한국어 기계 번역에서 패션 묘사의 성별 편향 탐색 = Exploring Gender Bias in Fashion Descriptions in Machine Translation to Korean

국문 초록 (Abstract)

대규모 언어 모델(LLM)은 번역ㆍ요약ㆍ질의응답 등에서 성능을 높였으나, 성별ㆍ인종 등 사회적 편향을 내재할 수 있어 공정성과 신뢰성을위협한다. 본 연구는 문법적 성이 없는 언어를 소스로, 한국어를 타깃으로 설정하여 기계 번역에서 나타나는 성별 편향을 분석한다. 의류ㆍ색상중심의 번역 프롬프트를 설계하고 Google Translate, DeepL 결과를 비교했으며, Jensen–Shannon Divergence(JSD)와 조정 불일치 계수(UCA)를활용하여 색상 정보 유무에 따른 성별 분포를 측정하였다. 분석 결과 특정 의류는 특정 성별과 강하게 결합되었고, ‘분홍’은 가장 뚜렷한 편향요인으로 확인되었다. 또한 번역기와 언어별로 차이가 나타나 데이터와 알고리즘 특성의 영향을 보여주었다. 본 연구는 한국어 특수성을 고려한성별 편향 측정 틀을 제시하고, 패션 묘사 영역의 편향을 규명했다는 점에서 의의가 있으며, 다양한 도메인으로 확장 가능하다.

다국어 초록 (Multilingual Abstract)

Large Language Models (LLMs) have advanced translation, summarization, and QA, yet often embed social biases that threaten fairnessand reliability. This study examines gender bias in machine translation with gender-neutral source languages and Korean as the target. We designed prompts focusing on clothing and colors, analyzing outputs from Google Translate and DeepL. Using Jensen–ShannonDivergence (JSD) and the Unadjusted Concordance Assessment (UCA), we evaluated how gender distributions varied with clothing typesand color information. Results reveal consistent associations (e.g., dresses and skirts with female, suits with male) and strong bias effectsfrom colors, especially “pink.” Bias patterns also differed across systems and languages, reflecting dataset and model characteristics. Thiswork provides a framework for measuring gender bias in Korean MT and highlights fashion descriptions as a domain where stereotypesare pronounced, offering a methodology extendable to other contexts.