1. AI-언어융합개론

이 과목은 AI언어융합대학원의 입문 과목으로서, 언어학·외국어 교육·자연어처리·생성형 AI·데이터 기반 응용을 하나의 체계로 연결해 이해하도록 돕는다. 학생들은 언어와 AI의 접점을 중심으로 전산언어학, 기계학습, 딥러닝, 대규모 언어모델, 언어데이터 구축, AI 활용 언어교육의 개념적 지형을 학습한다. 또한 언어-AI융합 분야가 번역, 통역, 언어교육, 콘텐츠 산업, 행정, 국제 비즈니스 등에서 어떻게 활용되는지를 사례 중심으로 검토한다. 수업은 이론 소개와 함께 국내외 응용 사례 분석, 간단한 실습, 진로 탐색 활동으로 구성되며, 학생들이 이후 전공 과목들을 유기적으로 이해할 수 있도록 공통 기반을 제공한다.
 

2. AI를 위한 파이썬 프로그래밍

이 과목은 언어 데이터 처리와 AI 응용을 위한 파이썬 기초를 익히는 실습 중심 수업이다. 학생들은 변수, 조건문, 반복문, 함수, 파일 입출력 등 기본 문법을 학습한 뒤, 문자열 처리, 텍스트 정제, 형태소 분석 연계, 데이터프레임 처리, API 호출 등 AI 분야에서 자주 사용하는 기술을 실습한다. 또한 간단한 데이터 시각화와 자동화 스크립트 작성, 공개 AI 도구와의 연동도 다룬다. 수업의 목표는 전문 개발자를 양성하는 것이 아니라, 언어 전문가와 교육 전문가가 AI 도구를 이해하고 활용할 수 있는 수준의 실무 코딩 역량을 확보하도록 하는 데 있다. 최종적으로 학생들은 텍스트 기반 미니 프로젝트를 수행한다.
 

3. AI 활용과 프롬프트 엔지니어링

이 과목은 생성형 AI를 실제 업무와 교육, 연구 현장에 적용하기 위한 활용 역량을 기르는 데 초점을 둔다. 학생들은 프롬프트의 구조, 역할 부여, 맥락 설계, 출력 제어, 평가와 개선 방법을 학습하고, 번역, 글쓰기, 요약, 분석, 자료 생성, 질의응답, 학습 지원 등 다양한 과업에 맞는 프롬프트 전략을 실습한다. 또한 프롬프트 엔지니어링의 한계와 환각, 편향, 보안, 개인정보 이슈도 함께 다룬다. 수업에서는 상용 생성형 AI와 공개 모델 활용 사례를 비교하면서, 반복 가능한 업무 프로세스와 교육 설계에 AI를 접목하는 방식을 익힌다. 결과적으로 학생들은 프롬프트를 단순 명령문이 아닌 문제 해결 도구로 설계하는 능력을 갖추게 된다.
 

4. 전산언어학

이 과목은 인간 언어의 구조를 컴퓨터가 처리 가능한 형식으로 분석하는 방법을 다룬다. 형태론, 통사론, 의미론, 화용론의 핵심 개념을 바탕으로 언어 정보가 어떻게 표상되고 계산될 수 있는지를 학습하며, 규칙 기반 접근과 통계적 접근의 차이도 함께 이해한다. 학생들은 형태소 분석, 품사 태깅, 구문 분석, 의미 표상 등 전산언어학의 주요 주제를 접하고, 다국어 환경에서 언어 구조 차이가 AI 모델에 미치는 영향도 검토한다. 이 과목은 자연어처리와 언어데이터 구축 과목의 이론적 토대를 제공하며, 언어학 전공자에게는 계산적 사고를, AI 전공자에게는 언어 구조 이해를 강화하는 교량 과목의 역할을 수행한다.
 

5. AI를 위한 통계와 데이터분석

이 과목은 AI와 데이터 기반 연구를 이해하기 위한 통계·분석 역량을 배양한다. 기술통계, 확률, 표본추출, 가설검정, 상관과 회귀, 분류 성능 지표 등 핵심 개념을 중심으로 데이터를 읽고 해석하는 방법을 학습한다. 또한 언어교육, 텍스트 분석, AI 성능 평가 사례를 활용하여 실제 연구와 실무 문제에 통계를 적용하는 훈련을 진행한다. 학생들은 데이터 시각화, 탐색적 데이터 분석, 실험 결과 해석, 모델 성능 비교의 기본 원리를 익히며, 논문과 보고서에서 제시되는 수치 결과를 비판적으로 검토하는 능력도 함께 기른다. 이 과목은 후속 과목인 기계학습, 자연어처리, 캡스톤 프로젝트 수행을 위한 분석적 기반을 제공한다.
 

6. 자연어처리

이 과목은 인간 언어를 계산적으로 처리하는 핵심 기술을 체계적으로 학습하는 전공 중심 과목이다. 학생들은 텍스트 전처리, 토큰화, 단어 표현, 언어모델의 기본 개념에서 출발하여 텍스트 분류, 감성 분석, 정보 추출, 기계번역, 요약, 질의응답과 같은 대표적인 자연어처리 과제를 다룬다. 전통적인 기법과 최근의 신경망 기반 접근을 함께 비교하며, 언어별 특성과 다국어 데이터 문제도 검토한다. 실습에서는 공개 데이터셋과 라이브러리를 활용해 간단한 NLP 파이프라인을 구성하고 결과를 해석한다. 이 과목은 언어 전문가가 AI 기반 언어 기술을 이해하고, AI 전공자가 실제 언어 문제를 다룰 수 있도록 연결하는 핵심 교과목이다.
 

7. 기계학습

이 과목은 데이터로부터 패턴을 학습하는 기계학습의 기본 원리를 다룬다. 지도학습, 비지도학습, 훈련·검증·테스트 분할, 과적합, 일반화, 특성공학, 모델 선택, 성능 평가 등의 핵심 개념을 중심으로 AI 모델이 어떻게 설계되고 검증되는지를 학습한다. 학생들은 회귀, 분류, 군집화, 차원축소 등 대표적인 문제 유형을 이해하고, 언어 데이터와 교육 데이터에 기계학습을 적용하는 사례를 검토한다. 또한 데이터 품질, 편향, 설명가능성, 실무 적용 한계도 함께 논의한다. 실습을 통해 기본적인 모델링 과정을 경험하면서, 이후 딥러닝, 자연어처리, 공개 LLM 활용 과목을 수강하기 위한 기초적 분석 및 모델 이해 능력을 확립한다.
 

8. 딥러닝과 트랜스포머

이 과목은 현대 AI의 핵심 기술인 딥러닝과 트랜스포머 구조를 이해하는 데 목적이 있다. 학생들은 퍼셉트론, 다층신경망, 역전파, 활성화 함수, 최적화 개념을 학습한 뒤, 순환신경망, 어텐션 메커니즘, 트랜스포머, 사전학습 모델의 구조로 확장해 나간다. 특히 언어 처리 분야에서 트랜스포머가 왜 중요한지, 문맥 표현과 장거리 의존성 처리에 어떤 강점을 가지는지를 중점적으로 다룬다. 수업에서는 이론 설명과 함께 공개 모델 사례 분석, 성능 비교, 간단한 실습을 병행한다. 이 과목은 공개 LLM의 이해와 활용, 응용프로그램 개발, 언어AI 연구 수행을 위한 핵심 기술적 기반을 형성한다.
 

9. 다국어 코퍼스 설계와 구축

이 과목은 부산외국어대학교의 특성화와 직접 연결되는 다국어 언어자료 구축 역량을 기르는 데 초점을 둔다. 학생들은 코퍼스의 개념, 유형, 활용 목적을 이해하고, 다국어 데이터 수집, 정제, 정렬, 메타데이터 설계, 저작권 검토, 저장 구조 설계 등의 실제 구축 절차를 학습한다. 또한 병렬 코퍼스, 학습자 코퍼스, 도메인 특화 코퍼스 등 다양한 유형의 사례를 분석한다. 수업에서는 언어쌍 간 불균형, 표기 체계 차이, 문화적 맥락 문제처럼 다국어 데이터 구축에서 자주 발생하는 과제를 다룬다. 학생들은 팀 프로젝트를 통해 소규모 다국어 코퍼스를 직접 설계하고 구축함으로써 연구와 산업 양 측면에서 활용 가능한 실무 역량을 확보한다.
 

10. AI 학습용 언어데이터 구축 및 품질관리

이 과목은 AI 모델 성능의 핵심 기반이 되는 언어데이터를 어떻게 설계하고 품질관리할 것인가를 다룬다. 학생들은 데이터 수집 계획 수립, 주석 기준 설계, 라벨링 프로세스 운영, 검수 체계 구축, 품질 지표 설정, 오류 유형 분석, 편향 점검, 개인정보 및 윤리 검토 등 데이터 구축 전 과정을 학습한다. 특히 생성형 AI와 언어모델 학습에 적합한 데이터셋을 만들기 위해 필요한 형식화, 정제, 문서화 방법을 실습 중심으로 익힌다. 또한 데이터 거버넌스와 재현가능성, 활용 목적에 맞는 품질관리 전략도 함께 다룬다. 이 과목은 AI언어융합대학원의 특성화 역량을 대표하는 핵심 과목으로서, 산업체 수요와 연구 수요를 동시에 반영한다.
 

11. 공개 LLM의 이해와 활용

이 과목은 공개 LLM의 구조와 활용 방식을 이해하고, 실제 업무와 연구에 적절히 적용하는 능력을 기르는 과목이다. 학생들은 공개 LLM의 기본 구조, 모델 규모와 성능, 토크나이저, 컨텍스트 윈도우, 추론 방식, 파인튜닝과 경량화 개념을 학습한다. 또한 RAG, 지식 연결, 문서 질의응답, 요약, 번역, 글쓰기 지원과 같은 활용 사례를 검토하면서 모델 선택과 사용 전략을 비교한다. 상용 모델과 공개 모델의 차이, 비용과 보안, 데이터 통제 문제도 함께 다룬다. 수업을 통해 학생들은 특정 도구에 종속되지 않고 공개 LLM 생태계를 이해하며, 교육·행정·산업 문제를 해결하는 데 적합한 모델 활용 전략을 설계할 수 있게 된다.
 

12. 공개 LLM 기반 AI 응용프로그램 개발

이 과목은 공개 LLM을 기반으로 실제 서비스와 도구를 설계·구현하는 개발 실습 과목이다. 학생들은 API 활용, 프롬프트 체인 설계, 벡터 데이터베이스, 문서 검색, RAG, 간단한 에이전트 구조, 사용자 인터페이스 연계를 학습하며, 챗봇·문서분석기·언어학습 보조도구·행정지원 시스템과 같은 응용프로그램을 구현한다. 수업에서는 기술 구현뿐 아니라 사용 시나리오 정의, 사용자 요구 분석, 출력 품질 평가, 오류 대응, 개인정보 보호와 보안도 함께 검토한다. 학생들은 팀 또는 개인 프로젝트를 통해 하나의 프로토타입을 완성하고 결과를 발표한다. 이 과목은 대학원 교육의 실무성과 산업 연계성을 가장 직접적으로 보여주는 응용 중심 교과목이다.
 

13. AI 활용 언어교육론

이 과목은 AI를 외국어교육과 언어학습 지원에 효과적으로 접목하는 이론과 방법을 다룬다. 학생들은 AI 기반 학습지원 도구, 자동 피드백, 맞춤형 학습 추천, 발화 및 작문 평가, 대화형 튜터 설계 등의 주요 주제를 학습한다. 또한 교수설계, 학습자 분석, 성취기준, 평가 방식, 교실 적용성과 같은 교육학적 요소를 함께 검토하여 단순 기술 활용을 넘어 교육적으로 타당한 AI 활용 방안을 설계하도록 한다. 다양한 언어교육 사례와 실험 연구를 분석하면서 효과성과 한계, 교사의 역할 변화도 논의한다. 수업의 궁극적 목표는 학생들이 AI를 활용해 실제 외국어교육 현장에 적용 가능한 수업모형과 콘텐츠를 설계할 수 있도록 하는 데 있다.
 

14. AI 윤리, 저작권, 데이터 거버넌스

이 과목은 AI 분야에서 필수적으로 고려해야 하는 윤리적·법적·제도적 쟁점을 종합적으로 다룬다. 학생들은 AI 편향, 차별, 환각, 책임성, 투명성, 개인정보 보호, 저작권, 데이터 라이선스, 학습데이터의 적법성, 교육 현장에서의 AI 사용 규범 등을 학습한다. 또한 생성형 AI와 공개 LLM 활용 시 발생할 수 있는 보안 및 정책 문제를 사례 중심으로 검토한다. 수업은 규범 이론 소개에 그치지 않고 실제 서비스 설계와 교육 운영에서 어떤 기준과 절차를 마련해야 하는지까지 연결한다. 이를 통해 학생들은 언어AI 기술을 단지 잘 사용하는 수준을 넘어, 책임 있게 설계하고 운영하는 전문가로 성장할 수 있다.
 

15. AI-언어 융합 캡스톤 프로젝트 세미나

이 과목은 대학원 과정에서 습득한 지식과 기술을 실제 문제 해결로 통합하는 종합 프로젝트 과목이다. 학생들은 팀 또는 개인 단위로 문제를 정의하고, 관련 언어데이터를 수집·구축·정제하거나 적절한 공개 모델과 도구를 선택하여 하나의 연구 또는 응용 결과물을 완성한다. 프로젝트 주제는 AI 활용 언어교육, 다국어 데이터 구축, 공개 LLM 기반 서비스 개발, 번역·통역 보조 시스템, 행정·산업용 언어AI 솔루션 등으로 구성할 수 있다. 프로젝트 수행 과정에서는 기획서 작성, 중간 점검, 결과 평가, 발표와 보고서 작성이 포함된다. 이 과목은 교육과정의 학습 성과를 종합적으로 보여주는 최종 단계이자, 현장 연계성과 취업 경쟁력을 강화하는 핵심 마무리 과목이다.

16. AI 포스트에디팅의 이론과 실제

이 과목은 신경망 기계번역(NMT) 및 생성형 AI 환경에서의 포스트에디팅(PE) 이론과 실무를 체계적으로 다룬다. 학생들은 MTPE의 이론적 토대와 전문 번역가로서의 PE 전략을 학습하고, AI 번역 결과물의 품질 평가 지표(BLEU, MQM 등)를 바탕으로 오류를 분석·교정하는 능력을 기른다. 또한 번역메모리, CAT 툴, LLM 기반 번역 도구를 통합한 AI 번역 워크플로우를 설계하고 운영하는 실습을 병행한다. 수업의 궁극적 목표는 학생들이 AI와 협업하는 고급 포스트에디터로서 실제 번역 산업 현장에서 즉시 활동할 수 있는 전문 역량을 갖추도록 하는 데 있다.

17. 글로벌 언어 서비스와 로컬라이제이션

이 과목은 글로벌 언어 서비스 산업의 구조와 흐름을 이해하고, AI 기술을 활용한 다국어 콘텐츠 로컬라이제이션의 이론과 실무를 다룬다. 학생들은 AI 번역 워크플로우 기반의 콘텐츠 현지화 프로세스, 테크니컬 라이팅 등 실제 언어 서비스 현장에서 요구되는 핵심 역량을 학습한다. 또한 게임·관광·교육·플랫폼 등 다양한 산업 분야의 로컬라이제이션 사례를 분석하고, 생성형 AI와 LLM을 활용한 문화적·언어적 현지화 전략을 탐구한다. 수업의 궁극적 목표는 학생들이 AI 기반 글로벌 언어 서비스 환경에서 경쟁력 있는 전문 인재로 성장할 수 있도록 하는 데 있다

1. Introduction to AI-Language Convergence

This introductory course provides a comprehensive overview of the interdisciplinary field of AI-Language Convergence by connecting linguistics, foreign language education, natural language processing, generative AI, and data-driven applications into one coherent framework. Students learn the conceptual foundations of computational linguistics, machine learning, deep learning, large language models, language data construction, and AI-assisted language education. The course also examines how AI-language is applied in translation, interpreting, language education, content industries, administration, and international business. Through lectures, case analysis, and introductory hands-on activities, students develop a broad understanding of the field and its social and industrial significance. The course is designed to give all students a common intellectual foundation that will help them navigate more specialized courses in the program.

2. Python Programming for AI

This course is a practice-oriented introduction to Python programming for language data processing and AI applications. Students begin with basic programming concepts such as variables, conditionals, loops, functions, and file handling, and then move on to string processing, text cleaning, dataframe manipulation, API calls, and introductory automation tasks relevant to AI. The course emphasizes practical competence rather than professional software engineering. Students learn how to use Python to work with text corpora, preprocess language data, connect to AI services, and create simple scripts for educational or administrative use. Basic visualization and mini-project development are also included. By the end of the course, students are expected to possess sufficient coding literacy to participate meaningfully in AI-enabled language projects and to communicate effectively with developers and data specialists.

3. AI Utilization and Prompt Engineering

This course focuses on the effective use of generative AI in education, research, administration, and professional practice. Students study the structure of prompts, role design, context setting, output control, evaluation criteria, and iterative refinement strategies. They practice designing prompts for translation, summarization, writing assistance, analysis, report generation, question answering, and instructional support. The course also addresses the limitations of prompt-based interaction, including hallucinations, bias, privacy concerns, and security issues. Students compare the use of commercial AI services and open models while learning how to integrate AI into repeatable workflows and educational designs. Rather than treating prompts as simple commands, the course trains students to use prompt engineering as a method of structured problem solving and practical system design in language- and knowledge-intensive contexts.

4. Computational Linguistics

This course explores how human language can be represented and processed in computational form. Drawing on core concepts from morphology, syntax, semantics, and pragmatics, students learn how linguistic knowledge is formalized for computational analysis and how rule-based and statistical approaches differ in their treatment of language. Topics include morphological analysis, part-of-speech tagging, parsing, semantic representation, and the computational implications of language structure across different languages. The course pays particular attention to multilingual environments and the ways in which linguistic diversity affects AI models and language technologies. As a bridge course, it helps linguistically trained students develop computational perspectives while helping technically oriented students gain a deeper understanding of language structure. It therefore serves as an essential theoretical foundation for later coursework in NLP, language data construction, and language AI applications.

5. Statistics and Data Analysis for AI

This course develops the statistical and analytical literacy necessary for AI-related study and research. Students learn core concepts such as descriptive statistics, probability, sampling, hypothesis testing, correlation, regression, and evaluation metrics for classification and prediction tasks. The course emphasizes practical interpretation of data through examples drawn from language education, text analysis, and AI performance evaluation. Students also learn exploratory data analysis, visualization, basic experimental design, and the critical reading of numerical evidence in research papers and technical reports. Rather than focusing solely on mathematical derivation, the course trains students to understand how data supports claims, how results should be interpreted, and how model performance should be compared responsibly. It provides an essential analytical basis for later courses in machine learning, NLP, applied AI development, and capstone research.

6. Natural Language Processing

This course offers a systematic introduction to the core methods used to process human language computationally. Students begin with text preprocessing, tokenization, word representation, and foundational language modeling concepts, and then move into key NLP tasks such as text classification, sentiment analysis, information extraction, machine translation, summarization, and question answering. Both traditional methods and neural approaches are discussed in order to help students understand the historical development and current state of NLP. Special attention is given to multilingual data, language-specific features, and practical challenges in applying NLP across domains. Through hands-on exercises using public datasets and software libraries, students build simple NLP pipelines and learn how to interpret their results. The course serves as a core subject that links language expertise with AI-based language technology.

7. Machine Learning

This course introduces the fundamental principles of machine learning as a way of discovering patterns from data. Students learn key concepts such as supervised learning, unsupervised learning, training-validation-test splitting, overfitting, generalization, feature engineering, model selection, and performance evaluation. The course examines representative tasks including regression, classification, clustering, and dimensionality reduction, with examples drawn from language data and educational data. In addition to algorithmic basics, the course discusses data quality, bias, interpretability, and practical limitations in real-world deployment. Students engage in introductory modeling exercises to understand how learning systems are trained, evaluated, and improved. The course provides essential preparation for advanced study in deep learning, NLP, open LLM utilization, and research-oriented or application-oriented work in language AI.

8. Deep Learning and Transformers

This course examines the core technologies underlying modern AI, with particular focus on deep learning and transformer architectures. Students first study perceptrons, multilayer neural networks, backpropagation, activation functions, and optimization principles, then progress to recurrent neural networks, attention mechanisms, transformers, and pretrained models. The course highlights why transformers have become central to language technologies, especially in their ability to model contextual meaning and long-range dependencies. Students analyze model architectures, compare performance characteristics, and participate in introductory hands-on activities involving public models and tools. The course is designed to help students understand the technical foundations of large language models without requiring highly advanced mathematical specialization. It provides a strong basis for later courses on open LLMs, application development, and advanced research in language AI.

9. Design and Construction of Multilingual Corpora

This course is closely aligned with the specialization of Busan University of Foreign Studies and focuses on the design and construction of multilingual language resources. Students learn the concept, purposes, and types of corpora and study practical procedures for multilingual data collection, cleaning, alignment, metadata design, copyright review, and storage structure design. The course examines various corpus types, including parallel corpora, learner corpora, and domain-specific corpora, while also addressing recurring challenges such as language imbalance, script variation, annotation consistency, and cultural context. Students are encouraged to think critically about how multilingual corpora can support AI training, language research, education, and industry applications. Through team-based work, they design and build a small-scale multilingual corpus, thereby gaining hands-on competence applicable to both academic and professional settings.

10. Language Data Construction and Quality Management for AI Training

This course focuses on the design, construction, and quality management of language data for AI training. Students study the full data lifecycle, including data collection planning, annotation guideline design, labeling workflows, validation procedures, quality metrics, error analysis, bias inspection, privacy review, and ethical compliance. Special attention is given to how datasets should be formatted, cleaned, documented, and governed for use in generative AI and language model training. Students also consider reproducibility, accountability, and purpose-specific quality control strategies. The course combines conceptual understanding with practical exercises so that students can evaluate not only whether data exists, but whether it is suitable, reliable, and responsible for a given AI task. This course represents one of the most distinctive strengths of the program because it directly reflects both industrial demand and the university’s multilingual specialization.

11. Understanding and Utilizing Open LLMs

This course provides a practical and conceptual understanding of open large language models and their use in research, administration, and professional practice. Students study model architecture, parameter scale, tokenization, context windows, inference behavior, fine-tuning concepts, quantization, and deployment considerations. They also analyze common application patterns such as retrieval-augmented generation, document question answering, summarization, writing support, translation, and knowledge integration. Comparisons between open models and commercial services help students evaluate cost, privacy, control, and flexibility. Rather than training students to depend on a single platform, the course encourages strategic thinking about model selection and use across different institutional and industrial contexts. By the end of the course, students are expected to understand the open LLM ecosystem and make informed decisions about how these models can support language-related problem solving.

12. AI Application Development with Open LLMs

This course is a development-oriented practicum in which students design and implement applications based on open LLMs. Topics include API usage, prompt chaining, vector databases, document retrieval, retrieval-augmented generation, basic agent frameworks, and user interface integration. Students apply these techniques to build prototypes such as chatbots, document analysis tools, language learning assistants, and administrative support systems. The course covers not only technical implementation but also user scenario design, needs analysis, output quality evaluation, error handling, privacy protection, and basic security considerations. Students complete either individual or team-based prototype projects and present their design rationale and results. As one of the most practice-centered courses in the program, it demonstrates how language expertise and AI development can be combined to create functional solutions for education, administration, and industry.

13. AI-Assisted Language Education

This course examines how AI can be effectively integrated into foreign language education and language learning support. Students explore AI-based learning tools, automated feedback systems, personalized learning recommendations, speaking and writing assessment, and conversational tutor design. At the same time, the course addresses pedagogical dimensions such as instructional design, learner analysis, achievement standards, assessment strategies, and classroom applicability. Students analyze case studies and empirical research in order to evaluate both the effectiveness and the limitations of AI-enhanced language learning environments. The course emphasizes that educational value does not come automatically from technological novelty; rather, it must be grounded in sound pedagogy and responsible implementation. By the end of the course, students are expected to design AI-supported instructional models and educational content suitable for real-world language learning contexts.

14. Ethics, Copyright, and Data Governance in AI

This course addresses the ethical, legal, and institutional issues that are essential for responsible work in AI. Students study bias, discrimination, hallucination, accountability, transparency, privacy protection, copyright, data licensing, lawful use of training data, and acceptable norms for AI use in educational settings. They also examine security and policy concerns associated with generative AI and open LLM deployment. The course does not remain at the level of abstract principles alone; it asks how ethical and governance issues should shape actual system design, educational practice, and organizational decision-making. Through case analysis and discussion, students learn to identify risks, interpret rules, and propose responsible governance frameworks. The course ultimately aims to cultivate professionals who can not only use AI effectively, but also design, manage, and evaluate it responsibly.

15. Capstone Project Seminar in AI-Language Convergence

This capstone course integrates the knowledge and skills acquired throughout the graduate program into a final problem-solving project. Students, either individually or in teams, define a real-world problem and develop a substantial outcome by collecting, constructing, or refining language data, selecting appropriate tools and open models, and producing either a research project or an applied prototype. Possible topics include AI-assisted language education, multilingual data construction, open LLM-based services, translation or interpreting support systems, and language AI solutions for administration or industry. The course includes proposal writing, progress review, evaluation, final presentation, and written reporting. As the culminating experience of the program, it enables students to demonstrate both academic understanding and practical competence while strengthening their professional readiness and portfolio development.

16. Theory and Practice of AI Post-Editing

This course provides a systematic exploration of the theory and practice of post-editing (PE) in the context of neural machine translation (NMT) and generative AI. Students will examine the theoretical foundations of MTPE and develop advanced PE strategies befitting professional translators, while building the ability to analyze and correct errors based on AI translation quality metrics such as BLEU and MQM. The course also incorporates hands-on training in designing and operating AI translation workflows that integrate translation memory, CAT tools, and LLM-based translation tools. The ultimate goal of the course is to equip students with the professional competencies needed to work immediately in the translation industry as skilled post-editors who collaborate effectively with AI.

17. Global Language Services and Localization

This course examines the structure and dynamics of the global language services industry while addressing the theory and practice of AI-driven multilingual content localization. Students will develop core competencies required in real-world language service environments, including AI translation workflow-based content localization processes, and technical writing. The course also analyzes localization cases across diverse industries such as gaming, tourism, education, and digital platforms, and explores cultural and linguistic localization strategies utilizing generative AI and large language models (LLMs). The ultimate goal of the course is to prepare students to thrive as competitive professionals in AI-driven global language service environments.