[큰글자책] 문학 감정 읽는 AI

기계가 감정을 읽는다는 것

01 디지털 감정 분석, 문학을 새롭게 읽다
02 전통적인 디지털 감정 분석 방법
03 AI, 텍스트의 감정을 읽다
04 감정 지도 그리기
05 감정 분류 데이터 구축 가이드
06 AI가 예측하는 문장 속 감정
07 소설가 이상과 에피파니
08 AI로 본 이상의 단편 소설
09 AI로 본 이상의 〈날개〉
10 문학 감정 분석의 미래

미국의 인지언어학자 레이코프(George Lakoff)는 추상 개념을 육체화된 경험에서 파생된 은유로 보고, 몸 담론에 대한 새로운 접근을 시도했다. 후설(Edmund Husserl)은 신체는 단순한 살덩어리가 아닌, 삶이라는 의식이 깃든 대상으로 보았다.

우리는 몸을 통해서만 공간적 대상을 지각할 수 있기에, 신체는 대상과 상호 작용을 하기 위한 구체적인 조건이 된다. 또한 지각이 펼쳐지는 나의 신체는 과거, 현재, 미래가 동시에 존재하는 ‘기억하는 몸’으로, 단순한 사물이 아닌 정신의 표현, 나아가 ‘심화(心化)된 몸’이 된다. 감각?감정?행위의 연쇄는 개인과 외부 세계가 교류하는 일반적인 도식(scheme)이라고 할 수 있다.

감정에 기반한 독해는 감정의 재실천이라는 측면에서 큰 의미를 갖는다. 영국의 사회학자 윌리엄스(Simon J. Williams)는 감정을 사회적 구성물로 바라보는 것을 넘어, 구조적인 동시에 구조화가 진행 중인 것, 즉 사회적 효과를 지니는 동적이고 능동적인 것으로 파악했다.

－01_“디지털 감정 분석, 문학을 새롭게 읽다” 중에서

버트는 방대한 코퍼스를 사전 학습한 모델인 만큼, 방대한 학습 데이터가 없이, 약간의 감정 분류 데이터만 추가로 학습(few-shot learning)해도 뛰어난 감정 분류기가 된다. 가령 SKT 브레인(SKT Brain)에서 한국어 위키백과와 뉴스 데이터를 기반으로 사전 학습한 코버트(KoBERT, Korean BERT)는 네이버 영화 리뷰 감성 코퍼스(NSMC)로 파인 튜닝했을 때, 다국어 버트(multilingual BERT)가 기록한 87.5%보다 높은 수치인 약 90%의 감성 분류 정확도를 기록해 한국어 특화 언어 모델의 효용성을 입증한 바 있다. 이후 이상(李箱) 소설 감정 분석 장에서 사용할 Kc엘렉트라(KcELECTRA) 모델에 코테(KOTE)를 파인 튜닝한 모델 역시 버트 계열의 엘렉트라(ELECTRA) 모델을 파인 튜닝한 모델이다.

－03_“AI, 텍스트의 감정을 읽다” 중에서

“나는 유쾌하오”라는 문장은 표면적으로는 긍정의 감정을 나타내며, 실제 감정 분석 결과 역시 ‘기쁨’, ‘행복’, ‘즐거움/신남’ 등의 감정에 높은 확률 값을 부여한 것을 확인할 수 있다.

그러나 ‘박제가 되어 버린 천재’는 텍스트의 전체적인 맥락 속에서 비극적 상황에 대한 반어적 표현에 가깝다. ‘천재’가 ‘박제’로 전락하고 말았다는 탄식의 함의를 이해한다면, 그리고 그 의미를 통찰할 수 있는 독자라면 해당 문장에서 ‘슬픔’ 그리고 ‘절망’ 정도의 감정을 포착함이 더 자연스러울 것이다.

－06_“AI가 예측하는 문장 속 감정” 중에서