T5 및 BERT와 같은 대규모 사전 학습된 언어 모델 (Pretrained Language Models)은 구조화된 지식을 생성하는 데 강력한 능력을 입증해 왔습니다. 그러나 이들의 성능은 프롬프팅 전략 (Prompting Strategy)이 사전 학습 (Pretraining) 중에 사용된 목적 (Objectives)과 얼마나 밀접하게 일치하는지에 따라 달라집니다. 우리는 퓨샷 생성 (Few-shot Generation)에서 지식 관계가 마스크 스타일 프롬프팅 (Masked-style Prompting)에 더 적합한지 또는 접두사 스타일 프롬프팅 (Prefix-style Prompting)에 더 적합한지를 추정하는 정량적 지표인 마스커빌리티 지수 (Maskability Index, MI)를 소개합니다. MI는 마스크 처리된 템플릿과 마스크 처리되지 않은 템플릿 간의 DepthRank 점수 차이로부터 계산되며, 목적-템플릿 정렬 (Objective-template Alignment)에 대한 원칙적인 척도를 제공합니다. 우리는 ATOMIC2020 지식 베이스 완성 벤치마크의 다양한 관계 세트에서 MI를 평가하였으며, 이것이 다운스트림 생성 성능 (Downstream Generation Performance)과 양의 상관관계가 있음을 보여줍니다. 이러한 결과는 MI가 사전 학습된 언어 모델로부터 관계적 지식을 추출할 때, 특히 저자원 환경 (Low-resource Settings)에서 적절한 프롬프팅 템플릿 및 적응 전략 (Adaptation Strategies)을 선택하는 데 도움을 줄 수 있음을 나타냅니다.