BhaRaTa: A Novel Framework for Emotion Analysis of Sanskrit Narratives

당신이 방 안의 사람들의 대화를 듣고 그 분위기를 파악하려는 탐정이라고 상상해 보십시오. 컴퓨터 과학의 세계에서 이것은 '감정 분석(emotion analysis)'이라고 불립니다. 보통 컴퓨터는 기본적인 것들을 아주 잘 잡아냅니다. 누군가가 행복한지 혹은 슬픈지, 어떤 리뷰가 긍정적인지 혹은 부정적인지 같은 것들 말이죠. 하지만 현실 세계, 특히 위대한 이야기들은 단순히 '좋아요'나 '싫어요'로 나눌 수 있는 것보다 훨씬 더 복ox합니다. 인간은 흥분되면서도 동시에 약간 긴장되거나, 화가 나면서도 동시에 자부심을 느끼는 것처럼, 여러 가지 감정이 뒤섞인 어지러운 상태를 경험합니다.

오랫동안 컴퓨터는 감정을 '기쁨', '두려움', '분노'와 같은 카테고리로 분류하는 서구적 심리학 지도를 사용하여 이러한 복잡한 감정을 이해하려고 노력해 왔습니다. 하지만 완전히 다른 지도가 있다면 어떨까요? 수천 년 전 고대 인도에서 그려진 지도 말입니다. 이 논문은 연구자들이 컴퓨터에게 인간의 언어를 읽고 이해하도록 가르치는 자연어 처리(NLP)라는 과학의 한 구석을 파고듭니다. 여기서 핵심 질문은 이것입니다. 우리가 컴퓨터에게 고대 인도의 이론인 '라사(Rasa)'를 사용하여 고대 산스크리트트 문학의 깊고 미묘한 감정을 이해하도록 가르칠 수 있을까? 이 이론은 이야기가 단지 무엇이 일어나는가에 대한 것이 아니라, 독자의 마음속에 만들어내는 특정한 '풍미' 또는 미적 경험에 관한 것이며, 이는 아주 작은 감정적 단서들로부터 구축된다고 제안합니다. 만약 우리가 이 암호를 풀 수 있다면, 컴퓨터가 이야기가 전달되는 방식의 고유한 문화적 역사를 존중하면서, 훨씬 더 인간적인 방식으로 문학을 이해하도록 도울 수 있을 것입니다.

---

감정의 고대 레시피: BhaRaTa

BhaRaTa(Bhāva & Rasa Tagging의 약자) 팀을 만나보십시오. 이들은 IIIT-Hyderabad 출신의 연구진으로, 매우 구체적이고 까다로운 퍼즐을 해결하기로 결심했습니다. 어떻게 하면 컴퓨터에게 산스크리트트 희곡의 감정을 이해하도록 가르칠 수 있을 것인가 하는 문제입니다.

산스크리트어는 언어적 화석과 같은 고대 언어입니다. 아름답지만, 디지털 세상에서는 매우 희귀합니다. 컴퓨터가 학습할 수 있는 수백만 개의 산스크리트어 트윗이나 레딧 게시물이 있지 않습니다. 게다가 희곡 자체도 복잡합니다. 희곡은 단순한 대사만이 아니라 시와 산문이 섞여 있으며, 신체적 행동, 속삭임, 극적인 휴지(pause)로 가득 차 있습니다. 연구진은 표준적인 '서구식' 감정 도구(단순히 '행복'이나 '슬픔' 같은 단어를 찾는 도구)를 사용한다면 그 마법 같은 부분을 놓치게 될 것이라는 점을 알고 있었습니다. 그래서 그들은 드라마에 관한 고대 논서이자, 정서적 경험을 만드는 레시피 북 역할을 하는 '나탸샤스트라(Nāṭyaśāstra)'를 기반으로 한 새로운 프레임워크를 구축했습니다.

재료: 바바(Bhāva)와 라사(Rasa)

그들의 실험을 이해하려면, 먼저 그들의 재료를 이해해야 합니다. 연구진은 고대 텍스트에서 두 가지 주요 개념을 사용했습니다.

1. 바바 (재료): 이것은 가공되지 않은 감정 상태라고 생각하십시오. 극 중에서 등장인물은 갈망, 두려움, 기쁨, 혹은 결단력을 느낄 수 있습니다. 이것들은 구체적이고 순간적인 감정들입니다. 연구진은 텍사 내에서 태깅할 31가지의 이러한 '풍미'를 식별했습니다.
2. 라사 (완성된 요리): 이것은 큰 그림입니다. 그 모든 작은 '바바'들을 특정 방식으로 섞으면, 장면 전체를 지배하는 지배적인 분위기나 미적 경험인 '라사'가 만들어집니다. 이는 밀가루, 설탕, 달걀을 섞어 케이크를 만드는 것과 같습니다. 당신은 더 이상 '밀가루' 맛만을 느끼는 것이 아니라 '케이크' 맛을 느끼게 됩니다. 산스크리트 드라마에서 한 장면은 로맨스, 영웅적 기개, 공포, 혹은 코미디에 의해 지배될 수 있습니다.

팀의 목표는 컴퓨터가 개별 대사의 '재료(바바)'를 분석함으로써 '케이크(장면의 분위기)'의 맛을 배울 수 있는지 확인하는 것이었습니다.

실험: 기계에게 먹이 주기

연구진은 전설적인 극작가 칼리다사(Kālidāsa)의 작품을 포함하여 18개의 유명한 산스크리트 희곡을 수집했습니다. 그들은 텍스트를 정제했습니다(고대 디지털 버전에는 누락된 단어나 오타가 많아 이 작업은 놀랍게도 어려웠습니다). 그리고 희곡을 6,947개의 개별 대사 줄로 나누었습니다.

그 후, 그들은 힘든 작업을 수행했습니다. 모든 줄에 적절한 '바바(감정)'를 태깅하고, 모든 장면에 적절한 '스타이바바(sthāyībhāva, 지배적인 분위기)'를 태깅했습니다. 그들은 이를 돕기 위해 특별한 웹 도구를 만들었으며, 이를 통해 두 명의 서로 다른 사람이 대부분의 경우 태그에 동의하도록 했습니다. 이로써 이전에는 존재하지 않았던 주석이 달린 산스크리트 드라마라는 새로운 데이터 세트, 즉 보물 창고가 만들어졌습니다.

데이터가 준비되자, 그들은 그것을 컴퓨터에 던져 넣었습니다. 그들은 두 가지 주요 접근 방식을 시도했습니다:

1. 줄 단위 테스트: 컴퓨터가 단일 문장을 보고 감정을 추측할 수 있는가? (예: "이 줄은 '기쁨'인가 아니면 '불안'인가?")
2. 장면 테스트: 컴퓨터가 전체 장면을 보고 전체적인 분위기를 추측할 수 있는가? (예: "이 장면은 '로맨틱'한가 아니면 '영웅적'인가?")

그들은 단순한 고전적 수학 모델부터 인간처럼 읽는 화려하고 현대적인 AI 시스템(트랜스포머라고 불리는)에 이르기까지 다양한 유형의 '컴퓨터 뇌'를 테스트했습니다.

결과: 구식 모델이 신식 모델을 이기다

여기서 이야기는 흥ac해집니다. 당신은 초지능적인 현대 AI 모델들이 쉽게 승리할 것이라고 예상할 수도 있습니다. 결국, 그들은 방대한 양의 데이터로 훈련되었으니까요. 하지만 이 경우에는 단순한 구식 모델들이 실제로 더 잘 수행했습니다.

왜 그럴까요? 연구진은 데이터 세트가 너무 작아서 거대한 AI 모델들에게는 무리가 있었기 때문이라고 제고합니다. 산스크리트 희곡은 약 7,000줄밖에 되지 않았습니다. 거대한 AI에게 이것은 단 세 곡의 노래를 듣고 피아노 연주를 배우라는 것과 같습니다. AI는 혼란에 빠져 작동하지 않는 패턴을 암기하려고 애썼습니다. 반면, 더 단순한 모델들은 산스크리트어 단어들 속에 숨겨진 특정 '징후'—즉, 항상 '분노'나 '기쁨'을 의미하는 특정 구절들—를 포착해내는 날카로운 탐정과 같았습니다.

연구진은 문제를 해결하는 가장 좋은 방법이 계층적 접근 방식을 사용하는 것임을 발견했습니다. 컴퓨터에게 한 번에 32개의 감정 중 하나를 맞히라고 요구하는 대신(이는 아이에게 아무런 힌트 없이 52장의 카드 덱에서 특정 카드를 맞히라고 하는 것과 같습니다), 먼저 '카테고리'를 맞히도록(이것이 긍정적인가, 부정적인가, 혹은 혼합된 것인가?) 하고 그 다음에 구체적인 감정을 맞히도록 했습니다. 이 '2단계' 방식은 정확도를 크게 높이며 훨씬 더 효과적이었습니다.

장면 전체의 분위기를 추측하는 데 있어서, 컴퓨터는 감정의 분포를 살펴보는 것이 핵심임을 발견했습니다. 만약 한 장면에 '기쁨'과 '갈망'의 줄이 많다면, 컴퓨터는 그 장면이 '로맨틱'하다고 정확하게 추측할 수 있었습니다. 흥미롭게도, 감정을 먼저 세어보지 않고 장면의 원문 텍스트만 읽어서 분위기를 추측하는 것은 더 어렵고 정확도가 낮았습니다. 이 고대 희곡들의 경우, 원문 단어 자체보다 작은 감정들의 '혼합'이 더 강력한 단서가 된다는 점을 시사합니다.

효과가 없었던 것들

연구진은 또한 사용 가능한 가장 최신의 강력한 AI 모델들(Llama 3.1과 같은 거대 언어 모델)을 사용해 보기도 했습니다. 그들은 이 모델들에게 직접 감정을 추측하도록 요청했습니다. 결과는 실망스러웠습니다. 모델들은 매우 형편없는 성능을 보였으며, 자주 틀렸습니다. 연구진은 이러한 범용 AI 모델들이 아직 이 특정 작업에 준비되지 않았다고 제안합니다. 즉, 이 미묘한 고대 희곡의 뉘앙스를 이해하기 위해서는 산스크리트어에 대한 더 많은 훈련이 필요하다는 것입니다.

시사점

이 논문은 인간의 감정이라는 미스터리를 해결했다고 주장하는 것이 아닙니다. 대신, 기초를 닦는 데 목적이 있습니다. 이 논문은 다음을 보여줍니다:

• 우리는 2,000년 된 이론에 기반한 프레임워크를 사용하여 컴퓨터에게 고대 인도의 감정을 성공적으로 가르칠 수 있습니다.
• 산스크리트어와 같이 자원이 부족한 언어의 경우, 거대한 AI보다 더 단순하고 똑똑한 모델이 종종 더 효과적입니다.
• 복잡한 문제(32개의 감정 맞히기)를 작은 단계(먼저 카테고리 맞히기)로 나누는 것이 컴퓨터의 정확도를 훨씬 높여줍니다.

연구진은 이것이 시작일 뿐이라며 기대감을 드러내고 있습니다. 그들은 이 "BhaRaTa" 프레임워크를 사용하여 서사시나 시와 같은 다른 유형의 산스크리트 문학을 분석하고, 궁극적으로는 이러한 아이디어를 다른 인도 언어들에 적용하기를 희망합니다. 그들은 고대의 지혜와 현대 기술이 섞여 새로운 것을 만들어낼 수 있으며, 수천 년 동안 살아남은 이야기들의 감정적 깊이를 이해하는 데 도움을 줄 수 있음을 증명했습니다.