전문성 적응형 질적 인터뷰를 위한 증거 추적 동적 면접관 아키텍처의 활용 (Local LLM 기반)

자동화된 면접관과 대화 에이전트는 연구, 채용, 고객 서비스 및 교육 분야에서 점점 더 많이 사용되고 있습니다. 그러나 기존 시스템 중 다수는 고정된 질문 순서에 의존하며, 참가자의 지식을 고려하지 않은 제한적인 상황 기반 개인화를 제공하여 반복적이거나 관련 없는 후속 질문을 초래할 수 있습니다. 따라서 대화의 연속성을 유지하고 의미론적 진행(semantic progression)을 확보하면서 질문 깊이를 조정할 수 있는 적응형 인터뷰 시스템이 필요합니다. 이를 해결하기 위해, 로컬 환경에 호스팅된 거대 언어 모델(LLM)을 사용하여 증거 추적 동적 면접관 아키텍처(Evidence-Traceable Dynamic Interviewer Architecture)를 제시하며, 이 시스템은 참가자의 응답과 진화하는 상황을 기반으로 전체 대화 동안 인터뷰가 지속적으로 조정됩니다. 이 면접관은 참가자의 전문성을 실시간으로 프로파일링하여 지식에 적합한 질문, 잘 구성된 답변, 그리고 대화의 연속성을 지원하는 부드러운 전환 메시지를 생성합니다. 다섯 개의 모듈로 구성된 프롬프트 기반 아키텍처와 영구적인 인터뷰 상태 기록(persistent interview-state record)이 이러한 기능을 지원합니다. 이 면접관은 246명의 참가자를 대상으로 평가되었습니다. 전문성 프로파일링 모듈(M3)은 독립적으로 보고된 참가자 전문성과 78.9%의 정확한 일치율을 보였으며, 가중 코헨의 K 값(weighted Cohen's K)은 0.80이었습니다. 반복 질문 생성 모듈(M4)은 강력한 전문성-복잡도 연관성(strong expertise-complexity association)($p=.79, p<.001$)을 보였으며, 참가자들은 높은 관련성(평균 4.41), 몰입도(평균 4.32), 그리고 만족도(평균 4.38)를 보고하여, 이 아키텍처의 적응형 구성 요소들이 의도된 기능과 일관되게 작동했으며 참가자들은 긍정적인 인터뷰 경험을 했다는 증거를 제공했습니다.