중국 전통문화 콘텐츠 생성법 제안

류쯔치(Zi-Qi Liu)는 2026년 《디스커버 인공지능》에 발표한 연구에서 중국 전통문화에 관한 대규모 언어 모델 콘텐츠를 개선하는 생성형 인공지능 기반 방법을 제안했습니다. 이 방법은 오래된 지식, 문화적 맥락의 불일치, 근거와의 약한 연결, 뒷받침되지 않는 내용 추가 문제를 해결하는 데 목적이 있습니다. Qwen2.5-7B-Instruct 모델의 내부 주의 계층을 바꾸지 않고 고정한 채, 갱신 가능한 외부 지식 기반과 연결합니다.

시스템은 지식에 문화 범주, 역사적 시기, 지역적 기원, 활용 시나리오 등 네 가지 항목을 붙입니다. 후보 근거는 벡터 유사도, 그래프 관계, 태그 일치도, 출처 신뢰도와 상충 정보에 대한 감점을 이용해 순위를 매긴 뒤, 선택한 자료를 제약 조건이 있는 프롬프트로 구성합니다. 지식 갱신에는 출처 확인, 충돌 탐지, 전문가 검토가 포함됩니다. 생성 뒤에는 사실 일관성, 문화적 맥락에 대한 적합성, 근거 포함 여부를 확인합니다.

실험은 고전 문헌, 문화유산 유물, 무형문화유산 공예, 중국 전통극, 민속문화 등 5개 분야에서 사실 질의응답 표본 1,080개와 맥락 기반 생성 작업 360개를 대상으로 했습니다. 제안 시스템은 사실 정확도 88.61%, 답변 관련성 95.28%, 근거 충실도 94.17%, 문화적 맥락 적응성 92.50%를 기록했습니다. 갱신된 지식이 필요한 질문의 정확도는 지식 업데이트 뒤 58.67%에서 91.33%로 올랐습니다. 연구진은 처리 과정을 추적할 수 있고 맥락에 민감하다고 설명했으며, 완전한 쌍별 기준 시스템 예측값을 보존하지 않아 시스템 간 차이는 기술적으로 해석했다고 밝혔습니다.

류쯔치(Zi-Qi Liu)는 2026년 《디스커버 인공지능》에 발표한 연구에서 중국 전통문화에 관한 대규모 언어 모델 콘텐츠를 개선하는 생성형 인공지능 기반 방법을 제안했습니다. 이 방법은 오래된 지식, 문화적 맥락의 불일치, 근거와의 약한 연결, 뒷받침되지 않는 내용 추가 문제를 해결하는 데 목적이 있습니다. Qwen2.5-7B-Instruct 모델의 내부 주의 계층을 바꾸지 않고 고정한 채, 갱신 가능한 외부 지식 기반과 연결합니다.

시스템은 지식에 문화 범주, 역사적 시기, 지역적 기원, 활용 시나리오 등 네 가지 항목을 붙입니다. 후보 근거는 벡터 유사도, 그래프 관계, 태그 일치도, 출처 신뢰도와 상충 정보에 대한 감점을 이용해 순위를 매긴 뒤, 선택한 자료를 제약 조건이 있는 프롬프트로 구성합니다. 지식 갱신에는 출처 확인, 충돌 탐지, 전문가 검토가 포함됩니다. 생성 뒤에는 사실 일관성, 문화적 맥락에 대한 적합성, 근거 포함 여부를 확인합니다.

실험은 고전 문헌, 문화유산 유물, 무형문화유산 공예, 중국 전통극, 민속문화 등 5개 분야에서 사실 질의응답 표본 1,080개와 맥락 기반 생성 작업 360개를 대상으로 했습니다. 제안 시스템은 사실 정확도 88.61%, 답변 관련성 95.28%, 근거 충실도 94.17%, 문화적 맥락 적응성 92.50%를 기록했습니다. 갱신된 지식이 필요한 질문의 정확도는 지식 업데이트 뒤 58.67%에서 91.33%로 올랐습니다. 연구진은 처리 과정을 추적할 수 있고 맥락에 민감하다고 설명했으며, 완전한 쌍별 기준 시스템 예측값을 보존하지 않아 시스템 간 차이는 기술적으로 해석했다고 밝혔습니다.