데이터 제약은 소프트웨어 시스템에서 허용되거나 요구되는 데이터 값을 명시하는 중요한 비즈니스 규칙이지만, 주로 자연어 텍스트 형태로 소프트웨어 아티팩트에 기술됩니다. 본 연구는 자연어 소프트웨어 문서에서 데이터 제약을 자동으로 식별하는 과제에 초점을 맞춥니다.
이를 위해 9개 소프트웨어 시스템의 자연어 아티팩트에 기술된 546개 데이터 제약을 분석하여, 이해관계자들이 자연어로 데이터 제약을 기술할 때 사용하는 9가지 언어적 담화 패턴을 발견하고 문서화했습니다. 이 패턴들을 활용하여 제약 식별 및 추출 문제를 텍스트 매칭 및 분류 문제로 재정의했습니다.
발견된 담화 패턴과 기타 언어적 요소를 특징으로 사용하여, 문장 단편을 데이터 제약 설명으로 자동 분류하는 전통적인 기계 학습 기법의 적합성을 탐색했습니다. 최적의 특징 조합과 학습기는 63.63%의 정밀도, 61.40%의 재현율(F1 점수 62.34%)을 달성했습니다.
자연어 텍스트에서 데이터 제약을 자동으로 추출하는 것은 코드 추적성, 테스트 생성, 규정 준수 분석 등 다양한 소프트웨어 개발 활동의 자동화를 위해 필수적입니다.
저작자 분석은 법의학 언어학, 학술 연구, 사이버 보안, 디지털 콘텐츠 인증 등 다양한 분야에서 중요한 역할을 수행합니다. 본 논문은 저작자 귀속(Authorship Attribution)과 저작자 검증(Authorship Verification)이라는 두 가지 핵심 하위 작업을 중심으로 2015년부터 2024년까지의 연구를 체계적으로 검토합니다.
이 연구는 전통적인 머신러닝(ML) 방식부터 딥러닝(DL) 모델, 그리고 대규모 언어 모델(LLM)에 이르는 최신 방법론들을 탐구하며, 이들의 발전 과정, 강점, 그리고 한계를 조명합니다. 주요 기여는 각 방법론, 기술, 해당 특징 추출 기법, 사용된 데이터셋, 그리고 저작자 분석 분야의 새로운 도전 과제에 대한 상세한 분석을 포함합니다.
주요 연구 결과는 저자 분석 분야의 중요한 연구 격차를 드러냅니다. 특히 저자들은 저자 분석이 저자원 언어 처리, 다국어 적응, 교차 도메인 일반화, 그리고 인공지능 생성 텍스트 탐지 분야에서 시급하게 해결해야 할 과제들을 강조합니다.
본 검토는 저작자 분석의 최신 동향과 과제에 대한 포괄적인 개요를 제공함으로써 연구자들에게 도움을 주고자 합니다. 또한, 미래 연구를 위한 잠재적 영역을 제시하여 다양한 텍스트 도메인에서 보다 우수하고 신뢰할 수 있으며 정확한 저작자 분석 시스템 개발을 지원하는 것을 목표로 합니다.
인공지능(AI)이 생성한 팟캐스트가 얼마나 자연스럽게 느껴지는지, 그리고 현재 어떤 한계가 있는지 탐색하는 연구가 진행되었습니다. 인간 대화의 핵심 요소인 턴 주고받기 타이밍과 상황에 적절한 역할 행동을 중심으로, Google의 NotebookLM 오디오 개요 기능으로 생성된 팟캐스트와 실제 인간이 제작한 팟캐스트를 비교 분석했습니다.
인간은 이전 화자의 발언 종료 시점을 정확히 예측하여 최소한의 중첩이나 공백으로 대화에 참여하며, 대화의 흐름 속에서 불필요한 반복을 피하고 관련 정보를 제공하는 등 사회적으로 적절한 행동 규칙을 따릅니다. 이러한 인간 대화의 핵심 요소들은 음성 인식, 콘텐츠 전달의 적절성, 음성 생성 기술의 발전에도 불구하고 인공 대화 생성에 여전히 큰 도전 과제를 제시합니다.
NotebookLM은 스크립트 작성 시 턴 주고받기와 백채널링을 포함하여 발언 종료 시점 예측의 어려움을 회피합니다. 이는 중첩이나 공백을 엄격히 피하는 방식으로, 인간 팟캐스트 대화에서 관찰되는 참여를 위한 중첩과는 다릅니다. 인간은 호스트와 게스트 간의 역동적인 변화를 민감하게 인지하고 참여를 위해 의도적으로 중첩을 사용하기도 하지만, AI는 이러한 유연성이 부족합니다.
본 연구는 대화의 자연스러움이 단순히 타이밍을 맞추는 것을 넘어, 대화의 전개 방식에 반응하는 상황 적절하고 청자 지향적인 접근 방식을 요구한다고 주장합니다. 새로운 인간 개입 기능 실험 결과, 역할 행동과 턴 주고받기를 미리 결정하는 방식은 예측 불가능한 개입에 대한 AI의 반응에서 한계를 보였습니다. 가변적인 턴 주고받기 타이밍과 즉흥적인 대화에서 역할 행동을 조정하는 능력은 자연스러운 대화에 필수적인 인간 고유의 기술로 남아있습니다.
의료 AI, 특히 3D 영상 분야의 발전은 포괄적인 데이터셋 부족으로 제약을 받아왔습니다. 본 연구는 3D 의료 영상과 해당 텍스트 보고서를 결합한 공개 데이터셋인 CT-RATE를 소개합니다. CT-RATE는 21,304명의 환자로부터 얻은 25,692개의 비조영 흉부 CT 스캔과 방사선 보고서로 구성됩니다.
CT-RATE를 활용하여, 특정 작업 훈련 없이 광범위하게 적용 가능한 CT 중심의 대조 언어-영상 사전 학습 프레임워크인 CT-CLIP을 개발했습니다. 또한, CT-CLIP의 비전 인코더와 사전 학습된 대규모 언어 모델을 결합하여 3D 흉부 CT 볼륨을 위한 비전-언어 기반 대화 모델인 CT-CHAT을 구축했습니다.
CT-CLIP은 다중 이상 감지 및 사례 검색에서 최첨단 완전 지도 학습 모델을 모든 주요 지표에서 능가하는 성능을 보였습니다. CT-CHAT은 CT-RATE 데이터셋에서 파생된 270만 개 이상의 질문-답변 쌍으로 미세 조정되었으며, 3D 의료 영상 분야의 전문화된 방법론의 필요성을 강조합니다.
CT-RATE, CT-CLIP, CT-CHAT의 오픈소스 공개는 3D 의료 영상의 핵심 과제를 해결하고, 의료 AI 혁신 및 환자 치료 개선을 위한 기반을 마련할 것입니다.
