오류 분석을 통한 한글 맞춤법 검사기의 정확성 검토와 제언

Review of and Suggestion for Accuracy of Korean Orthography Checker Based on Error Analysis

본 연구에서는 한글 맞춤법 검사기 4종의 정확성을 검토하고자 표기 차원, 단어 차원, 문장차원에서 30개 문항씩 총 90개 문항을 선정하여 검사를 실시하였다. 그리고 검사 결과로 나타난오류를 분석하면서 한글 맞춤법 검사기의 정확성을 검토하였다. 표기 차원의 30개 문항 중 Ⓐ는25개, Ⓑ는 28개, Ⓒ는 23개, Ⓓ는 21개 문항을 교정하였다. 단어 차원의 30개 문항 중 Ⓐ는 16개, Ⓑ는 19개, Ⓒ는 17개, Ⓓ는 15개 문항을 교정하였다. 문장 차원의 30개 문항 중 Ⓐ는 4개, Ⓑ는5개, Ⓒ는 3개, Ⓓ는 4개 문항을 교정하였다. 결과를 통해 표기 차원 > 단어 차원 > 문장 차원의？？향으로 교정률이 현저하게 낮아짐을 확인할 수 있었다. 즉, 현재의 시스템은 단순한 표기 오류를 교정하는 데는 높은 성능을 보이지만, 근본적으로 규칙 기반 교정 및 통계 기반 교정을 활용하기 때문에 많은 부분에서 그 외의 오류를 교정하지 못하는 문제가 있음을 확인할 수 있었다. 이문제를 해결하기 위해서는 최근 인공지능 분야에서 자동 번역, 채팅 등의 자연어 처리 분야에활용되고 있는 딥러닝 등의 머신러닝 기법들을 적용하는 것이 필요함을 언급하였다.

This study selected and tested a total of 90 items consisting of 30 items for each category, including spelling, vocabulary, and sentence dimensions, to review the accuracy of 4 types of Korean orthography checkers. In addition, the accuracy of the Korean orthography checkers was examined by analyzing the errors that appeared in the test results. Out of the 30 spelling items, the checker Ⓐ corrected 25 items, the checker Ⓑ corrected 28 items, the checker Ⓒ corrected 23 items, and the checker Ⓓ corrected 21 items. Among the 30 vocabulary items, Ⓐ corrected 16 items, Ⓑ corrected 19 items, Ⓒ corrected 17 items, and Ⓓ corrected 15 items. In the sentence category, Ⓐ corrected 4 items, Ⓑ corrected 5 items, Ⓒ corrected 3 items, and Ⓓ corrected 4 items out of the 30 items. Based on the results, it could be confirmed that the correction rate was highest in the spelling category, but they were less accurate in the vocabulary category; they were significantly less accurate in the sentence category. In other words, the current system shows high performance in correcting simple notation errors, but it was confirmed that there is a problem in that the other errors cannot be corrected in many items because they fundamentally utilize rule-based correction and statistical correction. In order to solve this problem, it is necessary to apply machine learning techniques such as deep learning, which have been used recently in natural language processing fields such as automatic translation and chat in the field of artificial intelligence.