[논문]계산주의적 시각단어재인 모델에서의 시각이웃과 음운이웃 효과

임희석; 박기남; 남기춘

문제 정의

본 논문에서 제안한 모델에 의해 한국어의 이웃의 단위를 음절로 가정하고, 철자이웃과 음운이웃의 많고 적음에 따라 이웃크기효과가 어떻게 나타나는지 알아보고자 하였다. 실험결과 [표 4]와 같은 결과 보였다.
본 논문은 인간의 언어정보처리 과정 중 시각단어재인 과정에서 음운정보와 철자정보의 역할 및 심성어휘 집의 표상 형태를 알아보기 위해, 본 논문에서 제안한 계산 주의적 모델을 통해 실험하였다. 실험결과 한국어 시각단어재인 과정에서 심성어휘집의 표상 형태가 음운정보로 이루어져 있음을 지지하는 결과를 얻었다.
표상 형태를 알아보고자 한다. 이를 위해서 본 연구에서는 한국어 이웃의 단위를 음절로 보고 철자와 음운의 이웃 크기를 조작하여 과연 어떤 정보가 시각 단어 재인 시 어휘판단에서 보다 큰 영향을 끼치는 지를 검증해 보았다.
이에 본 논문은 한국어 어휘정보처리 과정 중 시각단어재인 과정의 계산주의적 모델을 제안하고, 제안한 모델을 이용하여 시각단어재인 과정에서의 음운정보와 철자정보의 역할 및 어휘의 의미에 접속하기 위한 어휘목록의 표상 형태를 알아보고자 한다. 이를 위해서 본 연구에서는 한국어 이웃의 단위를 음절로 보고 철자와 음운의 이웃 크기를 조작하여 과연 어떤 정보가 시각 단어 재인 시 어휘판단에서 보다 큰 영향을 끼치는 지를 검증해 보았다.

제안 방법

입력층은 한국어 2음절 단어의 철자정보와 음운정보를 벡터형태로 표현하기위해 각각 32단위(units)로 설계 하였으며, 100개의 단위로 구성된 은닉층과 완전하게 연결(fiilly connect) 하였다. 그리고 은닉층 역시 32단위로 구성된 어휘 목록(lexical entry)층과 단어의 의미를 표현하기 위해 60단위로 설계한 의미층(semantic layer)과 완전하게 연결되도록 하였다. 입력층의 철자단위와 출력층의 어휘목록단위는 전문에서 언급한 촉진효과, 억제 효과를 위해 부분적 회귀연결을 갖도록 설계하였다.
또, 본 논문에서 제안하는 계산주의적 (computational model) 모델과 유사한, 특히 연결 주의 모델(connectionist model)을 이용한 시각단어재인 연구는 대부분 영어나 외래어를 대상으로 한 연구가 진행되어 왔으며, 한국어에 대한 연구는 [2]이 전무할 뿐만 아니라, 논문 [2]에서 제안된 모델은 단순히 어휘 판단과제 시 보이는 몇 가지 언어현상을 모사한 모델이다. 기존의 시각단어재인 과정 연구에 있어서 여러 과제 (범주판단과제, 어휘판단과제 등)를 사용하여 인간의 시각단어재인 과정을 파악하려는 노력이 있었는데, 본 연구에서는 한국어의 특성을 고려하여 인간의 어휘판단과제 (lexical decision task) 시 나타나는 이웃크기 효과를 이용하였다. 어휘판단과제는 1970년에 Harbert Ruben stein에 의해서 처음 사용되었다[3].
본 논문에서 제안된 모델은 [그림 1]과 같이 4개의 층을 가진 전 방향 신경회로망(feed forward network) 구조로 설계하였다. [그림 1]은 제안한 모델의 구조를 보이고있으며, 2개의 입력층(input layer)과 1개의 은닉층(hidden layer), 그리고 2개 층의 출력층(output layer)으로 구성하였다.
본 연구에서 제안하는 모델의 평가(evaluation)를 위하여 사용한 데이터는 철자와 음운 각각에 대해 자음동화를 일으키는 단어, 예를 들어 '인력'인 경우 철자를 공유하는 이웃이 많고, 적음에 따라 단어를 선정하였으며, 동시에 발음은 7일력/, 으로 나기 때문에 7일/, 으로 발음되는 음운 이웃이 많고, 적음에 따라 평가 데이터를 설계하였다. 다음의 [표 3]은 모델의 평가를 위해 사용된 데이터에 대한 예이다.
[그림 1]은 제안한 모델의 구조를 보이고있으며, 2개의 입력층(input layer)과 1개의 은닉층(hidden layer), 그리고 2개 층의 출력층(output layer)으로 구성하였다. 입력층은 한국어 2음절 단어의 철자정보와 음운정보를 벡터형태로 표현하기위해 각각 32단위(units)로 설계 하였으며, 100개의 단위로 구성된 은닉층과 완전하게 연결(fiilly connect) 하였다. 그리고 은닉층 역시 32단위로 구성된 어휘 목록(lexical entry)층과 단어의 의미를 표현하기 위해 60단위로 설계한 의미층(semantic layer)과 완전하게 연결되도록 하였다.
그리고 은닉층 역시 32단위로 구성된 어휘 목록(lexical entry)층과 단어의 의미를 표현하기 위해 60단위로 설계한 의미층(semantic layer)과 완전하게 연결되도록 하였다. 입력층의 철자단위와 출력층의 어휘목록단위는 전문에서 언급한 촉진효과, 억제 효과를 위해 부분적 회귀연결을 갖도록 설계하였다. 각 단위의 출력함수(output function)는 비선형함수인 시그모이드(sigmoid) 함수를 사용하였다.
총 5, 941개를 이용하여 만들었다. 추출된 단어는 저 빈도 단어 집단에서 이웃크기가 큰 단어가 이웃 크기가 작은 단어보다 재인 시간이 빨라진다는 점[8]을 반영하기 위해서 음절의 자체 빈도를 고려하여, 출현빈도 5 회 이하의 저빈도 단어를 [표 1]에서 제안한 입력패턴 설계 방법을 이용하여 학습데이터를 구축하였다.
출력 설계 시 문자와 의미간의 자의성은 단어 자소 배열의 유사성이 의미의 유사성을 반영하지 않도록 하였다. 예를 들어 '사람'과 '사랑'은 철자(자모)간의 유사성은 크지만, 그 의미는 전혀 유사하지 않다.
단어의 의미는 총 60개의 의미 자질로 구성된 벡터로 표현된다. 출력 설계에 해당하는 의미의 표상(semantic representation)은 실제 단어의 의미를 정확하게 고려하여 설계할 수 있지만, 단순화를 위해 실제 의미를 표상하여 설계하지 않고, 다만 입력문자와 의미간의 자의성과 단어의 의미들 간의 범주화를 고려하여 만들었다.
출력값은 입력된 단어의 의미표현이기 때문에 5, 941개의 입력데이터와 같은 수를 [표 2]에서 제안한 의미 패턴 설계구조를 바탕으로 만들었고, 입력데이터와 출력데이터는 랜덤하게 짝지었다. 이는 단어들 간의 철자조합 유사성과 의미간의 관계가 존재하지 않음을 나타내 주기 위한 것이다.
따라서 본 모델의 입력설계는 컴퓨터에서 가장 일반적인 언어표현 방법인 한글의한 음절을 조합형 글자체계에서와 같이 초성, 중성, 종성에 각각 5비트(bit)씩을 할당하고, 최상위 비트를 영어 또는 한글을 표시하는 비트로 사용하여 2바이트(byte)로 표현하는 방법을 생각할 수 있다. 하지만 본 모델에서는 추후 연구를 위해 한글뿐만 아니라 외래어를 입력을 설계를 고려하여 조합형 글자체계가 아니라, 16 비트의 유니코드(uni-code)를 이용하여 입력을 설계하였다. [표 1]은 한글의 모든 음절과 이에 대응하는 입력값을 나타낸 것이다.

대상 데이터

본 논문에서 제안한 모델을 학습시키기 위해 학습 데이터의 입력값은 세종말뭉치D 550만 어절에서 추출한 2 음절단어 총 5, 941개를 이용하여 만들었다. 추출된 단어는 저 빈도 단어 집단에서 이웃크기가 큰 단어가 이웃 크기가 작은 단어보다 재인 시간이 빨라진다는 점[8]을 반영하기 위해서 음절의 자체 빈도를 고려하여, 출현빈도 5 회 이하의 저빈도 단어를 [표 1]에서 제안한 입력패턴 설계 방법을 이용하여 학습데이터를 구축하였다.
PSN+(large number of phonology syllable neighbors), PSN-(small number of phonology syllable neighbors)는 철자이웃이 많은 단어와 철자 이웃이 적은 단어를 나타내고, OSN+(large number of phonology syllable), OSN+(small number of phonology syllable)는 음운이웃이 많은 단어와 음운이웃이 적은 단어를 나타낸다. 평가를 위해 총 4종류의 데이터를 사용하였으며, 각 데이터마다 55개의 단어를 갖도록 하였다.

데이터처리

본 논문에서 제안한 모델의 출력값은 의미강조값 (semantic stress)값을 이용하여 분석하였다[9]. 의미강조 값은 엔트로피값의 일종으로 오류값을 계산하는 방법 중하나이다.

이론/모형

학습 알고리즘을 사용하였다. 가중치 변경은 오직 전 방향의 연결에 대해서만 이루어지기 때문에, 목표 출력값 (줄력데이터)과 실제 줄력 줄력의 차이를 계산하여 오차값을 전달하는 오류 역전파(error back-propacation) 알고리즘을 그대로 사용하였다. 다만, 학습과정에서 출력되는 오류 값은 일반적인 신경망의 입력값과 목표값의 차이를 평균 제곱한 RMS(root mean square)를 사용하지 않고, [식 1]에 의한 교차엔트로피 (cross entropy)값을 사용하였다.
입력층의 철자단위와 출력층의 어휘목록단위는 전문에서 언급한 촉진효과, 억제 효과를 위해 부분적 회귀연결을 갖도록 설계하였다. 각 단위의 출력함수(output function)는 비선형함수인 시그모이드(sigmoid) 함수를 사용하였다.
가중치 변경은 오직 전 방향의 연결에 대해서만 이루어지기 때문에, 목표 출력값 (줄력데이터)과 실제 줄력 줄력의 차이를 계산하여 오차값을 전달하는 오류 역전파(error back-propacation) 알고리즘을 그대로 사용하였다. 다만, 학습과정에서 출력되는 오류 값은 일반적인 신경망의 입력값과 목표값의 차이를 평균 제곱한 RMS(root mean square)를 사용하지 않고, [식 1]에 의한 교차엔트로피 (cross entropy)값을 사용하였다. [식 1] 에서 E는 오류값(error value), %는 노드 d에 대한 출력값이고, 如는 d에 대한 목표값을 나타내며 D 와 d는 각각 전체 학습데이터와 개별 학습 데이터를 의미한다.
본 논문은 제안한 모델을 학습시키기 위해 오류 역전파 학습 알고리즘을 사용하였다. 가중치 변경은 오직 전 방향의 연결에 대해서만 이루어지기 때문에, 목표 출력값 (줄력데이터)과 실제 줄력 줄력의 차이를 계산하여 오차값을 전달하는 오류 역전파(error back-propacation) 알고리즘을 그대로 사용하였다.

성능/효과

결론적으로 본 논문은 인간의 시각단어재인 과정의 계산 주의적 모델을 제안하고, 제안한 모델을 이용하여 한국어 심성어휘집의 표상은 어휘수준의 음운정보로 이루어져 있음을 어휘판단과제 시 보이는 이웃크기 효과를 통하여 검증하였다.
물론 음절을 표상한 입력 데이터 구조가 실제 언어 환경을 완벽하게 반영하지는 못하지만, 본 논문이 제안한 모델에서 보여주고자 하는 언어현상을 설명하기에는 충분하다고 본다. 따라서 본 모델의 입력설계는 컴퓨터에서 가장 일반적인 언어표현 방법인 한글의한 음절을 조합형 글자체계에서와 같이 초성, 중성, 종성에 각각 5비트(bit)씩을 할당하고, 최상위 비트를 영어 또는 한글을 표시하는 비트로 사용하여 2바이트(byte)로 표현하는 방법을 생각할 수 있다. 하지만 본 모델에서는 추후 연구를 위해 한글뿐만 아니라 외래어를 입력을 설계를 고려하여 조합형 글자체계가 아니라, 16 비트의 유니코드(uni-code)를 이용하여 입력을 설계하였다.
이는 기존 연결주의 모델의 입력 데이터 구조 설계에 대한 문제점들을 해결함은 물론 한글체계에 대한 특징을 반영해 줄 수 있다. 물론 음절을 표상한 입력 데이터 구조가 실제 언어 환경을 완벽하게 반영하지는 못하지만, 본 논문이 제안한 모델에서 보여주고자 하는 언어현상을 설명하기에는 충분하다고 본다. 따라서 본 모델의 입력설계는 컴퓨터에서 가장 일반적인 언어표현 방법인 한글의한 음절을 조합형 글자체계에서와 같이 초성, 중성, 종성에 각각 5비트(bit)씩을 할당하고, 최상위 비트를 영어 또는 한글을 표시하는 비트로 사용하여 2바이트(byte)로 표현하는 방법을 생각할 수 있다.
모델을 통해 실험하였다. 실험결과 한국어 시각단어재인 과정에서 심성어휘집의 표상 형태가 음운정보로 이루어져 있음을 지지하는 결과를 얻었다. 실험결과를 해석해보면 음운이웃이 크기가 크면 억제적 효과를 나타냈는데, 이는 의미에 접속하는 형태가 음운정보로 구성되었기 때문에 활성화 수준에 비례해서 다른 음운정보를 억제시키는 것으로 보인다.
실험결과 한국어 시각단어재인 과정에서 심성어휘집의 표상 형태가 음운정보로 이루어져 있음을 지지하는 결과를 얻었다. 실험결과를 해석해보면 음운이웃이 크기가 크면 억제적 효과를 나타냈는데, 이는 의미에 접속하는 형태가 음운정보로 구성되었기 때문에 활성화 수준에 비례해서 다른 음운정보를 억제시키는 것으로 보인다. 즉 이웃들과 연결된 노드가 목표단어보다 먼저 역치수준에 도달한다면 심성어 휘 집에서의 어휘경쟁원리(lexical competition principle)로 인해 활성화된 이웃들은 목표단어의 활성화를 억제한 것으로 해석된다.
이는 철자이웃이 큰 경우 철자이웃이 작은 경우에 비해 어휘판단 반응 시간이 짧았지만, 음운이웃의 경우 이웃이 큰 경우가 작은 경우에 비해 어휘판단 반응 시간이 증가하는 억제적 효과(inhibitory effect)가 나타났음을 알 수 있었다.

후속연구

때문일 것으로 생각된다. 하지만 추후 연구를 통해 두 정보를 직접적으로 조작한다면 이 또한 검증할 수 있을 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

계산주의적 시각단어재인 모델에서의 시각이웃과 음운이웃 효과
Visual and Phonological Neighborhood Effects in Computational Visual Word Recognition Model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

계산주의적 시각단어재인 모델에서의 시각이웃과 음운이웃 효과 Visual and Phonological Neighborhood Effects in Computational Visual Word Recognition Model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

박기남 (5) 남기춘 (32)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

계산주의적 시각단어재인 모델에서의 시각이웃과 음운이웃 효과
Visual and Phonological Neighborhood Effects in Computational Visual Word Recognition Model 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper