정책을 논리로 전환해 효율적이고 해석 가능한 보장 평가 구현
📝 원문 정보
- Title: From Policy to Logic for Efficient and Interpretable Coverage Assessment
- ArXiv ID: 2601.01266
- 발행일: 2026-01-03
- 저자: Rhitabrat Pokharel, Hamid Reza Hassanzadeh, Ameeta Agrawal
📝 초록 (Abstract)
대형 언어 모델(LLM)은 길고 복잡한 법률·정책 문서를 해석하는 데 뛰어난 능력을 보여준다. 그러나 주관적이고 미묘한 문서를 분석할 때 발생하는 환각과 일관성 결여는 특히 의료 보장 정책 검토와 같이 정확성이 필수적인 분야에서 신뢰성을 저해한다. 본 논문은 인간 검토자가 정책 해석을 보다 효율적이고 해석 가능하게 수행하도록 지원하는 접근법을 제시한다. 우리는 보장 인식을 갖춘 검색기와 상징적 규칙 기반 추론을 결합해 관련 정책 문구를 찾아내고, 이를 명시적 사실·규칙으로 구조화한 뒤 감사 가능한 근거를 생성한다. 이 하이브리드 시스템은 LLM 추론 횟수를 최소화해 전체 모델 비용을 절감한다. 실험 결과, 기존 방법 대비 추론 비용을 44 % 절감하면서 F1 점수를 4.5 % 향상시켜 효율성과 효과성을 동시에 달성하였다.💡 논문 핵심 해설 (Deep Analysis)
두 번째 단계는 추출된 텍스트를 ‘symbolic rule‑based reasoning’ 엔진에 입력해 명시적 사실(fact)과 규칙(rule)으로 변환한다. 이 과정에서 텍스트를 논리적 형태(예: 전제‑결론 구조)로 재구성하고, 추론 엔진은 전통적인 논리 프로그래밍(예: Prolog)이나 생산 규칙 시스템을 활용해 결론을 도출한다. 중요한 점은 LLM의 ‘생성’ 역할을 최소화하고, 대신 규칙 기반 시스템이 결정적인 추론을 담당함으로써 결과의 재현성과 감사 가능성을 확보한다는 것이다.
실험 설계는 두 가지 핵심 지표—추론 비용과 F1 점수—를 통해 효율성과 정확성을 동시에 평가한다…