대규모 자동 음성 인식 (ASR) 기술의 발전에도 불구하고, 비유창한(disfluent) 발화는 여전히 어려운 과제로 남아 있습니다. 최첨단 시스템들은 종종 비유창성을 생략하도록 최적화되어 있어, 정보 손실과 환각 (hallucinations) 현상을 초래하기 때문입니다. 기존 연구들은 축자적 전사 (verbatim transcription) 및 비유창성 마커 (disfluency markers)의 통합에 집중해 왔으나, 제한된 데이터셋에서 모델을 적응시키는 과정은 일반 도메인 지식의 치명적 망각 (catastrophic forgetting)으로 이어질 수 있습니다. 본 연구에서는 명시적인 비유창성 토큰 (disfluency tokens)을 활용한 지속 학습 (CL, continual learning)을 통해 이 간극을 해결합니다. 먼저 사전 학습된 ASR 모델에 이러한 토큰들을 도입하여 안정적인 토큰 메커니즘을 구축한 후, 다양한 비유창성 분포를 가진 추가 데이터셋으로 학습을 지속합니다. 학습 과정 중 모델 역학 (model dynamics)에 대한 상세한 분석을 통해, 마커 학습과 ASR 성능 사이의 트레이드오프 (trade-off), 그리고 지속 학습 방법론 전반에 걸쳐 공유되는 일관된 교차 주의 집중 헤드 (cross-attention head) 메커니즘을 확인하였습니다.