2026년 10월 24일 arXiv 플랫폼(번호 2610.30987v1)에 게재된 새로운 연구는 소셜 미디어에서 흔히 발견되지만 통일된 판별이 어려운 수사적 현상인 엔티메메(전제나 결론이 명시되지 않은 논증)에 주목한다. 이러한 유형의 논증은 백신 접종, 이민 등 논란이 되는 정치적 주제를 다룬 트윗에서 빈번하게 나타나며, 독자가 논리적 공백을 스스로 채워야 하기 때문에 동일한 텍스트가 엔티메메를 포함하는지 여부를 두고 서로 다른 주석자들 간에 상당한 이견이 발생한다.
연구에서는 다섯 명의 주석자가 공동으로 주석한 트윗 데이터셋을 사용해 실험을 수행한 결과, 모든 미세조정 모델의 F1 점수가 약 0.67에 안정적으로 머무르며, 이러한 한계는 데이터 규모, 특징 공학 또는 레이블 유형의 영향을 받지 않는다는 것을 확인했다. 이에 따라 저자들은 전통적인 단일 지점 예측 평가 방식의 타당성을 의문시하고, 대신 모델 출력과 전체 주석자의 투표 분포를 비교하는 새로운 평가 프레임워크를 제안하며, 해당 분포를 직접 예측할 수 있는 모델을 구축했다. 이 모델은 동등한 F1 수준을 유지하면서도 인간 판단의 산포성을 보다 현실적으로 반영한다.
추가 분석에 따르면, 현재의 모델과 담화 해석기 모두 명시적 논증 구조에 크게 의존하고 있다. 이들은 엔티메메가 포함되지 않은 트윗은 신뢰성 있게 식별할 수 있지만, 엔티메메가 포함된 트윗에 대해서는 거의 확정적인 판단을 내리지 못한다. 두 시스템의 공통적인 맹점은 논리적 연결이 완전히 암시되어 있어 독자의 배경 지식에 의존해야만 추론할 수 있는 논증을 식별하지 못한다는 점이다. 논문은 마지막으로, 이러한 한계가 다수의 주석 데이터를 기반으로 학습하는 콘텐츠 검열 시스템에 실질적인 위험을 초래한다고 지적한다. 즉, 시스템은 조작성이 있으면서도 구조가 은폐된 엔티메메를 통과시키거나, 맥락 이해가 필요한 타당한 논증을 오인하여 삭제할 수 있다는 것이다.