mdok-style at SemEval-2026 Task 9: Finetuning LLMs for Multilingual Polarization Detection
이 논문은 22 개 언어에 걸쳐 익명화되고 사례가 변형된 텍스트로 증강된 훈련 데이터에 QLoRA 를 적용하여 중간 규모 LLM 을 미세 조정함으로써 강력한 다국어 양극화 감지를 달성하는 SemEval-2026 태스크 9 를 위한 mdok 스타일 접근법을 제시합니다.
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
인터넷을 22 개 다른 국가에서 온 사람들이 외치고, 다투고, 때로는 폭동을 일으킬 준비를 하는 거대하고 시끄러운 광장으로 상상해 보세요. SemEval-2026 Task 9는 이 광장을 위한 스마트한 "경비원"을 구축하는 대회였습니다. 목표는 단순히 외침을 막는 것이 아니라, 의견 불일치가 양극화—사람들이 더 이상 경청하지 않고 증오하기 시작하며 종종 혐오 발언과 사회적 혼란으로 이어지는 위험한 분열—로 전환되는 특정 순간을 포착하는 것이었습니다.
이 논문의 배후에 있는 mdok-style 팀은 다양한 AI 기법을 clever하게 혼합한 디지털 경비원을 구축했습니다. 그들이 어떻게 했는지 간단히 설명해 드리겠습니다:
1. 핵심 전략: 카멜레온 탐정
22 개 언어 각각에 맞는 22 명의 경비원을 만드는 대신, 그들은 22 개 언어를 한 번에 이해하도록 훈련된 하나의 슈퍼 탐정을 만들었습니다. 그들은 "중간 크기"의 대규모 언어 모델 (LLM) 을 사용했는데, 이는 텍스트의 패턴을 파악하는 방법을 아는 매우 잘 읽은 사서와 같습니다.
이 사서를 더욱 날카롭게 만들기 위해, 그들은 QLoRA라는 기법을 사용했습니다. 이는 사서에게 가볍고 조절 가능한 안경을 제공하는 것과 같습니다. 사서의 전체 뇌를 다시 쓰는 것 (이는 영원히 걸리고 천문학적인 비용이 듦) 대신, 렌즈를 약간 조정하여 사서가 양극화를 포착하는 작업에 집중할 수 있도록 했습니다.
2. 훈련: "만약에?" 시나리오
가장 큰 도전 과제는 훈련 데이터 (경비원이 배운 예시들) 가 완벽하지 않았다는 점입니다. 이를 해결하기 위해 팀은 데이터 증강을 사용했는데, 이는 AI 를 위한 "만약에?" 시뮬레이터와 같습니다.
그들은 모든 훈련 문장을 가져와 AI 가 표면 너머를 보도록 가르치는 네 가지 "왜곡된" 버전을 만들었습니다:
- 익명화기: 이름, 이메일, 전화번호를
[USER]나[EMAIL]같은 일반 태그로 대체했습니다. 이는 AI 가 누가 말하고 있는지에 집중하는 것이 아니라 무엇을 말하고 있는지에 집중하도록 가르쳤습니다. - 대소문자 변환기: 텍스트를 모두 소문자나 모두 대문자로 바꿨습니다. 이는 외침 (ALL CAPS) 이나 속삭임 (lowercase) 이 논쟁의 의미를 바꾸지 않는다는 것을 AI 에게 가르쳤습니다.
- 동형 글리프 트릭: 이것이 가장 창의적인 부분이었습니다. 그들은 다른 문자 체계에서 온 닮은 글자로 문자를 교체했습니다 (예: 라틴어 'a'를 키릴 문자 'а'로 교체). 이는 컴퓨터를 속이기 위해 악의적인 행위자들이 자주 사용하는 트릭입니다. 이러한 "가짜" 버전으로 AI 를 훈련시킴으로써, 그들은 AI 가 위장을 꿰뚫어 보고 그 아래에 숨겨진 양극화를 포착하도록 가르쳤습니다.
3. 세 단계의 탐지
대회에는 세 가지 단계가 있었고, 팀은 범죄를 해결하는 탐정처럼 이를 처리했습니다:
- 1 단계 (경보): 이 텍스트가 양극화된 것입니까, 아니면 아닙니까? (예/아니오). 시스템은 이 부분에서 매우 뛰어났으며, 신뢰할 수 있는 연기 감지기와 같은 역할을 했습니다.
- 2 단계 (동기): 양극화는 무엇에 관한 것입니까? 정치적, 인종적, 종교적, 아니면 성별 기반입니까? 이는 범죄자의 동기를 추측하는 것처럼 더 어려웠습니다.
- 3 단계 (방법): 양극화는 어떻게 표현되고 있습니까? 비인간화 언어, 극단적인 모욕, 또는 공감 부족을 사용하고 있습니까? 이는 범죄에서 사용된 특정 무기를 분석하는 것처럼 가장 어려운 단계였습니다.
4. 결과: 혼합된 결과
팀의 시스템은 일부 스포츠에서는 뛰어나지만 다른 스포츠에서는 어려움을 겪는 강한 운동선수와 같은 성능을 보였습니다:
- 승리: "양극화되었는가?" 게임 (1 단계) 에서 시스템은 챔피언이었습니다. 많은 언어에서 상위 20% 안에 들었습니다. 이는 정상적인 논쟁과 위험한 양극화를 성공적으로 구분했습니다.
- 고난: "어떻게 표현되었는가?" 게임 (3 단계) 에서 시스템은 주저했습니다. 그것은 종종 "공감 부족"과 "무효화"와 같은 서로 다른 유형의 나쁜 행동을 혼동했습니다.
- 언어 격차: 시스템은 중국어와 네팔어와 같은 언어에서는 훌륭하게 작동했지만, 하우스어와 같은 다른 언어에서는 어려움을 겪었습니다. 이는 프랑스어와 스페인어에는 유창하지만 스와힐리어에는 혼란을 겪는 번역가와 같습니다.
5. 부수 실험: "감정 레이더"
팀은 Appraisal Theory라는 다른 접근법도 시도했습니다. 이는 단순히 단어를 읽는 것이 아니라 사건에 대해 사람이 어떻게 느끼는지 (예: "이 사람은 통제당한다고 느끼는가? 이것이 즐거운가?") 이해하려는 "감정 레이더"라고 상상해 보세요.
- 그들은 이를 더 작은 데이터 세트로 테스트했습니다.
- 결과는 유망했지만 완벽하지는 않았습니다. 이는 감정 뒤에 있는 인지적 이유 (왜 누군가 화를 내는지) 를 이해하는 것이 이번에는 주요 승자가 아니었지만 미래에 양극화를 탐지하는 비밀 병기가 될 수 있음을 보여주었습니다.
결론
mdok-style 팀은 여러 언어에 걸친 온라인 양극화를 포착할 수 있는 유연하고 다국어 AI 경비원을 구축할 수 있음을 증명했습니다. 훈련 중에 텍스트의 왜곡된 버전으로 AI 를 "속임"으로써, 그들은 더 튼튼하고 신뢰할 수 있도록 만들었습니다. 아직 완벽하지는 않습니다—특히 양극화의 정확한 유형을 파악할 때—하지만 외침이 폭력으로 변하기 전에 우리의 디지털 광장을 더 안전하게 만드는 확실한 한 걸음입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.