거대한 도서관을 걷고 있다고 상상해 보세요. 그곳은 모든 책, 기사, 소셜 미디어 게시물이 누군가의 마음을 들여다보는 창문과 같습니다. 때때로 두 사람이 시위나 새로운 법률처럼 정확히 같은 사건을 바라보더라도, 그들은 완전히 다른 이야기를 써 내려갑니다. 한 사람은 이를 "자유를 위한 투쟁"이라 부르는 반면, 다른 한 사람은 "혼란"이라고 부를 수도 있습니다. 이것은 단순히 거짓말을 하는 문제가 아니라, 바로 **관점(perspective)**에 관한 문제입니다. 컴퓨터와 언어의 세계(자연어 처리, NLP라고 불리는 분야)에서 과학자들은 이러한 서로 다른 창문들을 이해할 수 있는 기계를 만들기 위해 노력해 왔습니다. 그들은 '감성(sentiment, 글쓴이가 행복한가 슬픈가?)', '입장(stance, 동의하는가 반대하는가?)', '프레임(frames, 어떤 각도로 보여주는가?)', '이데올로기(ideology, 어떤 거대한 신념이 이들을 움직이는가?)'와 같은 이름의 수많은 도구들을 발명했습니다.

하지만 문제는 도서관이 점점 무질서해지고 있다는 점입니다. 연구자들은 이 도구들을 설명하기 위해 너무나 많은 서로 다른 명칭을 사용해 왔기에, 어떤 것이 어떤 작업에 적합한지 구분하기가 어렵습니다. 이는 마치 누군가는 망치를 "못을 미는 것", 다른 이는 "금속 막대", 또 다른 이는 "건설 도우미"라고 부르는 공구 상자와 같습니다. 집을 지으려면 정확히 어떤 도구를 집어야 할지 알아야 합니다. 명확한 지도 없이는, 연구자들이 실수로 못을 박는 데 드라이버를 사용하여 혼란스러운 결과를 초래할 수도 있습니다. 이 논문은 그 공구 상자를 정리하고, 도구들을 분류하며, 우리가 더 나은, 더 공정하고, 더 이해심 깊은 AI를 만들 수 있도록 명확한 가이드를 제공하기 위해 등장했습니다.

---

위대한 관점의 지도: 혼돈을 정리하다

이 논문의 저자인 아그네세 다파라(Agnese Daffara), 세바스찬 파도(Sebastian Padó), 타니세 세론(Tanise Ceron)은 이 무질서한 공구 상자 문제를 정면으로 다루기로 했습니다. 그들은 단순히 추측하지 않았습니다. 그들은 수천 편의 연구 논문을 샅샅이 뒤지는 거대한 보물찾기를 통해 컴퓨터 과학에서 "관점"을 설명하는 데 사용되는 모든 개념을 찾아냈습니다. 그들은 매우 크고 추상적인 것(예: 가치관, 이데올로기)부터 매우 작고 구체적인 것(예: 논거, 의미론적 프레임)에 이르기까지 15가지의 서로 다른 개념을 수집했습니다.

이 혼란을 이해하기 위해, 그들은 이 개념들을 이야기 속의 등장인물처럼 취급하며 다음과 같이 질문했습니다. "이 캐릭터들은 어떻게 행동하는가?" 그들은 각 개념에 대해 네 가지 특정 특성을 살펴보았습니다:

1. 언어적 단서(Linguistic Cues): 이 개념이 사용된 단어 속에 명확하고 뚜렷한 흔적을 남기는가(예: 큰 외침), 아니면 행간을 읽어야 하는 숨겨진 형태인가(예: 속삭임)?
2. 세밀도(Granularity): 이 개념이 이야기 전체에 퍼져 있는가(예: 영화 전체의 분위기), 아니면 단 하나의 문장이나 구절에 머물러 있는가(예: 특정 농담)?
3. 개체 특정성(Entity-Specificity): 이것이 특정 인물이나 사물에 관한 것인가(예: "도널드 트럼프"), 아니면 일반적인 것에 관한 것인가?
4. 클래스 수(Number of Classes): 이것을 바구니에 분류할 때, 두 개의 바구니(예/아니오)만 필요한가, 아니면 무지개처럼 다양한 색깔의 바구니가 필요한가?

발견: 단 하나의 구체성의 선

저자들은 이 15가지 개념이 각각 네 가지 특성에서 어떻게 점수를 받는지 분석한 후, 놀랍고도 아름다운 사실을 발견했습니다. 그들은 이 모든 서로 다른 개념들이 무작위로 흩어져 있는 것이 아니라는 것을 발견했습니다. 대신, 이들은 마치 줄에 꿰어진 구슬처럼 하나의 곧은 직선 위에 완벽하게 정렬되어 있었습니다.

자(ruler)를 상상해 보세요. 한쪽 끝에는 가장 일반적이고 거시적인 아이디어들이 있습니다. 이것들은 **가치관(Values)**이나 이데올로기(Ideology) 같은 것들입니다. 이것들은 텍xt의 "날씨"와 같아서, 어디에나 존재하며 단 하나의 문장에 고정하기 어렵고, 특정 단어에 의존하지 않고도 느껴집니다. 이들은 모든 것을 형성하는 배경 신념입니다.

자형태의 도구를 따라 다른 쪽 끝으로 이동할수록, 개념들은 더 구체적이고 더 언어적이 됩니다. 여러분은 **입장(Stances)**과 감성(Sentiment)(대상에 대한 개인적인 감정과 관련된 것)을 지나, **주제(Topics)**와 프레임(Frames)(정보가 어떻게 선택되고 강조되는지와 관련된 것)를 통과하게 됩니다. 마지막으로, 매우 날카롭고 구체적인 끝부분에는 논거(Arguments), 주장(Claims), 그리고 **의미론적 프레임(Semantic Frames)**이 있습니다. 이것들은 관점의 "현미경"과 같습니다. 이들은 특정 문장, 특정 단어, 그리고 특정 논리 구조에 묶여 있습니다. 이들은 더 큰 그림을 만들어내는 구체적인 구성 요소들입니다.

이 논문은 이것이 단순한 우연이 아니라고 제안합니다. 저자들은 계층 구조를 제안합니다. 즉, 구체적인 언어적 장치(논거 등)는 벽돌이고, 추상적인 이데올로기는 그 벽돌로 쌓아 올린 성입니다. 벽돌 없이 성을 가질 수는 없지만, 벽돌을 어떻게 쌓느냐를 보기 전까지는 그 벽돌만으로는 성이 어떤 모습인지 알 수 없습니다.

왜 중요한가: 결정 트리(Decision Tree)

저자들은 단순히 예쁜 선을 그리는 데 그치지 않고, 이를 유용하게 만들고자 했습니다. 그들은 연구자들이 자신의 특정 작업에 맞는 도구를 선택하는 데 종종 어려움을 겪는다는 점을 깨달았습니다. 그래서 누구나 이 공간을 탐색할 수 있도록 돕는 결정 트리(플로우차트)를 만들었습니다.

실제 작동 방식은 다음과 같습니다:

• 시나리오 A: 만약 당신이 다양한 정치적 견해를 보여주는 뉴스 앱을 만들고 싶다면, 단순히 "행복"하거나 "슬픈" 단어를 찾는 것에 그쳐서는 안 됩니다. 당신은 글쓴이의 깊고 근본적인 신념을 포착해야 하므로 이데올로기와 가치관을 찾아야 합니다.
• 시나리오 B: 만약 당신이 두 개의 서로 다른 뉴스 채널이 동일한 범죄를 어떻게 다루는지 분석하고 싶다면, 프레임에 더 주목할 수 있습니다. 이는 그들이 단순히 무엇을 생각하는지가 아니라, (예: 피해자에 집중하는지 vs 경찰에 집중하는지 등) 어떻게 이야기를 전달하기로 선택했는지를 보여줍니다.
• 시나리오 C: 만 만약 당신이 토론의 양측 모두를 논리적으로 펼칠 수 있는 챗봇을 만들려고 한다면, 논거와 주장에 집중해야 합니다. 이것들은 봇이 설득력 있게 들리기 위해 밟아야 할 구체적인 논리적 단계들입니다.

결론

이 논문은 관점의 문제를 "해결했다"고 주장하는 것이 아닙니다. 대신, 이 개념들을 구체성에 기반한 명확한 계층 구조로 정리함으로써, 연구자들이 바퀴를 다시 발명하는 수고를 멈출 수 있다고 제안합니다. 이는 그들이 자신의 연구에 적합한 "렌즈"를 선택하도록 도와줍니다.

만약 당신이 논쟁의 깊은 문화적 뿌리를 연구하고 있다면, 자의 넓은 쪽 끝(이데올로기)을 바라보십시오. 만약 특정 문장이 어떻게 책임을 전가하는지를 연구하고 있다면, 자의 날카로운 끝(논거)을 바라보십시오. 이 스펙트럼을 이해함으로써, 우리는 단순히 단어를 세는 것이 아니라 인간이 세상을 보는 다양한 방식을 진정으로 이해하는 AI를 구축할 수 있습니다. 이는 기술이 인간의 의견을 하나의 지루한 답변으로 평면화하는 것이 아니라, 그 복잡성을 존중하도록 만드는 중요한 단계입니다.