: XGBoost, Random Forest, Logistic Regression 사용. 5-fold 교차 검증 및 Leave-One-Language-Out (LOLO) 교차 검증을 수행하여 언어 간 일반화 능력을 평가했습니다.
• 해석 가능성: SHAP (SHapley Additive exPlanations) 를 사용하여 어떤 음운 특징이 분류에 기여하는지 분석했습니다.

C. 교차 검증 및 군집화 (Consensus & Clustering)

• 합의 분석: 규칙 기반 (E022) 과 ML (Model B) 의 결과를 교차하여 '고신뢰도 비주류 어휘 (Consensus Substrate)'를 도출했습니다.
• 군집화 분석: 합의된 어휘들이 단일 기저 언어에서 유래했다면 언어 간 유사해야 한다는 가설을 검증하기 위해 Ward 계층적 군집화, DBSCAN, 그리고 교차 언어적 레벤슈타인 거리 (Levenshtein distance) 테스트를 수행했습니다.

3. 주요 결과 (Key Results)

A. 분류 성능

• Model B (음운론 전용) 은 어원성 데이터 없이도 AUC = 0.763 (±0.007) 의 우수한 성능을 보였습니다. 이는 음운적 특징만으로도 오스트로네시아 계통과 비계통 어휘를 통계적으로 유의미하게 구분할 수 있음을 의미합니다.
• LOLO 검증: 6 개 언어 중 5 개 언어에서 AUC ≥ 0.65 를 달성하여, 학습된 '음운 지문 (phonological fingerprint)'이 특정 언어에 국한되지 않고 일반화됨을 확인했습니다.
• 강건성 테스트:
  • IPA 변환: 표기법 (orthography) 을 IPA 로 근사 변환해도 성능 변화가 미미함 (AUC 변화 < 0.01).
  • 특징 제거: '언어별 어원성 커버리지'라는 혼란 변수를 제거하면 오히려 성능이 소폭 향상됨.

B. 발견된 '음운 지문 (Phonological Fingerprint)'

SHAP 분석을 통해 비주류 어휘를 특징짓는 5 가지 주요 음운적 패턴이 도출되었습니다:

1. 더 긴 형태: 평균 2.57 음절 (오스트로네시아 기본 어휘는 보통 2 음절).
2. 자음 군집 증가: (C)V(C) 구조를 벗어난 자음 병렬 현상.
3. 성문 파열음 (Glottal stops) 빈도 증가: 성문 파열음 기호 (P 또는 ') 의 높은 출현률.
4. 표준 접두사 부재: 오스트로네시아 전형적인 접두사 (ma-, pa-, ka- 등) 가 적음.
5. 의미 영역 편향: 동사 (Action verbs) 가 비주류 어휘 후보에서 과대표됨 (44%).

C. 기저 언어 가설의 반증 (Negative Result)

• 군집화 실패: 266 개의 고신뢰도 비주류 어휘를 군집화한 결과, 일관된 어족 (word families) 이 형성되지 않았습니다 (Silhouette score = 0.114, 거의 무작위 수준).
• 교차 언어 유사성 부재: 동일한 개념을 나타내는 어휘 간 레벤슈타인 거리가 무작위 어휘보다 유의하게 짧지 않았습니다 (p = 0.569).
• 결론: 비주류 어휘들은 단일한 선어 기저 (single pre-Austronesian language layer) 의 잔재가 아니라, 각 언어가 독립적으로 혁신 (parallel independent innovations) 한 결과일 가능성이 높습니다.

D. 지리적 패턴

• 16 개 추가 언어에 적용한 결과, 술라웨시 언어들은 서부 인도네시아 언어들에 비해 예측된 비주류 어휘 비율이 유의하게 높았습니다 (술라웨시 평균 0.606 vs 서부 0.393).

4. 주요 기여 및 의의 (Contributions & Significance)

1. 순환 논리 회피를 위한 방법론적 혁신: 어원성 데이터를 라벨링에 사용하되, 분류 모델 학습 시 이를 배제하는 '이중 모델 설계'를 통해 음운론적 특징만으로 비준수성을 탐지할 수 있음을 입증했습니다.
2. 기저 언어 가설에 대한 제약 조건 제시: 전통적으로 '비규칙적인 어휘 = 공통 기저'로 해석되던 관점에 도전하여, 이러한 어휘들이 병렬적 독립 혁신일 가능성을 강력하게 시사했습니다. 이는 비교 언어학의 해석에 중요한 제약 조건을 제공합니다.
3. 계산 언어학과 전통 언어학의 보완적 관계: 머신러닝이 대규모 어휘를 스크리닝하여 전문가의 주의를 환기시키는 도구로 활용될 수 있음을 보였습니다. (규칙 기반 방법 60.7% 일치, ML 만이 발견한 3.0% 등)
4. 역사적 기록과의 수렴 (Hanacaraka Script): 자바어 한아카라카 (Hanacaraka) 문자가 산스크리트어에서 차용된 자음 중 오스트로네시아 음운 체계에 없는 것들 (파열음, 후치음 등) 을 제거한 역사적 사실이, 본 연구의 ML 모델이 발견한 '음운 지문'과 정확히 일치함을 지적하여 모델의 타당성을 강화했습니다.

5. 한계 및 향후 과제

• 데이터 한계: 표기법 (Orthography) 기반 분석으로 인한 음운학적 왜곡 가능성 (IPA 변환 테스트로 일부 보완됨).
• 형태론적 분석 부재: 접사 (infix, suffix) 에 의한 자음 군집과 어근 내부의 자음 군집을 구분하지 못함.
• 레이블 노이즈: '비주류' 라벨이 실제 기저 어휘인지, 아니면 단순히 어원성 데이터가 누락된 오스트로네시아 어휘인지에 대한 불확실성 존재.
• 향후 작업: CLTS 도구를 이용한 완전한 IPA 변환, Swadesh-210 을 넘어선 전체 사전 데이터 적용, 그리고 Tolaki 등 고신뢰도 후보에 대한 현장 조사 (fieldwork) 를 통한 어원학적 검증 필요.

요약

이 논문은 머신러닝을 활용하여 술라웨시 언어의 기본 어휘에서 음운적 비준수성 (phonological non-conformity) 을 탐지하는 새로운 프레임워크를 제시했습니다. 연구는 비주류 어휘가 명확한 '음운 지문'을 공유하지만, 이는 단일한 선어 기저의 흔적이 아니라 각 언어의 독립적 혁신일 가능성이 높음을 보여주었습니다. 이는 오스트로네시아 언어의 기원과 접촉 역사에 대한 기존 해석을 재검토하게 하는 중요한 계기를 마련했습니다.