기술 보고서 요약: 일차 논리 (FOL) 논증에 대한 문맥 민감형 다단계 유사성 프레임워크

이 논문은 형식적 논증 (Formal Argumentation) 분야에서 일차 논리 (First-Order Logic, FOL) 기반의 논증 간 유사성을 측정하기 위한 새로운 프레임워크를 제안합니다. 기존 연구가 주로 명제 논리 (Propositional Logic) 에 집중했던 것과 달리, 본 연구는 구조화된 내용을 가진 FOL 논증의 복잡성을 해결하고, 언어 모델과 논리적 구조를 결합한 하이브리드 접근법을 제시합니다.

1. 문제 정의 (Problem)

• 기존 연구의 한계: 기존 논증 유사성 측정 기법들은 대부분 명제 논리에 국한되어 있습니다. FOL 로 확장된 연구들도 존재하지만, 변수 인스턴스화 (variable instantiation) 로 인한 확장성 문제와 구문적 근접성 (syntactic proximity) 을 처리하는 데 어려움을 겪고 있습니다.
• 실제 응용의 필요성: 논증 집계 (argument aggregation), 은유적 논증 (enthymeme) 해독, 의사결정 지원, XAI(설명 가능한 인공지능) 등 다양한 분야에서 논증의 존재 여부뿐만 아니라 논증 간의 유사성 정도를 정량화할 필요가 있습니다.
  • 예시: 두 논증 (A1, A2) 이 동일한 주장 (q) 을 지지하지만, 세 번째 논증 (A3) 은 관련 없는 주장 (r) 을 지지할 때, A1 과 A2 의 중복된 정보를 고려하지 않으면 대상 논증의 수용도가 과도하게 낮아질 수 있습니다. 유사성을 고려한 접근은 이러한 중복을 감지하여 평가의 정확도를 높입니다.

2. 방법론 (Methodology)

저자들은 FOL 논증 유사성을 계산하기 위해 4 단계 계층적 모델과 문맥 민감형 가중치를 도입한 프레임워크를 제안합니다.

2.1 논리적 전처리 및 CNF 변환

• 입력된 FOL 논증은 **합성 정규형 (CNF, Conjunctive Normal Form)**으로 변환됩니다.
• 존재 양화사 (Existential Quantifiers) 를 처리하기 위해 **스켈로미제이션 (Skolemization)**을 적용하여 변수를 상수로 대체함으로써, 변수 인스턴스화로 인한 계산 복잡도를 줄이고 구조적 비교를 용이하게 합니다.

2.2 4 단계 다단계 유사성 모델 (Multi-Level Similarity Model)

유사성은 하위 수준에서 상위 수준으로 점진적으로 계산됩니다:

1. 술어 및 용어 유사성 ($sim_P$): 기본 구성 요소 (예: Dog, Tease) 간의 의미적 유사성을 계산합니다. (SBERT 와 같은 언어 모델을 활용하거나 구문적 동일성 기반)
2. 리터럴 유사성 ($sim_L$): 술어와 인자 (arguments) 의 유사성을 결합하여 리터럴 (예: Tease(dog, monkey)) 간의 유사성을 계산합니다. 순서 민감도와 순서 불변성을 모두 고려한 가중 평균 방식을 사용합니다.
3. 절 (Clause) 유사성 ($sim_C$): 리터럴 유사성을 기반으로 퍼지 트버스키 (Fuzzy Tversky) 유사성 측정을 적용하여 절 간의 유사성을 계산합니다.
4. 논리식 (Formulae) 및 논증 유사성 ($sim_S, sim_{Arg}$): 절들의 집합 (전제와 주장) 을 비교하여 전체 논증의 유사도를 도출합니다.

2.3 문맥 민감형 가중치 (Context-Sensitive Weighting)

• 논증의 각 구성 요소 (술어, 인자, 절) 에 상황에 따른 가중치를 부여합니다.
• 예를 들어, '강아지 (dog)'나 '원숭이 (monkey)'와 같은 핵심 개체나 '장난치다 (tease)'와 같은 행동은 '동물원 (zoo)'과 같은 배경 정보보다 더 높은 가중치를 받아 유사성 계산에 큰 영향을 미칩니다.
• 이는 단순한 텍스트 유사도가 아닌, 논증의 구조적 중요도를 반영한 해석 가능한 점수를 제공합니다.

2.4 공리적 기반 (Axiomatic Foundations)

제안된 프레임워크는 논증 유사성이 가져야 할 이상적인 성질을 보장하는 **공리 (Principles)**들을 정의하고 이를 만족하는지 수학적으로 증명했습니다.

• 주요 공리: 최대성 (Maximality), 대칭성 (Symmetry), 치환성 (Substitution), 문법 독립성 (Syntax Independence - 선택적), 최소성 (Minimality), 비영 (Non-Zero), 단조성 (Monotony), 강화 (Reinforcement) 등.

3. 주요 기여 (Key Contributions)

1. 확장된 공리적 기반: FOL 논증 유사성을 위한 새로운 공리 체계를 정립하여, 유사성 계산의 이론적 타당성을 보장합니다.
2. 구조화된 파라미터 모델: 술어, 리터럴, 절, 논리식이라는 4 단계 계층을 통해 논증의 내부 구조를 세밀하게 분석할 수 있는 모델을 제시합니다.
3. 하이브리드 접근법:
   • 구문 민감형 (Syntax-Sensitive): 언어 모델 (SBERT 등) 을 사용하여 의미적 유사성을 포착하는 모델.
   • 구문 비의존형 (Syntax-Independent): 구문적 동일성만 고려하는 모델.
   • 두 모델 모두 문맥 가중치를 통합하여 인간이 인지하는 중요도 반영을 가능하게 합니다.
4. 해석 가능성 (Interpretability): 블랙박스 방식의 임베딩 기반 방법과 달리, 유사성 점수가 어떤 구성 요소 (전제 vs 주장, 특정 술어 등) 에 의해 어떻게 결정되었는지 **상징적 분해 (Symbolic Decomposition)**를 통해 설명할 수 있습니다.

4. 결과 및 실험 (Results)

• STSb 데이터셋 사례: "강아지가 원숭이를 장난치다"와 "원숭이가 강아지를 장난치다"라는 문장의 유사성을 평가했습니다.
  • SBERT: 0.985 (역할 교환을 고려하지 않음).
  • S3BERT: 0.990 (해석 가능성 제공 but 비전문가에게 명확하지 않음).
  • ChatGPT-4o: 0.400 (역할 교환을 지적했으나 정량화 부족).
  • 본 논문 모델: 0.628 (인간 평가 평균 0.630 에 근접).
  • 의미: 본 모델은 위치 정보 (완전 일치) 와 행동 주체/대상 교환 (중요도 높은 부분) 을 구분하여 가중치를 적용함으로써, 인간과 가장 유사한 판단을 내렸습니다.
• 논증 비교: 서로 다른 논증 (A1, A2, A3) 간의 전제와 주장의 유사성을 가중치 ($\eta$) 를 조절하여 비교했습니다. $\eta$ 값에 따라 어떤 논증이 더 유사한지가 달라지는 것을 보여주어, 맥락에 따른 유연한 유사성 평가가 가능함을 입증했습니다.
• 공리 만족도: 제안된 두 모델 군 (구문 민감형 및 비의존형) 이 정의된 14 가지 공리 중 대부분 (13 개 이상) 을 만족함을 수학적으로 증명했습니다.

5. 의의 및 결론 (Significance)

• 이론적 기여: FOL 기반 논증 유사성 측정을 위한 최초의 포괄적인 하이브리드 프레임워크를 제시하여, 논리적 구조와 의미적 유사성을 통합하는 새로운 기준을 마련했습니다.
• 실용적 가치: 자연어 논증 (Natural Language Argumentation) 분석, 논증 클러스터링, 은유적 논증 해독, 그리고 점진적 의미론 (Gradual Semantics) 기반의 논증 평가 시스템에 직접 적용 가능합니다.
• 해석 가능성: "왜 두 논증이 유사한가?"에 대해 구성 요소별 유사도와 가중치를 통해 투명하게 설명할 수 있어, XAI 및 의사결정 지원 시스템에 필수적인 신뢰성을 제공합니다.
• 향후 연구: 비대칭 유사성 측정, 계층별 공리 정의, 그리고 실제 텍스트 유사성 벤치마크에서의 대규모 평가 등을 통해 프레임워크를 더욱 정교화할 계획입니다.

결론적으로, 이 연구는 복잡한 FOL 논증 간의 유사성을 정량화할 때 구조적 엄밀성과 의미적 유연성, 그리고 해석 가능성을 동시에 달성하는 획기적인 방법론을 제시했습니다.