본 연구는 거대언어모델(LLM)의 내재된 편향과 유해 행동 문제를 해결하기 위해, 뉴런 수준에서 가치 기반 행동 메커니즘을 분석하는 ValueExploration 프레임워크를 제시했습니다. 중국 사회 가치를 중심으로 한 대규모 이중 언어 벤치마크 C-voice를 개발하여 실험을 진행, LLM의 의사결정 과정에 가치가 미치는 영향을 규명했습니다. 이 연구는 윤리적이고 사회적으로 책임감 있는 AI 개발에 중요한 시사점을 제공합니다.

장헝란 등 연구진이 개발한 LLM-QL 모델은 LLM의 생성 능력과 기존 QL 모델의 장점을 결합하여 밀집 검색 성능을 크게 향상시켰습니다. Attention Stop과 Input Corruption 기법을 통해 LLM의 한계를 극복하고 MSMARCO 데이터셋에서 우수한 성능을 검증했습니다.

본 연구는 AI 학습 도구를 활용한 학생들의 독서 과정을 분석하여, 초기 고차원적 사고 활용 후 수동적 독서로 전환되는 현상을 발견하였습니다. 이를 바탕으로 저차원 및 고차원 인지 과제를 위한 구조적 지원 체계 구축 및 적응적이고 인간 중심적인 AI 시스템 설계의 필요성을 강조합니다.

본 연구는 반실증적 설명의 사용자 만족도를 예측하는 모델을 개발하고, 실행 가능성과 신뢰성이 사용자 만족도에 가장 큰 영향을 미치는 요소임을 밝혔습니다. 또한, 복잡성은 만족도와 무관하며 사용자의 배경이 평가에 영향을 미친다는 점을 발견했습니다. 이는 AI 설명 가능성 연구에 중요한 시사점을 제공합니다.

HSRI 데이터셋은 실제 인간-로봇 상호작용 데이터를 기반으로 AI 모델의 사회적 추론 능력을 평가하는 데 사용되는 대규모 데이터셋입니다. 이 데이터셋은 400개 이상의 영상과 1만 개 이상의 주석을 포함하며, AI 모델의 사회적 상호작용 이해 및 문제 해결 능력을 평가하는 8가지 벤치마크 과제를 제시합니다. 연구 결과, 현재의 AI 모델들은 여전히 사회적 추론 능력에서 한계를 보이고 있으며, HSRI 데이터셋이 사회적으로 지능적인 AI 개발에 중요한 역할을 할 것으로 기대됩니다.