Transformer 기반 대규모 언어 모델 (LLMs)은 다양한 자연어 처리 (NLP) 작업에서 지속적으로 최첨단 (state-of-the-art) 성능을 달성하고 있습니다. 그러나 기초 산술과 같이 겉보기에 초보적인 문제에서 보여주는 저조한 성능은 모델의 신뢰성, 안전성 및 윤리적 배포에 대한 우려를 불러일으킵니다. 본 연구에서는 정수 산술 작업에 대해 학습된 바닐라 (vanilla) Transformer 모델의 성능이 인간 학습자에게 효과적인 방법들을 사용하여 개선될 수 있음을 입증합니다. 우리는 먼저 산술 작업을 잘 정의된 하위 작업 (subtasks)으로 분해하고, 각 하위 작업에 대한 절제 연구 (ablation studies)와 함께 손실 수렴 순서 분석 (loss convergence order analysis)을 수행합니다. 우리의 연구 결과는 LLM이 인간 학습자와 유사한 학습 패턴을 보이며, 복잡한 하위 작업에 비해 단순한 하위 작업에서 더 빠른 학습 속도를 나타낸다는 것을 밝혀냈습니다. 또한, 우리는 인간 학습자의 성능을 향상시키는 것으로 입증된 문제 해결 전략 및 인지 강화 (cognitive empowerment) 방법을 적용함으로써 LLM의 정확도를 성공적으로 개선했습니다. 이는 Transformer 기반 LLM이 산술에 있어 인간 학습자와 인지 과정을 공유할 수 있음을 시사합니다. 마지막으로, 우리는 산술 학습에서 LLM의 복잡성을 조명하기 위해 상당한 정확도 향상 실험, 시각화 검증, 그리고 설명 기반 분석을 포함하여 우리 방법의 효과에 대한 포괄적인 시연을 제공합니다. 일반적으로, 본 연구는 설명 가능한 AI (XAI) 검증을 통해 Transformer 기반 LLM과 인간 학습자 사이의 잠재적 유사성을 탐구하며, 궁극적으로 중요도가 높고 위험 부담이 큰 응용 분야에서 LLM에 대한 신뢰를 구축하고자 합니다.