기술 요약: 언어 지역 식별을 위한 체계적 방법론을 향하여

문제 정의

언어 유형론은 전 세계 7,000개 이상의 언어를 비교함으로써 언어의 보편적 특성을 식별하고자 한다. 이 분야의 지속적인 과제는 관찰된 언어 간의 유사성이 보편적 압력이 아닌 공유된 조상(계통)이나 지리적 인접성(접촉)에서 기인할 수 있는 자기상관(autocorrelation)(흔히 "갈톤의 문제(Galton's problem)"로 불림)이다. 이를 완화하기 위해 연구자들은 통제 변수, 구체적으로 **언어 가족(language families)**과 **매크로에어리어(macroareas, 잠재적 접촉이 일어나는 지리적 영역)**를 사용한다.

현재 매크로에어리어는 대륙이나 육지(예: Hammarström and Donohue, 2014; Nichols, Witzlack-Makarevich, and Bickel, 2013)와 일치하는 전문가 결정을 통해 정의된다. 이러한 수동적 접근 방식은 다음과 같은 몇 가지 한계를 지닌다:

• 시간 소모가 크고 광범위한 도메인 지식을 요구한다.
• 인간의 오류와 불일치에 취약하다 (예: "중국 피진 영어"를 태평양에 위치함에도 불구하고 유라시아로 잘못 분류하는 경우).
• 영역의 경계와 크기가 다소 임의적이며, 다양한 규모의 지역을 위해 이를 정의하는 체계적이고 재현 가능한 방법이 부족하다.
• 기존 방법은 대륙 분할을 넘어 "상대적으로 임의적인 크기"의 언어 지역을 식별하는 데 용이하지 않다.

방법론

본 논문은 언어의 공간적 분포를 기반으로 언어 지역을 식-별하기 위한 체계적인 비지도 지리적 클러스터링 방법을 제안한다. 방법론은 다음과 같이 진행된다:

1. 데이터 소스: 본 연구는 Glottolog V5.3 데이터베이스, 특히 22,000개 이상의 글로토코드(glottocode)를 포함하는 languages_and_dialects_geo.csv 파일을 활용한다. 이 중 **8,889개의 '랑구오이드(languoids)'**가 유효한 위도 및 경도 좌표를 보유하고 있다.
2. 지리적 표현:
   • 좌표를 구체상의 거리를 정확하게 계산하기 위해 **2D(위도/경도)에서 3D 데카르트 공간(Cartesian space)**으로 변환한다.
   • 힐베르트 거리(Hilbert distance) 대신 **유클리드 거리(Euclidean distance)**를 측정 방식으로 선택한다. 힐베르트 변환은 데이터베이스 쿼리에 효율적이지만, 인접한 점들이 1차원 시퀀스에서 분리되는 "불연속성 오류"를 유발할 수 있다. 유클리드 거리는 낮은 복잡도로 2D 국소성을 보존한다.
3. 클러스터링 알고리즘:
   • K-평균(K-Means) 알고리즘은 계산 효율성과 단순성 때문에 채택되었다.
   • 알고리즘은 클러스터 개수의 범위($k = 2$부터 $20$까지)에 대해 실행된다.
   • 클러스터 품질을 평가하기 위해 각 $k$에 대한 **실루엣 점수(Silhouette scores)**를 계산한다. 가장 높은 점수를 얻은 $k$가 최적의 클러스터 개수로 선택된다.
4. 적용 범위:
   • 글로벌 규모: 전 세계 매크로에어리어를 도출하기 위해 전체 데이터셋에 적용된다.
   • 로컬 규모: 방법론의 소규모 지역 적용 가능성을 테스트하기 위해 발칸 Sprachbund(잘 알려진 언어 접촉 지역)를 둘러싼 제한된 데이터 하위 집합에 적용된다.

주요 결과

글로벌 매크로에어리어

• 알고부터는 가장 높은 실루엣 점수를 기준으로 6개의 최적 매크로에어리어($k=6$)를 식별하였다.
• 전문가 그룹화와의 비교: 결과로 나온 K-평균 클러스터는 기존 Glottolog 매크로에어리어와 놀라운 유사성을 보인다.
• 정교화: 수학적 접근 방식은 전문가 정의에 대한 구체적인 개선 사항을 제시한다. 특히, 이 알고리즘은 히말라야 산맥이나 왈라시아 선(Wallace line)과 같이 역사적으로 인간 이동의 장벽으로 상정되어 온 알려진 지리적 장벽에서 지역을 자연스럽게 분리한다. 또한, 이 알고리즘은 호주를 별도의 클러스터로 분리할 것을 제안하는데, 이는 더 넓은 대륙적 그룹화에서 놓칠 수 있는 미묘한 차이이다.

로컬 슈프라흐분트 (발칸 반도)

• 발칸 지역에 적용했을 때, 알고리즘은 16개의 클러스터($k=16$)를 식별하였다.
• 해석: 발칸 지역에 대한 결과는 전통적인 언어학적 "언어 지역"에 대해 덜 결정적이다. 본 논문은 이 방법이 순수하게 지리적이며 언어적 특징에 무관(agnostic)하기 때문에, 입력 데이터의 해상도에 민감하다고 언급한다.
• 한계점: 언어를 대표하기 위해 단일 점(중심점)을 사용하는 것은 언어 영토의 실제 범위를 가릴 수 있다. 저자는 **폴리곤(다각형)**을 사용하거나 공간 해상도를 높이는 것이 국지적 접촉 지역을 식별하는 데 도움이 될 것이라고 제안한다.

의의 및 주장

본 논문은서의 문제를 확정적으로 해결했거나, 이 새로운 클러스터가 모든 유형론 연구에 있어 우월한 통제 변수임을 증명했다고 주장하지 않는다. 대신, 다음과 같은 겸허한 주장을 한다:

1. 체계적 접근: 본 연구는 완전한 수동 주석에 대한 의존을 넘어, 임의의 크기를 가진 언어 지역을 식별하기 위한 최초의 체계적이고 수학적인 접근 방절을 제공한다.
2. 전문가 지식의 검증: K-평균 클러스터와 전문가 정의 매크로에어리어 사이의 강력한 일치는 현재의 지리적 그룹화에 담긴 직관을 검증하며, 재현 가능한 프레임워크를 제공한다.
3. 탐색 도구: 이 방법의 주요 효용성은 탐색적 도구로서의 역할이다. 연구자들은 공간적 추세와 패턴을 관찰하여 매크로에어리어 멤버십에 관한 결정을 내리는 데 도움을 받을 수 있다.
4. 미래의 경험적 연구: 본 논문은 이러한 수학적으로 도출된 조정(예: 호주 분리, 히말라야 고려)이 유형론적 발견에 차이를 가져올지는 경험적인 문제라고 상정한다.
5. 최선의 관행(Best Practices): 본 연구는 (Guzmán Naranjo와 Becker, 2022; Becker와 Guzmán Naranjo, 2025a와 같이) 부상하는 최선의 관행에서 설명하는 바와 같이, 유형론 연구에서 일관된 통제 변수(언어 지역 및 가족)를 사용하는 것의 필요성을 강화한다.

결론적으로, 본 논문은 지리적 좌표의 비지도 클러스터링이 언어 지역을 정의하는 데 도움을 주는 실행 가능하고 원칙적인 방법이며, 지리적 근접성에 의해 유도되는 패턴을 이해하기 위한 출발점 역할을 할 수 있다고 주장한다.