LLM 감성 분석의 불확실성 및 변동성

대규모 언어 모델(LLM)은 감성 분석 분야에 상당한 발전을 가져왔지만, 내재된 불확실성과 변동성은 신뢰할 수 있고 일관된 결과를 얻는 데 중대한 과제를 제기합니다. 본 논문은 LLM 기반 감성 분석에서 나타나는 모델 변동성 문제(MVP)를 체계적으로 탐구합니다. 이는 확률적 추론 메커니즘, 프롬프트 민감도, 훈련 데이터 편향으로 인해 발생하는 일관성 없는 감성 분류, 양극화, 불확실성으로 특징지어집니다. 저자들은 MVP의 영향을 강조하기 위해 예시와 두 가지 사례 연구를 제시하고, 모델 변동성의 근본적인 원인인 12가지 이유를 분석합니다. 특히 MVP 관점에서 LLM의 설명 가능성(explainability) 중요성을 심층적으로 다룹니다. 또한, 출력 무작위성의 주요 원인인 온도(temperature)의 역할에 주목하며 주요 과제와 완화 전략을 조사하고, 투명성과 사용자 신뢰를 향상시키는 설명 가능성의 결정적 역할을 강조합니다. 이 연구는 안정성, 재현성, 신뢰성에 대한 구조화된 관점을 제공함으로써, 보다 신뢰할 수 있고 설명 가능하며 견고한 감성 분석 모델 개발에 기여합니다. 이를 통해 금융, 의료, 정책 결정과 같은 고위험 영역에서의 LLM 배포를 촉진할 수 있을 것으로 기대됩니다.