텍스트 임베딩 (Text embeddings)은 복잡한 텍스트의 대규모 코퍼스 (corpora)를 분석하는 데 널리 사용됩니다. 그러나 임베딩이 이를 사용하는 인간 전문가와 동일한 의미적 거리 (semantic distances)를 포착하는지는 불분명합니다. 임베딩 표현 (embedding representations)과 인간의 의도 사이의 정렬 (alignment)을 보장하는 것은 유효한 분석을 위해 필수적입니다. 본 연구에서는 전문가의 연관성 (associations)을 명시적으로 만들고 임베딩 모델의 결과를 인간의 이해에 그라운딩 (grounding)하는 방법론인 이해관계자 그라운딩 연습 (Stakeholder Grounding Exercise)을 제시합니다. 덴마크 정책 이슈에 대한 주요 사례 연구에서, 우리는 신경망 텍스트 임베딩 (neural text embeddings)이 인간 전문가보다 실질적으로 신뢰도가 낮으며 (19-26 pp 격차), 이러한 불일치가 다운스트림 클러스터링 (downstream clustering) 성능으로 전파된다는 것을 발견했습니다 (연습 순위와 클러스터 품질 사이의 Spearman $ρ=0.9$). 미국 연방 AI 활용 사례에 대한 2차 연구에서는 디지털 프로토콜과 다른 전문가 커뮤니티를 사용하여 영어 환경에서도 동일한 격차 (16pp)를 재현하였으며, 이는 해당 격차가 단일 도구나 도메인의 인위적인 결과가 아님을 입증합니다. 이해관계자 그라운딩 연습 (Stakeholder Grounding Exercise)은 임베딩 모델이 도메인 전문가에게 가장 중요한 의미적 차이 (semantic distinctions)를 포착하고 있는지 평가할 수 있는 실질적인 방법을 제공합니다.