영어 공부를 하다 보면 "이 문장 문법적으로 맞나?", "이 표현 자연스러운가?" 같은 고민을 자주 하게 돼요. 예전엔 사전이나 문법책을 찾아야 했는데, 요즘은 AI 번역기나 챗봇한테 바로 물어볼 수 있잖아요. 저도 문장 몇 개를 직접 넣어보면서 AI가 시제랑 문장 구조, 문맥을 어떻게 다루는지 봤습니다.
AI가 문장을 보는 단위
시제
영어에서 시제는 생각보다 복잡해요. "I have been studying"은 그냥 '공부하다'가 아니라 '계속 공부해왔다'는 현재완료진행형 의미가 들어 있잖아요. AI 번역기는 이런 차이를 문장 안의 단어랑 패턴을 보고 추정해요.
시제 분석을 확률 모델로 단순화하면 이렇게 쓸 수 있습니다.
예를 들어 "He's been working"이라는 문장을 보면, AI는 각 요소를 같이 보고 시제를 골라요.
각 문법 요소의 가중치
와 토큰의 문법적 특성
을 보고 분석한다고 이해하면 됩니다.
능동태와 수동태
"The book was written"이랑 "I wrote the book"은 같은 상황을 다르게 표현해요. AI는 이 차이를 다음 확률 모델처럼 볼 수 있고요.
문장 구조
문장 구조도 확률 분포로 표현할 수 있어요.
여기서 품사를 나타내는
와 의존 관계를 나타내는
를 씁니다.
관사
영어에서 관사(a, an, the)는 자주 헷갈리는 부분이에요. AI는 명사랑 주변 문맥을 보고 관사를 골라요.
문맥이 있을 때 달라지는 것
문맥 이해를 수식으로 단순화하면 이렇게 표현할 수 있습니다.
단어 간 관계를 나타내는
와 각 단어의 의미값을 나타내는
를 보고 문맥을 잡는다고 단순화한 식이에요.
정확한 수치를 말하려면 별도 벤치마크랑 채점 기준이 필요해요. 제가 문장 몇 개로 테스트한 걸 일반적인 정확도라고 말할 수는 없고요. 다만 문맥 없이 단어나 짧은 문장만 던졌을 때보다 앞뒤 문맥을 같이 줬을 때 결과가 훨씬 자연스러웠습니다.
이건 제가 영어 공부할 때 경험이랑도 비슷해요. 단어나 문장을 단독으로 외우는 것보다 실제 대화나 글 속에서 배울 때 더 오래 남았거든요.
직접 넣어본 문장들
먼저 시제랑 태, 문장 구조를 묻는 문장을 넣었어요.
그다음엔 같은 단어가 문맥에 따라 어떻게 달라지는지 봤고요.
결과를 보면서 AI가 단어 하나만 보는 게 아니라 문맥까지 같이 본다는 걸 좀 더 구체적으로 확인할 수 있었어요.
시제 분석은 꽤 안정적이었어요. "I go to school"이나 "I went to school" 같은 단순 시제는 거의 안 헷갈렸고, "I have been studying English for 3 years" 같은 현재완료진행형도 의미를 놓치지 않고 짚어냈어요. 단순한 시제에서 복잡한 시제로 넘어가는 흐름이 영어 공부 과정이랑 비슷하게 느껴졌고요.
태(Voice) 분석도 괜찮았어요. "John wrote the book"(능동태)이랑 "The book was written by John"(수동태)이 같은 상황을 다르게 표현한다는 걸 잡아냈고, "The dinner was being cooked when I arrived" 같은 진행형 수동태도 정확하게 분석했어요.
문장 구조 분석에서는 "The cat(주어) catches(동사) the mouse(목적어)" 같은 SVO 구조랑 "The sun(주어) rises(동사)" 같은 SV 구조를 잘 구분했어요. 주어랑 동사 일치도 잡아냈고요. "The group of students is studying"에서는 주어가 복수처럼 보여도 단수 동사를 써야 한다는 걸 이해했어요. 문법 규칙만 보는 게 아니라 문장의 의미랑 문맥을 같이 보는 것 같았어요.
제일 인상적이었던 건 모호한 표현을 해석하는 방식이었어요. 우리가 쓰는 말에는 여러 의미를 가진 단어가 많은데, AI는 주변 문맥을 보고 의미를 골라요.
영어에서 'bank'는 '은행'일 수도 '강둑'일 수도 있잖아요. "I went to the bank to withdraw money"에서는 '은행'으로, "We sat by the bank of the river"에서는 '강둑'으로 정확하게 해석했어요. 문맥 없이 'bank' 한 단어만 던졌을 때는 이렇게 명확하게 갈리지 않았고요.
부적절한 문맥을 만났을 때도 어느 정도 대응했어요. "The bank was delicious"처럼 의미적으로 안 맞는 문장이 나오면 오류로 인식하고 대안을 제시하더라고요. 사람이 문장 읽다가 "이건 좀 이상한데" 싶어하는 거랑 비슷해요.
AI는 각 단어가 가질 수 있는 의미랑 주변 문맥의 관계를 계산하고, 그중 제일 그럴듯한 의미를 골라요. 이 과정을 단순화하면 이렇게 표현할 수 있습니다.
수식은 복잡해 보이지만, 문맥을 보고 제일 자연스러운 의미를 고르는 과정이에요. 대화하면서 단어 의미를 좁혀가는 거랑 비슷하고요.
영어 공부에 써보니
영작문할 때 문법이랑 표현의 자연스러움을 바로 확인할 수 있는 게 꽤 유용했어요. 초급자한테는 기본 문법부터 설명하고, 중급 이상한테는 더 복잡한 문맥 설명을 붙이는 식으로 수준을 바꿔달라고 할 수도 있고요. "좋아요"를 번역할 때 초급자한테는 "good"을, 고급자한테는 "fantastic", "phenomenal" 같은 걸 제안하는 식이에요.
교사 입장에서도 예문을 빠르게 만들거나 학생 과제를 볼 때 도움이 될 것 같아요. 학생 실력이랑 진도를 정리해서 맞춤 학습 계획을 세우는 데도 쓸 수 있습니다.
이번 테스트에서는 시제, 태, 문장 구조, 관사의 단순한 예문을 거의 안 놓쳤고, 복합 시제나 진행형 수동태도 대체로 안정적이었어요. 동음이의어처럼 문맥이 있어야 풀리는 문제에서는 문맥을 같이 줬을 때 차이가 크게 느껴졌고, 의미적으로 이상한 문장은 오류로 짚어내기도 했고요.
그래도 이건 제가 넣어본 몇 문장에 한정된 얘기예요. AI 답을 그대로 믿기보다 왜 그렇게 고쳤는지 설명을 요구하고, 사전이나 문법 자료랑 직접 비교해보는 게 더 좋았어요. 저한테 AI 번역기는 선생님이나 학습자를 대체하는 도구라기보다, 문법 설명이랑 문맥 비교, 표현 제안을 빠르게 받아보는 보조에 가까워요.
참고 자료
이 글의 확률식 설명은 아래 논문들에서 다루는 트랜스포머·어텐션 개념을 참고했어요. 위 테스트 결과는 논문의 정확도 수치가 아니라 제가 직접 넣어본 문장들에서 나온 결과고요.
- Vaswani, A., et al. (2017). "Attention is all you need." Advances in neural information processing systems.
- Devlin, J., et al. (2019). "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding." NAACL-HLT.
- Brown, T. B., et al. (2020). "Language Models are Few-Shot Learners." NeurIPS.