프롬프트 기법에 따른 LLM의 출력 정확도 측정 및 비교 분석

초록

대형 언어 모델(Large Language Model, LLM)은 텍스트에서 정보를 처리하고 추출하는 능력을 지니고 있다. 생산성과 효율성을 크게 향상시키는 뛰어난 성능으로 인해 학계와 산업계 모두에서 중요시되는 분야이다. 프롬프트 기법이 이러한 LLM의 성능에 큰 영향을 미친다는 관련 연구 결과들이 존재한다. 그러나, 각 프롬프트 기법이 모델의 출력에 미치는 영향을 체계적으로 비교하고 평가하는 연구는 상대적으로 미비하다. 이에 본 연구에서는 다양한 프롬프트 기법이 LLM의 출력 정확도에 미치는 영향을 정량적으로 평가하고 그 결과를 비교 분석한다. 그 결과, LogiCoT(Logical Chain of Thought) 기법이 LLM의 출력에 대해 가장 높은 정확도를 보였으며, Few-shot 프롬프트, Zero-shot 프롬프트 순으로 높은 정확도를 보였다. 이를 통해, 프롬프트 기법을 LLM에 적용할 때 각 작업에 맞는 최적화된 조합을 제안하는 데 기여할 수 있을 것이라 기대한다.