Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
대화 중 의미론적 콘텐츠의 흐름을 정량화하는 정보 이론적 프레임워크를 제안합니다. LLM을 활용해 의미론적 전이 엔트로피(STE)와 부분 정보 분해(SPID)를 계산하여 정보의 방향성과 기여도를 분석합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기의사소통 교환을 통해 의미가 어떻게 전파되는지를 정량화하는 것은 계산 언어학 (computational linguistics) 분야에서 여전히 미발달된 상태로 남아 있습니다. 본 연구에서는 대화자 간의 의미론적 콘텐츠 (semantic content)의 방향성 있는 흐름을 정량화하고, 다중 소스 기여도를 중복적 (redundant), 고유적 (unique), 시너지적 (synergistic) 구성 요소로 분해하는 정보 이론적 프레임워크 (information-theoretic framework)를 소개합니다. 우리의 접근 방식은 대규모 언어 모델 (large language models)을 자연어의 확률적 추정기 (probabilistic estimators)로 활용하여 두 가지 척도를 계산합니다: 화자 간의 방향성 있는 예측 영향력을 포착하는 의미론적 전이 엔트로피 (semantic transfer entropy, STE), 그리고 여러 소스가 어떻게 대상의 언어를 공동으로 형성하는지를 해결하는 의미론적 부분 정보 분해 (semantic partial information decomposition, SPID)입니다. 네 가지 실험을 통해, 우리는 이 프레임워크가 인지적으로 경직된 대화에서 감소된 정보 흐름을 탐지하고, 담론을 형성하는 설득자의 지배적인 역할을 포착하며, 치료사와 내담자 간의 정보 교환 방향성을 통해 고품질과 저품질의 심리 치료를 구분하고, 논증적 에세이에서 시너지적인 전제 기여를 밝혀낸다는 것을 보여줍니다. 이 프레임워크는 디지털 담론, 교육적 상호작용, 임상 대화, 그리고 언어적 교환의 구조가 연구적 관련성을 갖는 모든 영역에서 정보 역학을 연구하는 새로운 길을 열어줍니다.