동결된(frozen) 다운스트림 모델을 개선하기 위해 입력을 재작성하는 것은 현대 NLP 파이프라인에서 흔한 전략이 되었습니다. 점진적 대화 담화 파싱(Incremental Dialogue Discourse Parsing, DDP)에 관한 이전 연구들은 지도 학습 기반 명확화(Supervised Clarification) 모델이 생략(ellipsis)이나 참조(references)를 해결하는 것과 같이 파편화되거나 불충분하게 명시된 발화를 재작성하여 파싱 정확도를 높일 수 있음을 보여주었습니다. 본 연구에서는 명확화를 위한 지도 학습 데이터가 없고, 명확화 도구(clarifier)가 제로샷 프롬프팅(zero-shot prompting)이나 동결된 파서(frozen parser)로부터의 피드백에 의존해야 하는 실제 배포 조건 하에서 이 아이디어를 재검토합니다. 세 가지 분절 담화 표현 이론(Segmented Discourse Representation Theory, SDRT) 데이터셋과 여러 파서를 대상으로 실험한 결과, 마지막 발화 명확화(last-utterance clarification)는 지도 학습 설정에서 제안된 것보다 훨씬 덜 신뢰할 수 있다는 것을 발견했습니다. 파서 불가지론적(Parser-agnostic) 재작성은 종종 수정(repairs)보다 더 많은 퇴보(regressions)를 초래하는데, 이는 수정을 가능하게 하는 편집이 파서가 의존하는 담화 단서(discourse cues)를 방해하기 때문입니다. Best-of-8 재작성 분석은 추가적인 실질적 한계를 드러냅니다. 즉, 오류의 상당 부분은 입력 재작성만으로는 복구할 수 없다는 점입니다. GRPO로 학습된 파서 인식형(Parser-aware) 명확화 도구는 보수적인 기권(conservative abstention)을 학습함으로써 퇴보를 최대 37%까지 줄였으나, 여전히 파싱을 일관되게 개선하는 선택성 인식 명확화(selectivity-aware clarifications)를 생성하는 데는 실패했습니다. 이러한 결과들을 종합하면, 명확화는 선택적 개입(selective intervention) 문제로 재정의됩니다. 우리는 개입 전 발화의 복구 가능 여부를 결정하는 재작성 가능성 예측(rewritability prediction)을 동결된 담화 파서의 입력 측 최적화를 위한 핵심적인 누락 역량이자, 더 넓은 의미에서 에이전트 파이프라인(agentic pipelines)을 개선하기 위한 중요한 방향으로 식별합니다.