대형 언어 모델(LLM)의 안전성과 신뢰성에 대한 우려로 인해, 과제 프레이밍이 LLM에 어떤 영향을 미치는지 연구했어요. LLM이 과제를 수행할 때, 프레이밍에 따라 잘못된 가정에 빠져 성능이 저하될 수 있답니다.
반복적인 죄수 딜레마를 사례 연구로 활용한 실험에서, LLM은 추론 과정에서도 가정에 취약하다는 점이 확인되었어요. 하지만 과제 프레이밍이 중립적일 때는 논리적인 추론을 수행하며 가정에 크게 의존하지 않았어요.
이 연구는 LLM의 위험을 줄이기 위해 적절한 과제 프레이밍의 중요성을 강조하고 있답니다.