PyTorchKR Papers

최신 논문

총 1,841편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.01964v1cs.CL

Beyond Supervised Clarification: Input Rewriting with LLMs for Dialogue Discourse Parsing

Rewriting inputs to improve frozen downstream models has become a common strategy in modern NLP pipelines. Prior work on incremental dialogue discourse parsing (DDP) shows that supervised clarification models can rewrite fragmentary or underspecified utterances, such as resolving ellipsis or references, to improve parsing accuracy. In this work, we revisit this idea under realistic deployment conditions, where no clarification supervision is available and the clarifier must rely on zero-shot prompting or feedback from a frozen parser. Across three Segmented Discourse Representation Theory (SDRT) datasets and multiple parsers, we find that last-utterance clarification is far less reliable than suggested by supervised settings. Parser-agnostic rewriting often introduces more regressions than repairs, as edits that enable fixes also disrupt discourse cues relied upon by the parser. A best-of-8 rewriting analysis further reveals a practical ceiling: a large fraction of errors are not repairable through input rewriting alone. A parser-aware clarifier trained with GRPO reduces regressions by up to 37% by learning conservative abstention, yet still fails to produce selectivity-aware clarifications that consistently improve parsing. Together, these findings recast clarification as a selective intervention problem. We identify rewritability prediction, deciding whether an utterance is repairable before intervention, as the key missing capability for input-side optimization of frozen discourse parsers, and a critical direction for improving agentic pipelines more broadly.

arXiv:2311.17633v2cs.CL공식 코드 · Papers with Code

Introduction to Transformers: an NLP Perspective

Transformers have dominated empirical machine learning models of natural language processing. In this paper, we introduce basic concepts of Transformers and present key techniques that form the recent advances of these models. This includes a description of the standard Transformer architecture, a series of model refinements, and common applications. Given that Transformers and related deep learning techniques might be evolving in ways we have never seen, we cannot dive into all the model details or cover all the technical areas. Instead, we focus on just those concepts that are helpful for gaining a good understanding of Transformers and their variants. We also summarize the key ideas that impact this field, thereby yielding some insights into the strengths and limitations of these models.

arXiv:2606.31087v2cs.CL

리랭킹이 성능을 저하시킬 때: 퓨샷 리랭킹을 위한 불확실성 기반 게이팅

When Reranking Hurts: Uncertainty-Based Gating for Few-Shot Reranking

퓨샷 예시 선택 시 리랭킹이 항상 성능을 향상시킨다는 통념에 반해, 리랭킹이 오히려 성능을 저하시킬 수 있음을 밝히고 모델의 불확실성에 따라 리랭킹 적용 여부를 동적으로 결정하는 Training-Free Gated Reranking을 제안한다. 8개의 LLM과 16개의 NLU/MT 태스크 실험에서 계산 비용을 15%~80% 절감하면서 평균 성능을 최대 2% 향상시켰다.

arXiv:2601.17020v2cs.DL

How Do We Engage with Other Disciplines? A Framework to Study Meaningful Interdisciplinary Discourse in Scholarly Publications

학제간 연구 출판물에서 인용 목적 분류 체계(taxonomy)와 Citation Engagement Predictor(CEP)를 제안하여, 단순 인용 다양성 지표를 넘어 타 분야 문헌을 얼마나 깊이 활용했는지 정량적으로 측정한다. NLP와 Computational Social Science 교차 연구 2,031편을 대상으로 한 대규모 분석을 통해 프레임워크의 유효성을 실증하였다.

arXiv:2607.01125v1cs.LG

ZO-Act: Efficient Zeroth-Order Fine-Tuning via One-Shot Activation-Informed Low-Rank Subspaces

역전파 없이 대규모 언어 모델(LLM)을 파인튜닝하는 제로차수(Zeroth-Order, ZO) 최적화의 고분산 문제를 해결하기 위해, ZO-Act는 입력 활성화(activation)의 지배적 우측 특이 벡터로 구성된 고정 저랭크(low-rank) 부분공간에서만 계수 행렬(coefficient matrix)을 최적화하는 방식을 제안한다. Llama-3-8B, OPT-13B, INT4 Llama-3-8B에 대한 실험에서 언어 이해, 질의응답, 상식 추론 태스크 전반에 걸쳐 기존 ZO 파인튜닝 기법 대비 일관된 성능 향상을 달성했다.

arXiv:2606.31845v1cs.CL

피드-포워드 층의 명시적 퍼지 논리: 자기 망각 양화사가 판독 가능한 문법 허가 검출기를 발견하다

Explicit Fuzzy Logic in the Feed-Forward Layer: Self-Forgetting Quantifiers Discover Legible Grammatical-Licensing Detectors

트랜스포머 FFN 서브레이어를 퍼지 집합 연산(교집합 A·B, 집합 차 A·(1-B))으로 대체한 부정 가능 FFN(NC-FFN)을 제안하며, 이를 통해 매개변수 수 변화 없이 명시적 논리 형식을 각 은닉 유닛에 부여한다. 시퀀스 수준의 자기-망각 퍼지 양화사(soft existential/proportion quantifier)를 추가함으로써 문법 허가(grammatical licensing) 결함을 회복하고, 의미 층의 유닛들이 별도의 사전 학습 없이 비교급·수동 분사·부정 극성 항목 등의 허가자를 감지하는 판독 가능한 문법 메커니즘으로 스스로 특화됨을 보인다.

arXiv:2606.30973v1cs.CL

명제적 비대칭에서 지각적 비대칭으로: 비대칭적 부분 정보 대화에 대한 Frictive Policy Optimization의 확장

From Propositional to Perceptual Asymmetry: Extending Frictive Policy Optimization to Asymmetric Partial Information Dialogue

Frictive Policy Optimization(FPO)을 공유 지각 맥락을 가정하는 명제적 비대칭에서 참여자들이 서로 다른 부분 정보를 보유하는 지각적 비대칭(perceptual asymmetry) 설정으로 확장하여, HCRC MapTask 코퍼스 분석과 LLM 프로빙을 통해 마찰 범함수가 각 참여자의 정보 지평 내에서 관점별로 평가될 때만 유효하며 전지적 접근보다 단일 정보 관점이 우수함을 실증적으로 보인다.

arXiv:2606.22723v2cs.CL

BLUEX v2: 브라질 대학 입시 시험의 서술형 문제로 LLM 벤치마킹

BLUEX v2: Benchmarking LLMs on Open-Ended Questions from Brazilian University Entrance Exams

BLUEX v2는 브라질 양대 명문대학인 UNICAMP와 USP의 2차 입시 서술형 시험(2022–2025)에서 추출한 395개 문제(919개 하위 문제)로 구성된 포르투갈어 대규모 언어 모델(LLM) 평가 벤치마크로, LLM-as-a-judge 프로토콜을 활용해 21개 최신 LLM을 평가한 결과 수학적 추론과 이미지 이해가 가장 어려운 능력 차원으로 나타났다.

arXiv:2606.32004v1cs.AI

PolicyGuard: From Organizational Policies to Neuro-SymbolicCompliance Review Engines

PolicyGuard는 조직별 정책 문서를 타입화된 관계형 논리 규칙과 원자 단위 추출 질문으로 구성된 실행 가능한 검토 엔진으로 변환하는 뉴로-심볼릭(neuro-symbolic) 프레임워크로, 대규모 언어 모델(LLM)이 문서에서 로컬 사실을 추출하고 심볼릭 평가기가 규칙을 적용해 준수 여부를 판정하는 방식으로 NDA 검토 태스크에서 기존 Direct Prompting 및 Chain-of-Thought 방식 대비 평균 정확도 93.4%, F1 73.7%를 달성했다.

arXiv:2606.31285v1cs.AI

Spatial Reasoning via Modality Switching Between Language and Symbolic Representation

텍스트 기반 공간 추론에서 LLM이 다중 관계를 암묵적으로 추적할 때 발생하는 오류를 해소하기 위해, 공간 서사를 2D 그리드 등 구조적 표현으로 변환하는 그리드 그라운딩 프레임워크와 신뢰성·복잡도 신호에 기반한 모달리티 전환 메트릭을 제안한다. StepGame 벤치마크에서 최대 42%의 성능 향상을 달성하며, 자연어 추론과 구조적 표현 간의 원칙적 모달리티 선택이 LLM의 공간 추론 성능에 중요한 영향을 미침을 보였다.

arXiv:2606.29792v1cs.CL

인간은 진화된 지시 수행자인가? 내재된 귀납적 바이어스가 빠른 지시 기반 과제 학습을 가능하게 한다

Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning

성인은 언어적 또는 문서화된 지시를 받은 후 첫 시도에서 새로운 과제를 올바르게 수행하는 경우가 많다. 이러한 빠른 지시 기반 과제 학습(RITL, rapid instructed task learning)은 인간 인지 유연성의 핵심적 특징이지만, 그 메커니즘과 인공 시스템과의 유사성은 여러 학문 분야에 걸쳐 충분히 탐구되지 않았다. 이 포지션 페이퍼에서 우리는 인간이 진화된 지시 수행 바이어스(instruction-following bias)를 보유하고 있다고 주장한다. 이는 언어적 지시를 해석하고 실행하도록 진화에 의해 형성된 귀납적 바이어스로, 언어로부터 행동의 빠른 일반화를 핵심적으로 가능하게 한다. 이 바이어스는 대규모 언어 모델(LLM)이 지시 미세조정을 활용하여 제로샷 과제 수행을 달성하는 방식과 유사하게 기능한다. 우리는 이 가설을 뒷받침하기 위해 인지과학, 신경과학, 기계학습 연구의 증거를 종합한다. AI에서의 지시 수행은 현재 특화된 학습 프로토콜을 통해 달성되는 반면, 인간에서는 선천적인 인지 아키텍처 특징으로 발생한다고 우리는 주장한다. 우리는 검증 가능한 예측들을 제시하고, 자연 및 인공 신경망 모두에서 빠른 과제 학습을 가능하게 하는 통합 메커니즘으로서의 지시 수행(Instruction-Following)을 탐구하기 위한 학제 간 연구를 촉구한다.

arXiv:2606.28574v1cs.CL

올바른 코드, 잘못된 이유? 이론적 구성 개념의 측정 도구로서 LLM 검증

Correct codes for the wrong reasons? validating LLMs as measurement instruments for theoretical constructs

대규모 언어 모델(LLM)이 인간 어노테이터와 동일하게 텍스트 내 구성 개념을 코딩할 때, 그 일치도는 해당 LLM을 신뢰할 수 있는 코더로 만든다. 그러나 신뢰도는 구성 타당도(construct validity)와는 별개의 문제다. 해당 도구는 이론적으로 순진할 수 있으며, 구성 개념의 이론이 요구하는 조건을 전혀 충족하지 않는 상관 변수를 통해 코드에 도달할 수 있는데, 현재의 어떤 방법도 이를 진정한 측정과 구분해 내지 못한다. 우리는 이 간극을 메우는 방법으로 세분화 보정(grain calibration)을 제안한다. 이 방법은 구성 개념을 절(clause) 수준의 구성 요소로 분해하고, 추출적 근거를 통해 각 요소를 텍스트와 대조 검증한 후, 명시적이고 이론에서 도출된 규칙을 통해 결과를 결합한다. 이 규칙은 불투명한 단일 처리 과정 속에 숨겨지는 것이 아니라 명시적으로 기술되므로, 그 구조 자체가 출력이 아닌 처리 과정에 대한 근거가 된다. 이를 통해 어떤 구성 요소가 코드를 결정했는지, 그리고 코드가 잘못된 경우 특정 구성 요소가 누락된 것인지 아니면 인접한 구성 개념으로 오인된 것인지를 파악할 수 있다. 검증은 도구의 출력을 어노테이터와 비교해 채점하는 방식에서 벗어나, 도구가 해당 이론이 규정하는 구성 개념을 실제로 처리하고 있음을 보여주는 방식으로 전환된다.

arXiv:2509.02292v2cs.CL

대규모 언어 모델의 제한된 마음 이론: 상황 기반 대화에서의 정신 상태 주석 평가

LLMs and their Limited Theory of Mind: Evaluating Mental State Annotations in Situated Dialogue

대규모 언어 모델(LLM)이 인간의 사고방식을 추론할 뿐만 아니라, 팀원들의 공동 이해 불일치와 같이 팀 대화에 존재하는 모든 맹점을 드러낼 수 있다면 어떨까? 본 논문에서는 LLM을 팀 대화의 인간 스타일 주석자로 활용하여 팀의 공유 정신 모델(SMM)을 추적하는 동시에, 개인들의 정신 상태 간 불일치를 자동으로 탐지하는 검출기로도 활용하는 새로운 2단계 프레임워크를 제시한다. 첫 번째 단계에서 LLM은 Cooperative Remote Search Task(CReST) 코퍼스의 과업 지향 대화 내에서 SMM 요소를 식별하여 주석을 생성한다. 이후 보조 LLM이 이 LLM 기반 주석과 인간 주석을 정답 레이블과 비교하여 불일치를 탐지하고 특성화한다. 우리는 이 사용 사례를 위한 SMM 일관성 평가 프레임워크를 정의하고 이를 6개의 CReST 대화에 적용하여 최종적으로 (1) 인간 및 LLM 주석 데이터셋, (2) SMM 일관성에 대한 재현 가능한 평가 프레임워크, (3) LLM 기반 불일치 탐지의 실증적 평가를 산출한다. 실험 결과, LLM은 단순한 자연어 주석 과업에서 표면적인 일관성을 보이지만, 공간적 추론이나 운율적 단서의 중의성 해소가 요구되는 시나리오에서는 체계적인 오류를 범하는 것으로 나타났다.

arXiv:2504.14969v2cs.CL

중국어 화제 구문에 대한 대규모 언어 모델 평가: Tian et al. (2024)에서 영감을 받은 연구 제안

Evaluating LLMs on Chinese Topic Constructions: A Research Proposal Inspired by Tian et al. (2024)

본 논문은 대규모 언어 모델(LLM)의 중국어 화제 구문 처리 능력, 특히 섬 제약(island constraints)에 대한 민감도를 평가하기 위한 프레임워크를 제안한다. Tian et al. (2024)에서 영감을 받아, 표준 중국어 통사론에 대한 LLM의 문법 지식을 검증하기 위한 실험 설계를 제시한다. 아직 실험은 수행되지 않았으나, 본 제안은 향후 연구의 토대를 마련하고 방법론에 대한 피드백을 구하는 것을 목적으로 한다.

arXiv:2503.16550v2cs.CL

이단계 최적화를 통한 언어 모델의 일반화 및 강인성 통합 향상

Unified Enhancement of the Generalization and Robustness of Language Models via Bi-Stage Optimization

신경망(neural network) 언어 모델(LM)은 일반화와 강인성 측면에서 상당한 과제에 직면해 있다. 현재 많은 연구들이 일반화 또는 강인성 중 하나만을 개선하는 데 집중하고 있으며, 두 측면을 동시에 다루는 방법이 부재한 상황으로, 이는 강인하면서도 일반화된 언어 모델을 개발하는 데 큰 과제를 제시한다. 본 논문에서는 언어 모델의 일반화와 강인성을 동시에 균일하게 향상시키는 이단계 최적화 프레임워크를 제안하며, 이를 UEGR이라 명명한다. 구체적으로, 순전파(forward propagation) 단계에서는 적응형 드롭아웃을 활용하여 적대적 샘플의 출력 확률 분포를 풍부화함으로써 다양한 서브 모델을 생성하고, 이러한 출력 분포의 JS 발산과 적대적 손실을 통합하여 출력 안정성을 강화한다. 역전파(backward propagation) 단계에서는 매개변수 현저성 점수를 계산하고 가장 중요한 매개변수만을 선택적으로 업데이트하여 불필요한 편차를 최소화하고 모델의 탄력성을 공고히 한다. 이론적 분석에 따르면, 본 프레임워크는 입력 섭동에 대한 모델의 민감도를 제한하는 그래디언트 정규화와 손실 지형을 평탄화하는 선택적 매개변수 업데이트를 포함함으로써 일반화와 강인성을 모두 향상시킨다. 실험 결과, 본 방법은 공개된 13개 언어 데이터셋에서 기존의 다른 방법들에 비해 언어 모델의 일반화와 강인성을 크게 향상시키며 최신 기술(SOTA) 성능을 달성한다.

arXiv:2407.02351v3cs.CL

자동화된 팩트체킹에서의 생성형 대규모 언어 모델: 서베이

Generative Large Language Models in Automated Fact-Checking: A Survey

온라인 플랫폼에서 허위 및 오해를 유발하는 정보의 급속한 확산은 점점 심각해지는 사회적 문제로, 수동 팩트체킹의 처리 능력을 초과하고 확장 가능하고 신뢰할 수 있는 자동화에 대한 수요를 증가시키고 있다. 생성형 대규모 언어 모델(LLM)의 최근 발전은 자동화된 팩트체킹의 범위를 정확도 중심의 예측을 넘어 확장시켰다. LLM은 이제 팩트체킹 파이프라인의 핵심 구성 요소로서, 새로운 데이터 생성, 팩트 검증 수행 및 보조, 팩트체킹 시스템의 평가 방식 형성 등의 태스크를 지원한다. 본 서베이는 199편의 연구 논문에 대한 체계적 검토를 바탕으로, 자동화된 팩트체킹에서 생성형 LLM의 역할에 대한 포괄적인 개요를 제공한다. 우리는 생성형 LLM이 팩트체킹 워크플로에 통합되는 방식을 포착하는 통합 분류 체계를 제시하고, 핵심 팩트체킹 태스크, 데이터셋 구성 및 증강 전략, 태스크 형식화, 평가 방식 전반에 걸친 LLM의 활용을 분석한다. 또한 다국어 및 저자원 환경에서 생성형 LLM의 팩트체킹에 대한 영향을 조사하며, 현재 연구의 동향, 한계, 공백을 조명한다. 단편화된 연구 성과를 통합하고 방법론적 패턴, 한계, 미해결 과제를 식별함으로써, 본 서베이는 자동화된 팩트체킹에서 생성형 LLM의 현재 상태를 지도화한다. 이 서베이는 연구자들이 보다 신뢰할 수 있고, 해석 가능하며, 포용적인 팩트체킹 시스템을 개발하는 데 기여하는 동시에, 빠르게 발전하는 이 분야에서 미래 연구의 유망한 방향을 제시하는 것을 목표로 한다.

arXiv:2606.27981v1cs.CL

ToxiREX: 맥락 속 유해 추론(Toxic REasoning in ConteXt) 데이터셋

ToxiREX: A Dataset on Toxic REasoning in ConteXt

우리는 ToxiREX: Toxic REasoning in ConteXt라는 새로운 맥락 기반 다국어 데이터셋을 소개한다. 이 데이터셋은 Reddit 댓글 스레드와 댓글이 함의하는 내용에 대한 구조화된 특성 묘사로 구성되며, 이전 논문에서 개발된 체계적인 유해성 추론(toxic reasoning) 스키마를 따른다. 이 스키마를 사용하면 암묵적이고 맥락 의존적인 유해성을 포착하고 설명할 수 있으며, 기존 유해성 분류체계로의 매핑도 지원한다. 데이터셋에는 영어, 아랍어, 터키어, 스페인어, 독일어, 네덜란드어 등 6개 언어의 댓글이 포함되며, 특정 주요 사건(예: 2023년 터키 지진, 러시아의 우크라이나 침공)과 연관된 게시물에서 수집되었다. 우리는 스레드의 맥락 보존 전처리를 설명한다. 상용 대규모 언어 모델(LLM)으로 주석 처리한 12만 5천 개 댓글의 학습 집합과, 원어민 화자가 주석 처리한 3천 개에 가까운 댓글의 테스트 집합을 만든다. 테스트 집합 주석에서 드러나는 겉보기 불일치는 종종 노이즈가 아니라 정당화 가능한 대안적 해석을 반영함을 보인다. 마지막으로, 프롬프트 및 언어 모델 미세조정을 통해 기준선 결과를 제공한다. 이러한 결과를 얻기 위해 계층적이고 스키마 기반 예측에 대한 평가 전략을 개발한다. 모델은 무작위보다는 더 나은 성능을 보이지만, 개선의 여지가 많아 이 과제가 어렵다는 것을 보여준다. ToxiREX는 유해성 추론 스키마를 활용한 풍부하고 구조화된 주석과 함께 다국어, 대화 맥락, 암묵적 유해성을 동시에 포함하는 최초의 데이터셋이다. 데이터셋은 https://github.com/cltl/toxirex 에서 이용할 수 있다.

arXiv:2509.17932v2cs.CL

희소 MLP value vector를 이용한 학습 없는 진실성 탐지

Training-free Truthfulness Detection via Sparse MLP Value Vectors

대규모 언어 모델(LLM)은 사실과 맞지 않는 내용을 생성하기 쉬워, 모델 내부 신호로부터 진실성을 평가하는 방법의 필요성이 커지고 있다. 지도 프로bing 접근은 효과적일 수 있지만, 라벨 데이터와 분류기 학습이 필요하다. 최근의 학습 없는 방법은 매개변수 최적화는 피하지만, 모델 내부에서 진실성 관련 신호가 어떻게 발생하는지에 대한 통찰을 제한적으로만 제공하는 거친 활성화 통계에 의존한다. 우리는 개별 다층 퍼셉트론(MLP) value vector 수준에서 동작하는 학습 없는 접근을 제시한다. 체계적 분석을 통해, 대부분의 value vector는 의미 있는 신호를 보이지 않지만, 희소한 부분집합이 내용의 진실성과 안정적이고 방향적으로 일관된 상관을 보인다는 것을 발견했다. 이 관찰을 활용하여, 이러한 value vector가 표현하는 선호를 집계하는 단순한 추론 방법 TruthV를 제안한다. TruthV는 관련 vector를 식별하는 데 작은 support set만 필요하며, 추가 모델 매개변수나 분류기 가중치를 도입하지 않는다. 우리는 2B부터 13B까지의 모델 규모와 질의응답, 자연어 이해(NLP), 환각 평가를 포함한 여러 벤치마크에서 TruthV를 평가한다. TruthV는 기존 학습 없는 baseline을 일관되게 능가하며, LLM에서 진실성 관련 변이가 MLP value vector 수준에서 희소하고 구조적인 방식으로 포착됨을 보여준다.

arXiv:2606.28070v1cs.AI

JD Oxygen AI Item Center(Oxygen AIIC) V1: 상품 이해·관리·적용을 위한 산업 규모 LLM/VLM 중심 솔루션

JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications

JD.com은 세계 최대 규모의 전자상거래 플랫폼 중 하나로, 7억 명 이상의 활성 사용자와 수백만 명의 판매자에게 서비스를 제공하며, 수십억 개의 SKU로 구성된 카탈로그를 보유하고 있습니다. 이러한 규모에서 고품질의 구조화된 상품 지식은 더 나은 소비자 경험, 낮은 관리 비용, 높은 운영 효율성의 기반이 되지만, 이를 생산하고 제공하는 것은 세 가지 산업 규모의 과제를 야기합니다: 급속히 등장하는 개념, 대규모 SKU에 대한 고품질 지식 생산, 그리고 다양한 다운스트림 요구사항. 이러한 과제를 해결하기 위해, 상품 지식 생산 및 서비스를 위해 LLM/VLM 기반으로 구축된 산업 규모 플랫폼인 JD Oxygen AI Item Center(Oxygen AIIC)를 제시합니다. Oxygen AIIC는 네 가지 핵심 기둥을 중심으로 구축되었습니다: (i) 효율적인 인간-AI 협업에 의해 추진되는 온톨로지 엔지니어링으로, 수백만 개의 항목을 포함하는 온톨로지의 동적 진화와 민첩한 확장을 지원합니다; (ii) 처리량 개선 전략과 결합된 "Semantic Search then Discrimination"(S2D) 지식 식별 아키텍처로, 수십억 SKU에 대한 확장 가능하고 확장성 있으며 고처리량 AI Item Library 생산을 가능하게 합니다; (iii) 안정적이고 통제 가능한 방식으로 개선되는 자기 진화형 상품 이해 LLM/VLM으로, 정밀도 94.2%, 재현율 82.8%의 지식 생산을 가능하게 합니다; (iv) 데이터 및 서비스 허브로서 기능하는 통합 item tunnel. Oxygen AIIC는 현재 수만 개의 JD 카테고리를 다루며, Huawei Ascend NPU에서 하루 수억 건의 상품 업데이트를 처리합니다. 수천억 개의 상품 지식 자산을 축적했습니다. 검색, 추천, 운영, 카테고리 기획 등 핵심 비즈니스 시나리오에 배포된 Oxygen AIIC는 규모에 걸맞은 측정 가능한 성과를 달성했습니다. 검색 트래픽 커버리지는 80.4%에 달하고, 상품 정보 품질 이슈는 37% 감소했으며, 상품 등록 시 핵심 속성의 자동 입력률은 80%를 초과합니다.

arXiv:2606.27233v1cs.CL

말과 사고를 잇기: 협력적 문제 해결 맥락에서의 대화 역학 이해

Bridging Talk and Thought: Understanding Dialogue Dynamics Across Collaborative Problem-Solving Contexts

협력적 문제 해결(CPS) 맥락에서 인간-AI 및 다중 에이전트 협업 대화를 분석하기 위해, 인지·비인지적 문제 해결과 메타인지적 조절을 통합한 계층적 2층 코딩 체계 기반 개념적 프레임워크를 제시한다. 아홉 개 데이터셋에서 효과와 일반화 가능성을 입증했으며, 메타인지적 조절이 더 깊은 협업을 구별하는 핵심 변별 요인임을 보였고, 인간-AI 상호작용에서는 인간이 자기조절을 주도하고 AI는 반응적 공동조절에 치우쳐 진정한 협업 달성이 어려운 패턴이 나타난다.