정치적 성향의 대형 언어 모델에 대한 다차원 감사

대형 언어 모델 (LLM) 의 적용이 다양한 산업으로 확산됨에 따라, 특히 정치 담론과 같은 민감한 분야에서 오용 가능성에 대한 우려가 증가하고 있습니다. 프롬프트 엔지니어링이나 파인튜닝 기법을 통해 LLM 을 특정 정치적 이념과 의도적으로 정렬하는 것은 선거 운동과 같은 사용 사례에서는 유리할 수 있으나, 성능 저하, 허위 정보 생성, 또는 편향된 행동 증가와 같은 위험이 높아지므로 신중한 고려가 필요합니다. 본 연구에서는 하버마스의 의사소통 행위 이론에서 영감을 받아 대형 언어 모델의 정치적 정렬을 효과성 (effectiveness), 공정성 (fairness), 진실성 (truthfulness), 설득력 (persuasiveness) 의 네 가지 차원에서 자동화된 정량적 지표를 사용하여 감사하는 다차원 프레임워크를 제안합니다. 파인튜닝이나 역할극 (role-playing) 을 통해 정렬된 9 개의 인기 있는 대형 언어 모델에 이 프레임워크를 적용한 결과 일관된 트레이드오프가 나타났습니다. 더 큰 모델은 정치적 이념을 역할극하는 데 더 효과적이고 응답이 진실성이 높은 경향이 있지만, 다른 이념을 가진 사람들에 대해 분노와 독설적인 언어 형태의 편향을 더 많이 보이는 등 공정성은 낮았습니다. 파인튜닝된 모델은 해당 역할극 모델보다 편향이 낮고 정렬 효과가 더 높았지만, 추론 작업의 성능은 감소하고 환각 (hallucinations) 발생률은 증가했습니다. 전반적으로 테스트된 모든 모델은 네 가지 지표 중 적어도 하나에서 결함을 보였으며, 이는 더 균형 있고 견고한 정렬 전략의 필요성을 강조합니다. 궁극적으로 이 연구는 정치적 성향의 대형 언어 모델이 합법적이고 해가 없는 주장을 생성하도록 보장하고, 이러한 모델의 책임 있는 정치적 정렬을 평가하기 위한 프레임워크를 제공합니다.