문맥 정보를 활용한 데이터 증강 기반의 RAG 연구
A Study on RAG via Data Augmentation Using Context Information
- 문서 유형
- 연구출판물 · 학술지 논문
- 등재
- KCI
- 저널 순위
- KCI Q1
- 저널
- 지능정보연구31(4) · pp.69 · 2025
- 피인용
- KCI 0
- ISSN
- 2288-4866
저자
초록
본 연구는 대규모 언어 모델(LLM)의 환각(hallucination) 현상을 극복하고, 답변의 정확성과 신뢰성을 향상시키기 위해데이터 증강을 활용한 검색 증강 생성(RAG) 프레임워크를 제안한다. 금융 도메인 문서의 문맥(context) 정보를 활용하여LLM이 질문-답변(QA) 데이터를 생성하고, 이후 생성된 QA 데이터를 문서에 통합하는 방식으로 문서 정보를 확장하여RAG를 수행한다. 실험에는 GPT, Llama, Mistral, OpenChat 등 다양한 LLM을 활용하여 답변을 생성하였다. 또한 정확성,관련성, 환각 여부, 품질 등 네 가지 항목에 대해 LLM 기반의 자동 평가와 Welch’s ANOVA, Games-Howell 사후분석을수행하였다. 실험 결과, 제안 방법은 기존 방법론 대비 가장 높은 평균 점수와 낮은 변동성을 보였다. 특히 품질 지표에서다른 방법론과 통계적으로 유의한 차이를 보이며, QA 기반 데이터 증강이 문맥 내 의미 연결성을 강화하고 환각 발생률을 줄이는데 효과적임을 확인하였다. 본 연구는 LLM의 일반화 능력을 활용한 QA 데이터 생성만으로도 RAG 성능을 개선할 수 있음을 실증하며, 다양한 도메인에 적용할 수 있는 확장성과 실용성을 지닌 방법론을 제시한다.
키워드
대규모 언어 모델검색 증강 생성데이터 증강문맥 정보질문-답변Large Language ModelRetrieval-Augmented GenerationData AugmentationContext InformationQuestion-Answering
식별자
- KCI
- ART003286163



로그인
연구물 목록으로