스프쌤
자연어처리

JOESTALE 기획서로 본 작가의 어휘력과 형태소 분석기 검증 파이프라인

✍ 야금야금⏱ 19분 소요2026-10-28👁
← 목록으로 돌아가기

부사와 형용사를 마구 덧붙이는 문장은 왜 늘 밋밋할까요? 작가의 감각적 문장은 형태소 분석기 기준 수식어 비율이 0.18 이하로 떨어지고 명사와 동사가 최대 8배 늘어납니다.

✦ AI Key Summary & Global Takeaways

이 아티클의 핵심 내용 요약과 글로벌 검색·AI 엔진을 위한 테이크어웨이입니다.

✦ KR 주제: 형태소 분석기를 활용한 정량적 작문 검증

✦ KR 핵심 요약: 허관 작가의 어휘론은 수식어를 덜어내고 구체적인 명사와 동사로 장면을 묘사하는 데 목적이 있습니다. 오픈소스 JOESTALE 프로젝트는 이 작문 기법을 Kiwi 형태소 분석기와 사전 API 파이프라인으로 구조화하여, 대형 언어 모델의 클리셰를 정량적으로 제어하는 시스템을 구축했습니다.

🌐 Global Takeaway: The JOESTALE open-source specification formalizes authorial prose principles into a computational verification pipeline using the Kiwi Korean morphological analyzer. By constraining LLMs to concrete nouns and verbs while programmatically capping modifier ratios below 0.18, it eliminates clichéd stylistic convergence.

아래 그림은 주관적 감상에 의존하던 기존 퇴고 방식과 규칙 기반 기계 검증 파이프라인의 구조적 차이를 보여줍니다.

기존 LLM 프롬프트 작문 vs JOESTALE 검증 파이프라인
기존 LLM 작문
  • 추상적 형용사·부사 남발
  • 평균치 문체로 수렴
  • 정량적 검증 기준 부재
VS
JOESTALE 파이프라인
  • 사물·행동 감각 강제 설계
  • Kiwi 형태소 수식어 검사
  • 사전 API 기반 유의어 교정
추상적인 요청 대신 명사와 동사 중심의 품사 비율을 정량적으로 강제합니다
JOESTALE 3단계 작문 제어 흐름
1단계: 감각 장면 설계사물·행동·오감 중심 제약
→
2단계: Kiwi 형태소 분석수식어 비율 정량 계측
→
3단계: 사전 API 재작성위반 문장 유의어 치환
감각 설계부터 형태소 측정과 선택적 재작성까지 순차적으로 진행됩니다

1. 작가의 어휘론이 기계적 측정 대상이 된 배경

글을 쓰는 사람들은 흔히 어휘력이 풍부할수록 화려한 문장을 지어낼 수 있다고 생각합니다. 그러나 현역 작가들이 말하는 어휘의 본질은 정반대에 가깝습니다. 허관 작가는 2026년 10월 자신의 소셜 미디어 채널을 통해 작가에게 어휘가 중요한 이유를 미술의 조색 과정에 비유했습니다. 화가가 캔버스 위에서 수많은 미세한 색감을 구별해 붓을 대듯, 작가는 뉘앙스가 갈리는 무수한 유의어 사이에서 지금 이 장면에 딱 들어맞는 단어 하나를 골라내야 한다는 지적이었습니다.

허관 작가가 제시한 어휘력의 핵심 효과는 두 가지로 요약됩니다. 첫째는 다양한 어휘를 체득할수록 문장에서 불필요한 부사와 형용사의 사용이 자연스럽게 줄어든다는 점이며, 둘째는 상투적인 클리셰 문장에 생생한 감각을 부여할 수 있다는 점입니다. 감정을 '매우 슬펐다'나 '너무나 비참했다'와 같이 추상적 수식어로 묘사하는 것은 단어의 해상도가 떨어질 때 나타나는 전형적인 초보자의 습관입니다. 반면 단어의 결을 꿰뚫고 있는 작가는 슬픔을 표현하기 위해 감정 단어를 직접 쓰는 대신 사물의 배치와 인물의 물리적 행동을 적절한 명사와 동사로 치환합니다.

이러한 문학적 직관은 오랫동안 도제식 훈련이나 주관적인 감상의 영역에 머물러 있었습니다. 작문 교육 현장에서도 "수식어를 줄여라", "사물을 보여주어라"라는 지침만 맴돌 뿐 이를 엔지니어링 관점에서 검증 가능한 지표로 다루지 못했습니다. 그러나 오픈소스 저장소에 공개된 JOESTALE 프로젝트는 이 주관적 영역을 자연어 처리(NLP) 파이프라인으로 전환하는 기획을 내놓았습니다. 작가의 머릿속에서 일어나는 어휘 선별 과정을 형태소 분석기와 사전 데이터베이스를 결합한 자동 검증 시스템으로 구현할 수 있음을 입증한 것입니다.

1-1. 허관 작가의 작문 명제와 수식어의 상관관계

허관 작가의 분석에서 가장 주목할 대목은 수식어를 무조건 제거하라는 탈맥락적 금기가 아니라는 사실입니다. 작가는 글쓰기에서 부사와 형용사가 필요할 때가 분명히 존재하며, 본인의 예시 문장에서도 '나란히', '비로소', '꾹', '소리 없이' 같은 수식어가 적재적소에 유지된다고 밝혔습니다. 즉 원칙의 본질은 "수식어를 무조건 없애는 것"이 아니라 "명사와 동사의 어휘력이 빈약하여 수식어로 빈자리를 메우는 현상을 차단하는 것"입니다.

초보 작문자는 상황에 부합하는 정밀한 동사를 알지 못할 때 일반적인 동사 앞에 강력한 부사를 붙이려 합니다. 걷는 모습을 묘사할 때 '터덜터덜 걸었다', '힘없이 걸었다', '매우 지치게 걸었다'처럼 부사에 기대는 식입니다. 하지만 작가의 사전 속에는 '비틀거리다', '끌다', '휘청이다', '자물쇠처럼 발을 떼다'와 같은 다채로운 동사들이 자리 잡고 있습니다. 적확한 동사가 자리 잡는 순간 앞을 지키고 있던 수식어는 존재 이유를 잃고 자연스레 탈락합니다.

"화가가 미세한 색감을 구별하여 캔버스를 채우듯, 작가는 뉘앙스가 다른 수많은 유의어 사이에서 정확한 단어를 골라내야 한다. 다양한 어휘를 익히면 부사와 형용사의 사용이 줄어들고 상투적인 문장에 생생한 감각이 깃든다."

2. LLM의 평균 회귀 문체와 프롬프트의 한계

대형 언어 모델(LLM)이 대중화되면서 많은 이들이 인공지능을 작문 도구로 활용하고 있습니다. 그러나 상용 LLM에 소설이나 에세이 작성을 요청하면 결과물은 언제나 비슷한 문체적 한계에 부딪힙니다. 인공지능은 태생적으로 대규모 말뭉치의 통계적 중간값을 산출하도록 사전 학습되었기 때문에, 가장 흔하고 평균적인 표현을 우선적으로 생성합니다. 그 결과 '가슴이 벅차올랐다', '형언할 수 없는 슬픔이 밀려왔다', '깊은 한숨을 내쉬었다'와 같은 상투어가 문단을 가득 채우게 됩니다.

학술 연구와 현장 실측에 따르면 LLM은 인간 전문 작가에 비해 감각어의 사용 빈도가 현저히 낮습니다. 시각, 청각, 촉각, 후각, 미각을 자극하는 물리적 명사 대신 감정을 직접 지시하는 추상 명사와 이를 꾸미는 형용사를 연쇄적으로 배치하는 경향이 두드러집니다. 사용자들은 흔히 "클리셰를 피해라", "더 감각적이고 문학적으로 써라", "부사를 쓰지 마라" 같은 시스템 프롬프트(System Prompt)를 추가하여 이를 극복하려 시도합니다.

그러나 이러한 지시문 기반 접근은 근본적인 해결책이 되지 못합니다. '감각적'이라거나 '문학적'이라는 개념 자체가 모델 내부에서는 여전히 통계적 평균으로 해석되기 때문입니다. 모델은 지시를 따르기 위해 또 다른 화려한 수식어를 가져와 문장을 꾸며내며, 결과적으로 텍스트는 더욱 번지르르하지만 알맹이가 없는 수사적 과잉에 빠집니다. 결국 자연어 생성 단계에서 규칙을 말로 설명하는 방식 대신, 생성 전후 단계에서 언어학적 제약과 정량 측정을 강제하는 아키텍처가 요구됩니다.

2-1. 통계적 텍스트 생성과 인간 작가의 어휘 선택 비교

아래 표는 상용 LLM의 기본 생성 텍스트와 전문 작가의 문맥 재구성 방식이 언어학적으로 어떻게 갈라지는지 비교한 결과입니다.

분석 항목 상용 LLM 기본 생성 방식 전문 작가의 어휘 선택 방식
감정 표현 방식 '슬펐다', '분노했다' 등 추상 감정어 직접 서술 인물의 신체 반응, 주변 사물의 상태 변화로 간접 제시
품사 선호도 일반 동사 + 강조 부사·형용사 조합 빈발 뉘앙스가 세분화된 단일 명사 및 구체적 동사 활용
감각 해상도 '어두운 방', '시끄러운 소리' 등 전형적 수식 '벽지 모서리의 곰팡이', '냉장고 모터의 웅웅거림' 등 미시 감각
퇴고 및 검증 다음 토큰 확률에 따른 자동 종결 어휘 밀도 계측 및 유의어 치환을 거친 반복 교정

3. Kiwi 형태소 분석기로 측정한 작가의 문장

JOESTALE 프로젝트의 기획서에 따르면, 개발팀은 허관 작가가 제시한 4쌍의 대조 예문을 한국어 형태소 분석기인 Kiwi 엔진을 사용해 정밀 계측했습니다. 직관의 영역에 머물던 문체론을 형태소 단위의 품사 태깅 데이터로 환원하여 수식어의 비율과 명사·동사의 증가량을 측정한 것입니다.

실측 결과는 놀라울 정도로 뚜렷한 수치적 격차를 보였습니다. 초보자가 작성한 일반 문장에서 부사와 형용사가 차지하는 비율은 전체 형태소 대비 0.40에서 0.50에 달했습니다. 즉 문장을 구성하는 핵심 요소의 절반 가까이가 대상을 수식하는 군더더기 단어였던 셈입니다. 반면 작가의 손을 거쳐 감각적으로 재작성된 문장에서는 수식어 비율이 0.00에서 0.18 수준으로 급격하게 떨어졌습니다.

퇴고 전후 문장 내 수식어 비율 변화
퇴고 전(초보 문장)
45%
퇴고 후(작가 문장)
12%
감각적 문장으로 전환될 때 형태소 분석기가 측정한 수식어 비율의 변화입니다

동시에 문장 내에서 구체적 대상을 지칭하는 명사와 행위를 묘사하는 동사의 개수는 기존 대비 3배에서 최대 8배까지 증가했습니다. '몹시 화가 났다'는 단문이 '주먹을 쥐어 손톱이 손바닥을 파고들었다'로 전환될 때, 부사 '몹시'와 형용사 '화나다'가 사라지고 '주먹', '손톱', '손바닥'이라는 3개의 명사와 '쥐다', '파고들다'라는 2개의 동사가 그 자리를 채운 것입니다. 작가의 탁월한 문체는 막연한 영감이 아니라 명사와 동사의 밀도를 극대화하는 정량적 엔지니어링의 결과물임이 실측 데이터로 증명되었습니다.

3-1. 형태소 태그 분포 기반의 문장 분석 결과

Kiwi 형태소 분석기를 통해 문장을 파싱하면 일반 명사(NNG), 고유 명사(NNP), 동사(VV), 형용사(VA), 일반 부사(MAG) 등으로 품사가 분해됩니다. JOESTALE이 정의한 문장 검증 공식은 전체 내용어(Content Words) 대비 수식어(VA + MAG)의 비율을 산출하는 방식입니다.

$$\text{수식어 비율} = \frac{\text{형용사}(\text{VA}) + \text{일반 부사}(\text{MAG})}{\text{명사}(\text{NN}) + \text{동사}(\text{VV}) + \text{형용사}(\text{VA}) + \text{부사}(\text{MAG})}$$

이 지표를 기준으로 삼으면 문장이 얼마나 감각적이고 압축적인지 기계적으로 판별할 수 있습니다. 수식어 비율이 임계치인 0.20을 초과하는 문장은 즉각 '상투적 문장'으로 플래그가 지정되며, 파이프라인의 다음 단계인 사전 API 치환 엔진으로 넘어가 재작업 대상이 됩니다.

4. JOESTALE 3단계 작문 제어 아키텍처

JOESTALE은 Claude Code 환경에서 동작하는 한국어 작문 스킬을 목표로 설계되었습니다. 인공지능이 인간 작가처럼 글을 쓰도록 만들기 위해 상상력을 복제하려 드는 대신, 작가가 퇴고할 때 수행하는 엄격한 규칙과 사전 검증 절차를 소프트웨어 아키텍처로 구현한 것입니다.

시스템은 크게 세 단계의 연속된 파이프라인으로 구성됩니다. 첫 번째 단계는 생성 전 단계인 '장면 설계(Scene Design)' 단계이며, 두 번째는 생성 직후의 '형태소 검증(Morphological Verification)' 단계, 세 번째는 위반 문장을 선별해 고치는 '유의어 교정(Thesaurus Calibration)' 단계입니다.

JOESTALE 작문 검증 아키텍처 계층
프롬프트 제약 계층직접 설명 금지 및 구체적 사물·행동 강제
형태소 검증 계층Kiwi 형태소 분석기를 통한 품사 태깅 및 비율 산출
사전 교정 계층국립국어원 및 포털 사전 API 기반 유의어 추천
상위 프롬프트 제약부터 하위 언어 분석 엔진까지 계층별로 동작합니다

이러한 계층형 아키텍처는 거대 언어 모델이 제멋대로 문맥을 채워 넣지 못하도록 입구와 출구를 모두 제어합니다. 글을 생성하기 전에 감정 표현의 직접 기술을 원천 차단하고, 생성된 결과물은 통계적 분석기가 검사하며, 기준에 미달하는 문장만 외장 데이터베이스의 유의어로 국소 교정하는 정밀한 제어 루프를 완성합니다.

4-1. 1단계: 사물·행동·감각 제약 생성기

첫 번째 계층에서는 LLM에게 글을 쓰라고 명령하기 전, 장면을 구성할 '물리적 제약 조건'을 먼저 도출하도록 강제합니다. 작가가 머릿속에 시각적 공간을 먼저 구축하는 과정을 모사한 것입니다.

  1. 공간 내에 존재하는 구체적인 물리적 사물 3가지 이상 지정
  2. 인물이 취하는 물리적인 근육 움직임과 행동 동사 규정
  3. 시각 외의 감각(청각, 촉각, 후각 등) 자극원 1가지 이상 배치
  4. 문장 내 감정 명사(슬픔, 기쁨, 공포, 분노 등)의 직접 출현 금지

이 네 가지 제약이 프롬프트의 최상단에서 시스템 가드로 작동하기 때문에, LLM은 '그는 외로웠다'라는 문장을 쓰지 못하고 '식은 국그릇 옆에 숟가락 하나가 놓여 있었다'와 같은 사물 중심의 장면을 먼저 조립하게 됩니다.

4-2. 2단계 및 3단계: 품사 검사와 사전 기반 재작성

초안이 생성되면 파이프라인의 2단계인 Kiwi 형태소 분석기가 즉각 호출됩니다. 분석기는 텍스트를 문장 단위로 분절한 뒤 형태소 태깅을 수행하고, 각 문장의 수식어 비율과 명사·동사 비율을 산출합니다.

만약 특정 문장에서 부사와 형용사의 비율이 기획서가 정한 임계치(0.18)를 초과할 경우, 해당 문장은 즉시 결함(Defect)으로 판정됩니다. 전체 글을 다시 쓰는 것이 아니라 결함 문장만 격리되어 3단계 교정 루프로 진입합니다.

3단계에서는 국립국어원 표준국어대사전 및 포털 사전 API를 조회하여 문장에서 사용된 일반 동사와 명사의 유의어 목록을 추출합니다. 시스템은 수식어가 하던 역할을 흡수할 수 있는 가장 구체적인 유의어를 선택하도록 프롬프트를 구성하고, 문장을 단문으로 재작성하여 최종 수식어 비율을 기준치 이하로 떨어뜨립니다.

5. 실제 환경 구축을 위한 환경 설정과 구현

JOESTALE 파이프라인의 핵심인 Kiwi 형태소 분석기를 로컬 개발 환경이나 CI 환경에 연동하는 방법은 간단합니다. Python 기반의 kiwipiepy 라이브러리를 활용하면 고속으로 형태소 분해 및 품사 태그 통계를 집계할 수 있습니다.

다음은 작문의 수식어 비율을 정량적으로 계측하기 위한 가상 환경 구성 및 패키지 설치 명령입니다.

python3 -m venv .venv
source .venv/bin/activate
pip install kiwipiepy requests

설치 후에는 Kiwi 엔진을 초기화하고 문장별 품사 비율을 산출하는 Python 스크립트를 작성하여 작문 검증 파이프라인에 통합할 수 있습니다. 다음은 기획서에 명시된 규칙을 코드로 구체화한 분석 스크립트의 핵심 로직입니다.

from kiwipiepy import Kiwi

kiwi = Kiwi()

def evaluate_sentence(text: str):
    tokens = kiwi.tokenize(text)
    nouns = [t for t in tokens if t.tag.startswith('NN')]
    verbs = [t for t in tokens if t.tag.startswith('VV')]
    adjectives = [t for t in tokens if t.tag.startswith('VA')]
    adverbs = [t for t in tokens if t.tag.startswith('MAG')]

    content_count = len(nouns) + len(verbs) + len(adjectives) + len(adverbs)
    if content_count == 0:
        return 0.0, False

    modifier_ratio = (len(adjectives) + len(adverbs)) / content_count
    # 임계치 0.18 이하를 만족해야 합격
    is_passed = modifier_ratio <= 0.18

    return modifier_ratio, is_passed

이러한 측정 도구를 Claude Code나 깃허브 액션(GitHub Actions)과 연동하면, 작문 에이전트가 문장을 산출할 때마다 자동으로 단위 테스트(Unit Test)를 수행하듯 문체적 순도를 점검할 수 있습니다.

6. 시스템 적용 시 마주하는 한계와 주의점

형태소 분석 기반의 기계적 작문 통제는 탁월한 문체 개선 효과를 제공하지만, 실제 프로덕션 환경에 적용할 때는 명확한 한계와 부작용을 경계해야 합니다. 규칙 기반 시스템이 언제나 그렇듯 극단적인 제약은 텍스트의 유연성을 해칠 위험이 있습니다.

가장 흔히 발생하는 문제는 '문맥의 경직화'입니다. 수식어 비율을 무조건 0으로 만들려고 강박적으로 제약하면 문장이 지나치게 파편화되고 건조해집니다. 허관 작가가 지적했듯 '나란히', '비로소', '소리 없이' 같은 부사는 문맥의 완급을 조절하고 서정적 여백을 형성하는 결정적인 역할을 수행합니다. 기계가 이들마저 모두 제거하도록 강제하면 글은 소설이 아니라 건조한 사건 보고서나 실험 관찰 일지처럼 변질될 수 있습니다.

또한 사전 API 연동 시 발생하는 어색한 유의어 치환도 주의해야 합니다. 한국어는 단어 간의 연어 관계(Collocation)가 매우 발달한 언어입니다. 단순히 사전에서 유의어로 등재되어 있다고 해서 기계적으로 단어를 바꾸면 문맥상 어울리지 않는 부자연스러운 조어가 탄생합니다. 따라서 3단계 교정 파이프라인에는 항상 최소한의 언어 모델 기반 맥락 검증 판별기가 동반되어야 합니다.

마지막으로 장르별 임계치의 차별화가 필수적입니다. 행동과 묘사가 중심이 되는 장르 소설이나 하드보일드 문체에서는 수식어 비율 0.15 이하가 훌륭하게 작동하지만, 내면 심리를 섬세하게 다루는 순수 문학이나 서사적 수필에서는 형용사와 감정어가 더 높은 비중을 차지할 수밖에 없습니다. 장르의 특성을 무시한 채 일률적인 잣대를 들이대는 것은 작가의 개성을 지우는 결과로 이어집니다.

7. 어휘 중심 작문 공학이 시사하는 미래

허관 작가의 통찰에서 출발해 JOESTALE 프로젝트로 이어진 일련의 시도는, 문학적 글쓰기라는 가장 인간적인 영역조차 엔지니어링의 정밀한 방법론으로 해석되고 보강될 수 있음을 보여줍니다. 작가가 오랜 세월 동안 체득한 감각적 문장의 비결은 결국 '불필요한 수식어를 거두고, 정확한 명사와 동사를 배치하는 어휘의 해상도'에 있었습니다.

앞으로의 생성형 AI 기반 작문 도구는 단순히 모델의 파라미터 크기를 키우거나 추상적인 프롬프트 엔지니어링에 매달리는 수준을 넘어설 것입니다. Kiwi와 같은 고성능 형태소 분석기를 통해 문장을 품사 단위로 실시간 분해하고, 통계적 지표를 피드백 루프로 연결하여 텍스트의 해상도를 기계적으로 통제하는 하이브리드 파이프라인이 표준으로 자리 잡을 것입니다.

글을 쓰는 사람에게도 이번 분석은 명확한 실천 지침을 제공합니다. 문장이 풀리지 않고 상투적으로 느껴질 때, 수식어를 더해 문장을 꾸미려 하지 마십시오. 대신 자신이 사용하고 있는 명사와 동사가 장면의 물리적 실체를 얼마나 정확하게 담아내고 있는지 사전의 유의어를 펼쳐놓고 점검해야 합니다. 작가의 힘은 화려한 미사여구가 아니라 정확한 단어 하나를 찾아내는 집요한 선별에서 나옵니다.

자주 묻는 질문

Q. 허관 작가가 주장하는 어휘력의 핵심은 무엇인가요?
A. 어휘가 풍부해지면 부사와 형용사의 남발이 줄어들고 구체적인 명사와 동사로 장면을 표현할 수 있게 됩니다. 감정을 직접 설명하지 않고 물리적 사물과 행동을 보여줌으로써 상투적인 문장에 생생한 감각을 불어넣는 것이 핵심입니다.

Q. JOESTALE 프로젝트는 LLM의 문체 한계를 어떻게 해결했나요?
A. 단순 프롬프트 지시 대신 쓰기 전 물리적 사물과 행동을 강제하는 장면 설계를 적용했습니다. 이후 Kiwi 형태소 분석기로 수식어 비율을 정량 측정하고, 기준치를 위반한 문장만 사전 API의 유의어로 재작성하는 3단계 규칙 시스템을 구축했습니다.

Q. 형태소 분석기로 측정한 작가의 문장 특징은 어떤가요?
A. 일반 초보자의 문장은 수식어(부사·형용사) 비율이 0.40~0.50에 달하는 반면, 감각적으로 다듬어진 작가의 문장은 수식어 비율이 0.00~0.18 수준으로 급감합니다. 대신 구체적 사물을 나타내는 명사와 행위를 묘사하는 동사의 수가 3~8배 증가합니다.

원본

https://www.threads.com/@huh_kwan/post/De6htjLkqWY

https://github.com/JOEWRKS/JOESTALE/blob/main/%EA%B8%B0%ED%9A%8D%EC%84%9C.md

함께 보면 좋은 글

댓글 0개