가. 기초 및 공통 영역

• AI-언어 융합개론 (3학점)

언어학, AI, 자연어처리, 생성형 AI의 개념과 언어AI융합 분야의 전체 구조를 이해하는 입문 과목

• AI-언어를 위한 파이썬 프로그래밍 (3학점)

텍스트 데이터 처리, API 활용, 간단한 AI 응용 구현을 위한 파이썬 기초 및 실습

• AI 활용과 프롬프트 엔지니어링 (3학점)

생성형 AI 도구 활용법, 프롬프트 설계 전략, 업무·교육·연구 적용 사례 실습

• 전산언어학 (3학점)

형태론, 통사론, 의미론, 화용론 등 언어학 지식을 컴퓨터 처리 관점에서 학습

• AI를 위한 통계와 데이터분석 (3학점)

AI 모델 이해를 위한 기초 통계, 데이터 해석, 시각화, 실험 설계 방법 학습

나.  핵심 전공 영역

• 자연어처리 (3학점)

토큰화, 임베딩, 텍스트 분류, 정보추출, 기계번역, 질의응답 등 NLP 핵심 기법 학습

• 기계학습 (3학점)

지도학습, 비지도학습, 모델 평가, 특성공학 등 AI 모델링의 기본 원리와 적용

• 딥러닝과 트랜스포머 (3학점)

신경망, RNN, CNN, Attention, Transformer 구조와 언어 처리 적용 사례 학습

• 다국어 코퍼스 설계와 구축 (3학점)

다국어 언어자료 수집, 정제, 메타데이터 설계, 코퍼스 구조화 방법 학습

• AI 학습용 언어데이터 구축 및 품질관리 (3학점)

데이터 주석, 품질평가, 데이터셋 설계, 편향·윤리 점검, 데이터 거버넌스 실습

• 공개 LLM의 이해와 활용 (3학점)

오픈소스 LLM의 구조, 선택 기준, 활용 전략, 파인튜닝·RAG·배포 기초 학습

• 공개 LLM 기반 AI 응용프로그램 개발 (3학점)

공개 LLM, API, 벡터DB, 에이전트 도구를 활용한 챗봇·문서분석·교육지원 앱 개발

다. 응용 및 심화 영역

• AI 활용 언어교육론 (3학점)

AI를 활용한 외국어교육, 학습자 분석, 맞춤형 피드백, 평가 설계, 교수학습 모델 연구

• AI 윤리, 저작권, 데이터 거버넌스 (3학점)

AI 윤리, 개인정보보호, 저작권, 데이터 책임성, 교육 및 산업 현장의 정책 이슈 학습

• AI언어 융합 캡스톤 프로젝트 (3학점)

실제 문제를 주제로 데이터 구축, 모델 활용, 서비스 설계, 결과 발표까지 수행하는 프로젝트형 과목

A. Foundations and Common Core

•  Introduction to AI-Language Convergence (3 credits)

An introductory course covering linguistics, AI, natural language processing, generative AI, and the overall structure of the Language AI field

•  Python Programming for AI-Language (3 credits)

Fundamental Python programming for text processing, API usage, and practical AI application development

•  AI Utilization and Prompt Engineering (3 credits)

Practical training in generative AI tools, prompt design strategies, and real-world applications in work, education, and research

•  Computational Linguistics (3 credits)

Study of morphology, syntax, semantics, and pragmatics from the perspective of computational processing

•  Statistics and Data Analysis for AI (3 credits)

Basic statistics, data interpretation, visualization, and experimental design for AI-related analysis

B. Core Major Courses

•  Natural Language Processing (3 credits)

Core NLP methods including tokenization, embeddings, text classification, information extraction, machine translation, and question answering

•  Machine Learning (3 credits)

Fundamental principles of supervised learning, unsupervised learning, model evaluation, and feature engineering

•  Deep Learning and Transformers (3 credits)

Neural networks, RNNs, CNNs, attention mechanisms, transformer models, and their applications to language tasks

•  Design and Construction of Multilingual Corpora (3 credits)

Methods for collecting, cleaning, structuring, and documenting multilingual language resources

•  Language Data Construction and Quality Management for AI Training (3 credits)

Annotation, dataset design, quality evaluation, bias checking, ethical review, and data governance practices

•  Understanding and Utilizing Open LLMs (3 credits)

Architectures, selection criteria, utilization strategies, fine-tuning concepts, RAG, and deployment basics of open-source LLMs

•  AI Application Development with Open LLMs (3 credits)

Development of chatbots, document-analysis systems, and educational support applications using open LLMs, APIs, vector databases, and agent tools

C. Advanced and Applied Courses

•  AI-Assisted Language Education (3 credits)

AI-based foreign language education, learner analysis, personalized feedback, assessment design, and instructional models

•  Ethics, Copyright, and Data Governance in AI (3 credits)

Ethical, legal, and policy issues related to AI, including privacy, copyright, accountability, and responsible data use

•  Capstone Project in AI-Language Convergence (3 credits)

A project-based course in which students define a real-world problem, build or use language data and AI models, design a service, and present final outcomes