검색 증강 생성(Retrieval-Augmented Generation, RAG)은 외부 문서 검색을 대규모 언어 모델(LLMs)과 통합함으로써 사실 일관성을 향상시키고 환각을 감소시키는 등 자연어 처리(NLP)에서 핵심적인 프레임워크로 부상하였다. 그러나 RAG의 효과는 검색된 문서들에서의 지시 대상(코리퍼런스, coreference) 복잡성으로 인해 흔히 저해되며, 이로 인해 발생하는 모호성이 맥락 내 학습을 방해한다. 본 연구에서는 엔터티 코리퍼런스가 RAG 기반 시스템에서 문서 검색과 생성 성능 모두에 어떠한 영향을 미치는지 체계적으로 조사하였으며, 검색 적합성, 맥락 이해 및 전체 응답 품질에 초점을 맞췄다. 우리는 코리퍼런스 해결이 검색 효과성을 향상시키고 질의응답(QA) 성능을 개선함을 입증한다. 검색 과제에서 서로 다른 풀링(pooling) 전략을 비교 분석한 결과, 코리퍼런스 해결을 적용한 후 mean pooling이 더 우수한 맥락 포착 능력을 보임을 확인하였다. QA 과제에서는 더 작은 모델이 해소(disambiguation) 과정으로부터 더 큰 이점을 얻는다는 사실을 발견했는데, 이는 참조적 모호성을 처리하는 데 필요한 고유한 능력이 제한적인 데에 기인할 가능성이 크다. 이러한 결과를 바탕으로, 본 연구는 RAG에서 코리퍼런스 복잡성이 야기하는 과제에 대한 더 깊은 이해를 제공하고, 지식 집약적 AI 응용에서 검색 및 생성을 개선하기 위한 지침을 제시하는 것을 목표로 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.