Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

기술 요약: 우르두어 본동사-경동사 구분에 대한 문맥적 임베딩의 증거

문제 및 동기
우르두어 문법은 어휘적 동사(V1)가 상(aspect), 완료(completive) 또는 사건 구조적 의미를 기여하면서도 축소된 어휘적 내용을 보이는 두 번째 동사(V2)와 결합하는 경동사 구문(LVC)을 특징으로 한다. 특히 Butt(1995, 2003, 2010)과 Butt 및 Lahiri(2013)의 연구에 따르면, 언어 이론은 경동사가 본동사와는 구별되면서도 특정한 어휘적 관계를 유지한다고 상정하지만, 문맥 기반 언어 모델이 이러한 구분을 인코딩하는지는 여전히 불분명하다. 구체적으로, 인코더 기반 모델의 표현 기하학(representational geometry)이 다음의 이론적 예측을 반영하는지 여부는 알려져 있지 않다: (1) 본동사 용법과 경동사 용법이 체계적으로 차별화되는지, (2) 동일 표제어(same-lemma) 용법이 서로 다른 표제어 쌍보다 서로 더 가깝게 유지되는지, (3) 개별 경동사가 하나의 동질적인 클래스로 붕괴되지 않고 구별 가능한 프로필을 유지하는지 여부이다.

방법론
본 연구는 일곱 가지 전형적인 경동사(āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā)를 포함하는 1,126개의 자연 발생 우르두어 문장을 분석한다. 데이터셋은 1.6GB 규모의 자체 내부 코퍼스에서 추출되었으며, 대상 동사가 문장 종결 위치에 나타나는 문장들을 추출하였다. 주석 작업은 엄격한 3자 합의 프로토콜을 따랐다: 먼저 GPT-5.1이 Butt의 언어적 기준에 근거한 프롬프트를 사용하여 각 문장을 분류하였고, 이후 두 명의 전문 인간 주석가가 GPT가 할당한 레이블을 독립적으로 검토하였다. 세 가지 출처(GPT-5.1, 주석가 1, 주석가 2)가 모두 완전히 일치하는 문장만을 유지하였으며, 단 하나의 불일치라도 발생하는 문장은 폐기하였다.

세 가지 인코더 기반 모델을 평가하였다:

1. UrduBERT: 5.8GB의 중복 제거된 우르두어 코퍼스로부터 처음부터 학습된 BERT-base 모델.
2. DunbaaBERT: 17GB의 우르두어 코퍼스로 학습된 RoBERTa 스타일 모델.
3. Multilingual BERT (mBERT): 우르두어에 특화되어 최적화되지 않은 표준 다국어 모델.

연구 방법론은 마지막 은닉층(final hidden layers)에서 추출된 문맥적 임베딩에 대해 세 가지 보완적 분석을 수행하였다:

• 표현 분리(Representational Separation): 각 동사와 모델에 대해 본동사 용법과 경동사 용법의 중심점(centroid) 간 코사인 거리와 실루엣 점수를 계산하였다. 통계적 유의성은 레이블 순열 검정(label-permutation tests)을 통해 평가되었다.
• 어휘적 관련성(Lexical Relatedness): 동일 표제어의 본동사-경동사 중심점 간 거리를 서로 다른 표제어 간의 거리와 비교하여, 동일 표제어 쌍이 더 가깝게 유지되는지 테스트하였다.
• 동사 특정적 구조(Verb-Specific Structure): 경동사의 정체성을 예측하기 위한 7방향 분류 작업을 수행하였다. 여기에는 대상 동사를 마스크 토큰으로 대체한 "마스크 타겟(masked-target)" 조건과, 반복되는 V1–V2 조합을 넘어 일반화 가능성을 테스트하기 위한 "선행 형태 불일치(preceding-form-disjoint)" 평가가 포함되었다.

주요 결과

• 체계적 차별화: 21개의 모든 동사-모델 비교에서 본동사와 경동사 용법 사이의 유의미한 표현적 분리가 나타났다 ($p < 0.001$). UrduBERT는 가장 큰 중심점 거리(평균 0.177)와 가장 높은 실루엣 점수(평균 0.272)를 보였으며, mBERT와 DunbaaBERT가 그 뒤를 이었다.
• 선형 및 비지도 학습 회복력: 로지스틱 프로빙(Logistic probing)은 모든 모델에서 본동사와 경동사를 구분하는 데 높은 정확도를 달었다 (UrduBERT 평균 F1: 0.997). 그러나 비지도 KMeans 클러스터링 결과, UrduBERT는 평균 조정 랜드 지수(ARI) 0.778을 달 기록한 반면, 다른 모델들은 우연 수준(chance)에 가까운 성능을 보여, 높은 선형 분리성이 두 개의 지배적인 구형 클러스터 형성을 보장하지는 않음을 나타냈다.
• 어휘적 관련성: 모든 모델에서 동일 표제어의 본동사-경동사 중심점이 서로 다른 표제어 쌍보다 일관되게 더 가까웠다. Top-1 매칭 정확도는 모든 모델에서 1.0으로 나타나, 본동사와 경동사 용법이 차별화되면서도 어휘적 관련성을 유지한다는 예측을 뒷받침했다.
• 경동사 정체성: 마스크 타겟 조건에서 UrduBERT는 특정 경동사의 정체성을 예측하는 데 0.866의 정확도와 0.852의 macro-F1을 달성하며 우연 수준을 크게 상회하였다. 선행 형태 불일치 평가에서도 UrduBERT는 0.782의 정확도를 유지하여, 즉각적인 표면적 공기(co-occurrence)를 넘어선 일반화 능력을 보여주었다. DunbaaBERT와 mBERT는 마스크 조건에서 더 낮은 수치를 보였으나 여전히 유의미한 성능을 나타냈다.

의의 및 주장
본 논문은 우르두어 경동사에 대한 Butt의 언어적 설명과 일치하는 계산적 증거를 제공한다. 연구 결과는 문맥적 임베딩이 표제어 특유의 구조를 보존하면서도 본동사와 경동사 용법을 체계적으로 차별화함을 입증한다. 구체적으로, 결과는 경동사가 의미가 없는 문법적 표지가 아니라, 동사 특유의 기여를 유지하며 본동사와 관계를 맺고 있다는 관점을 지지한다.

저자들은 이러한 발견이 특정 형식적 어휘 항목 구조나 통시적 경로를 직접적으로 확립하지는 않지만, Butt의 분석에 따른 표현적 결과를 입증하는 증거를 제공한다고 명시적으로 밝히고 있다. 본 연구는 영어 경동사에 관한 기존 연구를 우르두어로 확장하고, 우르두어 언어 이론의 핵심인 어휘적 관련성 및 동사 특정성에 관한 구체적인 예측을 평가함으로써 이를 보완한다. 결과는 인코더 기반 모델, 특히 단일 언어 우르두어 데이터로 학습된 모델이 경동사 구문의 미묘한 표현 기하학을 포착하고 있음을 시사한다.