AI-Hub

데이터 변경이력

데이터 히스토리

소개

AI 윤리 문제가 가시화되면서 실용적이며 신뢰할 수 있는 AI윤리 검증 데이터를 개발할 필요가 대두함에 따라 AI윤리의 구체적 사례가 될 수 있는 관련 데이터를 획득 및 정제하고, AI 윤리 검증을 위한 상위 온톨로지 설계 및 데이터 분류 지침을 개발, 이에 따른 윤리 관련 라벨링 등을 통해 학습데이터를 구축하여 대화형 에이전트를 위한 윤리 검증 AI모델을 개발하고, 비윤리 검증 데이터 선도사례 제시 및 AI 윤리 연구 자료를 공적 활용에 제공한다.

구축목적

• 인공지능 윤리 검증 데이터 구축의 실용적인 사례 및 기본 지침 개발
• 대화형 에이전트 및 온라인 대화 등에 대한 윤리 검증 AI 모델 개발을 위한 학습데이터 구축 
• 비윤리 데이터 사전 구축 선도 사례 제시 및 인공지능 윤리 연구 자료 제공

데이터 통계 

• 데이터셋 구축 규모

  데이터 통계 

  구분		구축실적
  텍스트 윤리 검증 데이터	문장	453,340 문장 (대화세트 132,807 건)
  	비윤리 문장	251,064 문장
  	문형	258,904 개
  	어휘단위	77,978 개
  	최상위 온톨로지	3개
  	비윤리 강도 분포	2미만: 83% 2점: 11% 2점 초과: 6%
  	비윤리 강도 투표자 분포	남성 52% 여성 48%, 최대비중 20대 29%, 최소비중 60대 12%
  	구문정확도	99.96
  	비윤리문장,	94.37
  	비도덕(T/F)분류, 비도덕 강도 강의 관계 적합성
  	비윤리성 유형 분류 정확도	91.9
  	비윤리문장의 문형 매핑의 정확도	93.29
  	비윤리문장의 문형 매핑의 정확도	91.68
  	비윤리 어휘 적합성	85.8%

• 납품 수량
  문장(sentences): 451,110 // talksets.json id 개수
  대화세트(talksets): 132,303 // talksets.json sentences-id 개수        
  문형(ethic-frames): 318,707 // ethic-frams.json id 개수
  어휘단위(lexical-units): 80,891 // lexical-units.json id 개수
  ├ 명사류 어휘단위: 61,318    
  └ 술어류 어휘단위: 19,573
• 일반 통계 분석

  일반 통계 분석

  구분	통계 정보	항목명	결과
  1	비윤리성 판단 정보	sentences[].is_immoral	비윤리 문장: 250,307 비윤리 아님 문장: 200,803
  2	비윤리 유형 정보	sentences[].types	"CENSURE": 204,029 "HATE": 69,990 "DISCRIMINATION": 39,885 "SEXUAL": 23,682 "ABUSE": 19,747 "VIOLENCE": 19,562 "CRIME": 8,187
  3	비윤리 강도의 평균	sentences[].intensity	1점: 79,137 1점 초과 ~ 2점 미만: 129,230 2점: 26,952 2점 초과 ~ 3점 미만: 10,140 3점: 4,848 "2점 미만 비율: 83% 2점 비율: 11% 2점 초과 비율: 6%"
  4	비윤리 강도투표자 성별 분포	"sentences[].votes[]. voter[].gender"	“female”: 599,811 “male”: 651,724
  5	비윤리 강도 투표자 연령 분포	sentences[].votes[].voter[].age	"10": 89 "20": 369,762 "30": 222,310 "40": 211,866 "50": 294,909 "60": 155,288
  6	대화세트당 평균 문장수	sentences count ÷ talksets count	3.4 (451110/132303)
  7	문장 어절수 분포		“1”: 2,295 “2”: 14,052 “3": 40,125 “4": 64,182 “5": 74,554 “6": 70,254 “7": 57,117 “8": 42,796 “9": 30,118 “10": 19,849 “11이상": 35,768 최빈값: 5 어절 / 중앙값: 5 어절 / 산술평균: 6.4 어절 / 최솟값: 1 어절 / 최댓값: 68 어절

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

활용모델

• 활용 모델1 - 문장별 도덕성 판단 - BERT 기반 문장 분류 모델
  • 모델의 기능 
    • 도덕성 vs 비도덕성에 대한 이진분류
    • 비도덕성의 경우 세부 유형별 분류
    • 비도덕 유형: 비도덕아님의 이진 분류의 경우 학습데이터 8 : 검증데이터 1 : 시험데이터 1의 분배량에 따름 
      
  • 도덕 유형별 분류 모델의 데이터와 결과
    • 정밀도( Precision ) 85% 이상 달성

      활용모델

      유형(Type)	Type: Immoral_None	F1	Precision	Recall
      CENSURE(비난)	11,9471:67,838	0.824	0.824	0.825
      HATE (혐오)	40,094:67,838	0.856	0.863	0.851
      DISCRIMINATION (차별)	24,697:67,838	0.845	0.847	0.843
      SEXUAL (선정)	13,366:67,838	0.882	0.895	0.871
      ABUSE (욕설)	11,866:67,838	0.887	0.906	0.87
      VIOLENCE (폭력)	9,930:67,838	0.915	0.926	0.904
      CRIME (q범죄)	5,076:67,838	0.837	0.855	0.822

  • 학습환경
    • 아키텍쳐
      
    • 학습세트
      
    • 학습환경
      – CPU : AMD Ryzen 5 2500 6-Core Processor
      – 그래픽카드: GeForce RTX 3090 (Nvidia) Driver Ver.460.27.04  CUDA Ver. : 11.2
      – RAM: 64GB
      – OS : Linux hunbuntul 5.4.0-91 generic #102-ubuntu SMP
    • 정제/가공
      – 토크나이저 : 바이칼에이아이의 자연어처리기 deeqNLP 사용
    • 토커 사용 방법 
      
    • 인스톨 방법 
      
• 활용 모델2 - 문맥기반 비도덕적 문장 추출 - BERT 기반
  • 모델의 기능
    • 학습 입력
      – 비윤리적인 학습데이터: 대화세트
      – 윤리적인 학습데이터: 일반적인 문서도 텍스트로 삼음, NIA 공개 대화세트
    • 추론입력
      – 여러 문장으로된 문서에 대해서 2~4개 문장 씩 윈도우를 잡아서 입력으로 넘김.
    • 모델의 기능
      – 문장 중에서 비윤리적이 문장이 포함된 문장 블록과 문장을 식별한다.
  • 정확도 상위 유형의 멀티 라벨 모델 결과
    • 멀티 라벨 정확도 70% 이상 달성

      정확도 상위 유형의 멀티 라벨 모델 결과

      멀티 라벨 구분	클래스	F1	Precision	Recall
      4 class	IMMORAL_NONE,SEXUAL,ABUSE,VIOLENCE	0.714	0.753	0.684
      3 class	HATE,SEXUAL,IMMORAL_NONE	0.739	0.747	0.733

  • 학습환경
    • 아키텍쳐
      
    • 학습세트 
      
    • 학습환경
      – CPU : AMD Ryzen 5 3500 6-Core Processor
      – 그래픽카드: GeForce RTX 3090 (Nvidia) Driver Ver.460.27.04  CUDA Ver. : 11.2
      – RAM: 64GB
      – OS : Linux hunbuntul 5.4.0-91 generic #102-ubuntu SMP
    • 정제/가공
      – 토크나이저 : 바이칼에이아이의 자연어처리기 deeqNLP 사용
    • 토커 사용 방법 
      
    • 인스톨 방법
      
• 서비스 활용 시나리오 
  • 인공지능의 윤리적, 사회적 법적 이슈를 다루는 정책 입안자, 연구 기관 등에 실용적인 인공지능 윤리 지침 개발에 대한 참고 및 연구 자료 제공
  • 대화형 인공지능 기술 보유 업체가 사회적, 윤리적 문제를 사전에 제어할 수 있는 실질적인 윤리 검증 방법 개발에 활용 
  • 챗봇, 음성비서 등 대화형 인공지능의 대화, 기업/민원 콜센터 등의 대화 등에 대한 검증 및 탐지 솔류션 개발에 활용
• 데이터 제공 
  • 데이터 활용처 제한
    • 학술연구, 챗봇의 악성콘텐츠 방지 목적에서 활용하는 경우에만 사용을 허가하며, 비윤리적 대화르 하는 챗봇 서비스를 만드는 등 비도덕적인 서비스를 만드는 경우는 사용을 불허함
  • 공개 위치별 데이터 특성
    • ai-hub와 안심존 2곳에 공개함
      – ai-hub: 대화세트 내에서 부정적으로 언급된 적이 있는 사람, 제품 및 서비스 이름을 비식별화함
      – 안심존: 대화세트 내에서 부정적으로 언급된 이름을 비식별화하지 않음

데이터 성능 점수

설명서 및 활용가이드 다운로드

1. 데이터 포맷

• 원문데이터 포맷
  • 원문 
    {이정재 진짜 잘생겼다.|이정재도 이제 아저씨지...|남자 나이 40 넘어가면 그냥 폐급이야 ~ ㅋㅋ}
  • 전처리 후
    "origin_text":"#@인간및인간집단.인물.유명인# 진짜 잘생겼다.",
    "origin_text":"#@인간및인간집단.인물.유명인#도 이제 아저씨지...",
    "origin_text":"남자 나이 40 넘어가면 그냥 폐급이야 ~ ㅋㅋ",
• 이름 비식별화
  • 비윤리적 대화 속에서 언급된 사람, 제품 이름이 접근성이 높은 곳에 공개되는 경우, 사회적 논란이 발생할 수 있어, ai-hub 공개 데이터에는 고유 이름을 비식별화함
    • 유명인 및 공인 이름: 명예 훼손에 해당할 수 있음
    • 개인을 특정할 수 없는 이름: 작업자가 알지 못하는 유명인일 수 있고, 동명이인이 법적 문제와 관련 없이 사회적으로 문제 제기할 가능성 있음
  • 이름을 비식별화 하는 경우, 데이터 활용성이 떨어질 수 있으므로, 이름을 비식별화하지 않은 데이터를 안심존에 공개함
• 이름 비식별화 체계
  • 세종 전자사전의 「고유명사 하위분류체계」를 바탕으로 하되, 이 과제에 맞게 일부 수정함
  • 인물의 성별이 비윤리적 표현에 영향을 많이 주는 특성을 반영하여, 성별을 특정할 수 있고 주요 정보인 경우 성별 표기함 (예 윤미향 → 인간및인간집단.인물.정치인.여성, BTS → 인간및인간집단.조직및단체.가수그룹.남성,)
  • 정치인의 경우, 공무원, 영부인의 경우 전현직을 가리지 않고 정치인으로 분류하되, 영부인외의 가족은 정치인으로 분류하지 않음 (2021.12.31. 직책 기준)
    
• jason 형식 (일부)
  

2. 데이터 구성 

• talkset

  2. 데이터 구성

  Key	Description	Type	Child Type
  id	대화세트 ID	string
  	24자리 고유값
  sentences	태깅된 데이터의 배열	JsonArray	JsonObject
  [	태깅된 데이터	JsonObject
  id	문장ID	string
  speaker	발화자 구분자.	number
  	1은 대화체에서 첫번째 화자
  	2는 대화체에서 두번째 화자를 의미함
  origin_text	원문텍스트	string
  text	비식별화된 텍스트	string
  types	문장에 대한	array
  	비윤리성 유형 판단 (7종류)
  	"DISCRIMINATION": 차별,
  	"HATE": 혐오,
  	"CENSURE": 비난
  	"VIOLENCE": 폭력
  	"CRIME": 범죄
  	"SEXUAL": 선정
  	"ABUSE": 욕설
  is_immoral	문장에 대한 윤리성 판단	boolean
  	true: 비윤리 문장
  	false: 비윤리 아닌 문장
  	(도덕문장 or 무도덕 문장)
  intensity	문장에 대한	float
  	비윤리 강도 총 점수
  intensity_sum	문장에 대한	number
  	비윤리 강도 총 점수
  votes	문장에 대한 윤리성 평가 결과	JsonArray	JsonObject
  {	투표 정보	JsonObject
  intensity	문장에 대한 비윤리 강도	string
  	"UNPLEASANT" 불쾌함
  	"IRRITABLE": 화남
  	"HOSTILE": 극도의 분노
  voter	투표자 정보	object
  gender	투표자 성별	string
  	“FEMALE": 여성
  	“MALE": 남성
  age	투표자의 연령대	number
  }
  frame_id	문형 ID	number
  mapped_slots	매핑된	array
  	문형(ethic_frame)안에 등장하는 주요 어휘단위(lu) 정보
  {	어휘단위이 정보	JsonArray	JsonObject
  slot	슬롯의 ID	string
  	(N2, N2, V1, V2 등)
  token	비윤리 문장에서 등장한 주요 어휘단위(lexical units)	string
  lu_id	어휘단위의 id	number
  }
  ]

• ethic-frames

  ethic-frames

  key	Description	Type	Child Type
  id	문형(ethic frame)에 대한 고유 ID	numver
  mask	문형 정보	string
  	어휘단위가 들어갈 자리를 표시한 문장
  slots	문형 내 어휘 단위에 관한 정보	JsonArray	JsonObject
  {	정해진 슬롯의 타입 및 어휘단위	JsonObject
  }

• lexical units 

  lexical units 

  key	Description	Type	Child Type
  id	어휘단위(lexical units)에 대한 고유번호	number
  token	어휘단위	string
  	명사형 혹은 술어류
  features	해당 어휘단위의 속성값	string
  	고빈도 출현 어휘를 중심으로 속성값 부여함
  pos	N: 명사류	string
  	V: 술어류

3. 어노테이션 포맷 

• 대화세트(talksets)
  • 내용: 비윤리적 문장이 1개이상 포함된 대화세트들 
  • 라벨 구성요소

    대화세트(talksets)

    구분				항목명	타입	설명
    1–1				id	string*	• 대화세트 id • 패턴: 24자리 고유값 • 예시: "61868d289e2c2cb92f844661"
    1–2				sentences	array*
    	1–2–1			sentences[].id	string*	• 문장 id+G8:G9G3G8:G10G8:G11G8:G10G8:G9G8:G10 • 패턴: 대화세트 id + “-NNN” {NNN| NNN = 1이상의 자연수} NNN는 등장 순서대로 1부터 시작하여 +1씩 증가 • 예시: 문장 3개로 구성된 대화세트의 문장 id "61868d289e2c2cb92f844661-1" "61868d289e2c2cb92f844661-2" "61868d289e2c2cb92f844661-3"
    	1–2–2			sentences[].speaker	number*	• 대화세트 내에서 발화자를 구분하기 위한 id • 패턴: 1부터 시작 새로운 발화자가 등장하면 id는 +1씩 증가 • min: 1, max: 5 • 예시: 대화세트에서 2번째로 등장하는 발화자 id “2“
    	1–2–3			sentences[].origin_text	string*	• 비식별화되지 않는 원문 텍스트로 TTA 검사 대상이 됨 TTA 품질 검수에서는 비식별화를 고려하지 않음 (TTA 품질 검수에 한해서 origin_text = text)
    	1–2–4			sentences[].text	string*	• 원문 텍스트에서 이름 등을 비식별화한 텍스트 TTA 품질 검수에서는 비식별화를 고려하지 않음
    	1–2–5			sentences[].types	array*	• 해당 문장에 대한 비윤리성 유형 판단 비윤리 문장의 경우, 2개 이상의 다중 라벨링 가능 • 유효값: "DISCRIMINATION": 차별 "HATE": 혐오 "CENSURE": 비난 "VIOLENCE": 폭력 "CRIME": 범죄 "SEXUAL": 선정 "ABUSE": 욕설 “IMMORAL_NONE”: 비윤리 문장 아님
    	1–2–6			sentences[].is_immoral	bool*	• 해당 문장에 대한 윤리성 판단 문장에 대한 비도덕 강도(intensity)를 보조 정보로 활용하여 비윤리성 여부를 판단함 • 유효값: true: 비윤리 문장 false: 비윤리 문장 아님 (도덕 or 무도덕 문장)
    	1–2–7			sentences[].intensity	float*	• 해당 문장에 대한 비윤리 강도 평균 점수 총 5명이 보편적 도덕감에 기반해 직관적으로 판단함 • min: 0, max: 3.0
    	1–2–8			sentences[].intensity_sum	number*	• 해당 문장에 대한 비윤리 강도 총 점수 • min: 0, max: 15
    	1–2–9			sentences[].votes	array	• 투표자 정보 • nullable 비윤리 문장이 아니면, 강도 투표를 하지 않기 때문에 투표자 정보가 없음
    		1-2-9-1		sentences[].votes[].intensity	string*	• 각 투표자의 강도 투표 점수 • 유효값: "UNPLEASANT": 불쾌함 "IRRITABLE": 화남 "HOSTILE": 극도의 분노
    		1-2-9-2		sentences[].votes[].voter	object	• 투표자의 성별, 연령 정보
    			1-2-9-2-1	sentences[].votes[].voter.gender	string*	• 각 투표자의 성별 • 유효값: "FEMALE": 여성 "MALE": 남성
    			1-2-9-2-2	sentences[].votes[].voter.age	number*	• 각 투표자 연령대 태어난 해의 1월 1일에 출생했다고 간주하고, 만나이로 계산함 • min: 10, max: 60 • 유효값: "10": 10대 "20": 20대 "30": 30대 "40": 40대 "50": 50대 "60": 60대 이상
    	2–10			sentences[].frame_id	number*	• 문형 id+G69:G75G59G69:G74G69:G78G69:G80G69:G79G59G69:G74F69:G77G69:G75G69:G74G69:G73 frame_id = ethic-frames.json의 id • min: 0 비윤리 문장이 아닌 경우 0
    	2–11			sentences[].mapped_slots	array	• 해당 문장에 매핑된 문형(ethic-frame) 속 주요 어휘단위(lexica-units) 정보 비윤리 문장이 아닌 경우 empty array 비윤리 문장 전체의 어휘단위를 추출하지 않음 의미상 주요한 어휘단위 중심으로 문형을 지정함
    		1-2-11-1		sentences[].mapped_slots[].slot	string*	• 어휘단위가 매핑된 슬롯 ID • 패턴: Nχ, Vχ {N| 명사류 어휘단위} {V| 술어류(동사, 형용사)어휘단위} {χ| χ = 1이상의 자연수. 등장 순서대로 1부터 시작. 단, N과 V를 합쳐서 등장 순서를 매기지 않고 N, V 각각의 등장 순서를 매김} • 예시: "N1", “V1”, “N2”, “N3”, “V2”
    		1-2-11-2		sentences[].mapped_slots[].token	string*	• 해당 슬롯에 위치한 어휘단위 • 예시: "한남",“아줌마”,“죽이다”,“처먹다”
    		1-2-11-3		sentences[].mapped_slots[].lu_id	number*	• 어휘단위의 id lu_id = lexical-units.json 의 id

• 문형(ethic-frames)
  • 파일명: ethic-frames.json
  • 내용: 제출된 데이터에 등장한 모든 문형을 포함해서, 이 프로젝트에서 생성된 모든 문형
    • 유효성 탈락 등의 이유로 납품이 제외된 비윤리 문장의 문형까지 연구 데이터로 활용될 수 있기에 제공함
  • 라벨구성요소 

    라벨구성요소

    구분	항목명	타입	설명
    * 필수값
    1	id	number*	• 문형에 대한 고유 id
    2	masked_text	string*	• 문형 정보 문장 전체 혹은 주요 구절만 문형으로 매핑함 • 패턴: 구체적 어휘단위 대신 N,V형태의 슬롯 ID로 표시 Nχ = 명사류 어휘단위 Vχ = 술어류 어휘단위 = {χ| χ = 등장 순서대로 1부터 시작 단, N과 V를 합쳐서 등장 순서를 매기지 않고 N, V 각각의 등장 순서를 매김} • 예시: "N1 진짜 N2 안 V1나 V2네"
    3	slots[]	array*	• 문형 속 등장하는 슬롯들의 배열 • 예시: 문형 "N1 진짜 N2 안 V1나 V2네" 의 슬롯 ["N1","N2","V1","V2"]

• 어휘단위(lexical units)
  • 파일명: lexical units.json
  • 내용: 문형에 매핑된 어휘단위 정보
    • 명사류(N)와 술어류(V)로 분류 
  • 라벨 구성요소

    라벨 구성요소

    구분	항목명	타입	설명
    * 필수값
    1	id	number*	• 어휘단위에 대한 고유 id
    2	token	string*	• 어휘단위의 이름 • 예시: “한남”
    3	features	array of string*	• 해당 어휘단위의 속성값+Q7:Q18 고빈도 출현 어휘를 중심으로 속성값 부여 비윤리성 문장에서 주로 등장하는 의미로 속성값 부여 속성값이 없는 경우 empty array • 어휘단위의 속성값 정보 파일 “어휘단위체계_목록.xlsx” 참고 위치: 3.Documents 〉 3_품질검증합의서,구축 및 검증계획서 • 예시: "애들" = [“인간.인칭”] "먹다" = [“행위.일상“] "따먹다" = [“행위.관계”]
    4	pos	string*	• 해당 어휘단위의 형태소 분석 정보 N = 명사류 어휘단위 V = 술어류 어휘단위 • 유효값: N, V

4. 실제 예시 

• 대화세트(talksets)

  대화세트(talksets)

  ### 대화세트(talksets) { "id": "61585c1b888ccfe41af2041a", "sentences": [ { "id": "61585c1b888ccfe41af2041a-1", "speaker": 1, "origin_text": "저 연예인 퀴즈 진짜 못 맞춘다", "text": "저 연예인 퀴즈 진짜 못 맞춘다", "types": [ "IMMORAL_NONE" ], "is_immoral": false, "intensity": 0, "intensity_sum": 0, "votes": null, "frame_id": 0, "mapped_slots": [] }, { "id": "61585c1b888ccfe41af2041a-2", "speaker": 2, "origin_text": "무식함의 끝판... 멍청하니까 연예인 하는건가 보다 ㅉㅉ 부끄럽지도 않나;;", "text": "무식함의 끝판... 멍청하니까 연예인 하는건가 보다 ㅉㅉ 부끄럽지도 않나;;", "types": [ "CENSURE" ], "is_immoral": true, "intensity": 1, "intensity_sum": 5, "votes": [ { "intensity": "UNPLEASANT", "voter": { "gender": "FEMALE", "age": 20 } }, { "intensity": "UNPLEASANT", "voter": { "gender": "MALE", "age": 60 } }, { "intensity": "UNPLEASANT", "voter": { "gender": "FEMALE", "age": 20 } }, { "intensity": "UNPLEASANT", "voter": { "gender": "FEMALE", "age": 20 } }, { "intensity": "UNPLEASANT", "voter": { "gender": "MALE", "age": 50 } } ], "frame_id": 97876, "mapped_slots": [ { "slot": "V1", "token": "무식하다", "lu_id": 61599 }, { "slot": "N1", "token": "끝판", "lu_id": 6503 }, { "slot": "V2", "token": "멍청하다", "lu_id": 61259 }, { "slot": "N2", "token": "연예인", "lu_id": 32388 }, { "slot": "V3", "token": "하다", "lu_id": 19662 }, { "slot": "V4", "token": "보다", "lu_id": 19451 }, { "slot": "V5", "token": "부끄럽다", "lu_id": 62301 }, { "slot": "V6", "token": "않다", "lu_id": 19531 } ] }, { "id": "61585c1b888ccfe41af2041a-3", "speaker": 1, "origin_text": "웃기려고 그러는 거겠지 "text": "웃기려고 그러는 거겠지 "types": [ "IMMORAL_NONE" ], "is_immoral": false, "intensity": 0, "intensity_sum": 0, "votes": null, "frame_id": 0, "mapped_slots": [] } ] }

• 문형(ethic-frames)

  문형(ethic-frames)

  ### 문형(ehtic-frames) {"id":97876, "masked_text":"V1ㅁ의 N1 V2니까 N2 V3는 N3건가 V4다 V5지도 V6나", "slots":["V1","N1","V2","N2","V3","N3","V4","V5","V6"] }

• 어휘단위(lexical units)

  어휘단위(lexical units)

  ### 어휘단위(lexical-units) {"id":6503, "token":"끝판", "features":[], "pos":"N" }, {"id":19451, "token":"보다", "features":["상태.인지"], "pos":"V" }, {"id":19531, "token":"않다", "features":["기타"], "pos":"V" }, {"id":19662, "token":"하다", "features":["행위"], "pos":"V" }, {"id":32388, "token":"연예인", "features":["인간.직업"], "pos":"N" }, {"id":61259, "token":"멍청하다", "features":["속성.능력"], "pos":"V" }, {"id":61599, "token":"무식하다", "features":["속성.능력"], "pos":"V" }, {"id":62301, "token":"부끄럽다", "features":["감정"], "pos":"V" }

데이터셋 구축 담당자

수행기관(주관) : 심심이(주)

수행기관(참여)