논리적 형태를 넘어: 오류 분류를 위한 LLM 추출 패턴

오늘날의 급변하는 정보 시대에, 추론의 결함 있는 패턴으로 정의되는 논리적 오류(logical fallacies)는 정보 무질서(information disorder)의 증가에 필연적으로 기여합니다. 그러나 오류는 종종 자동화된 분류를 복잡하게 만드는 미묘한 형태로 나타납니다. 본 연구에서는 추상적인 논리 구조를 문맥 수준의 언어적 단서(linguistic cues)와 결합하는 것이 오류 분류에 유익한지 조사하며, 거대 언어 모델(LLMs)을 사용하여 오류 사례와 그 설명으로부터 이러한 패턴을 귀납적으로 추출하는 프레임워크를 개발합니다. 우리는 다양한 LLMs 및 실험적인 zero-shot 및 one-shot 설정에서 이러한 패턴의 영향을 평가하였으며, zero-shot 베이스라인 대비 통계적으로 유의미한 개선을 보였고 경쟁 방식들을 능가함을 입증했습니다. 교차 데이터셋(Cross-dataset) 실험을 통해 일반화 가능성을 검증하였으며, 데이터 기반 패턴 추출이 논리적 표현(logical representations)을 생성하는 효과적인 방법임을 확립했습니다.