소프트웨어학과

구분

내용

추진 배경

□ GPT-4나 DeepL 등 LLM·NMT 기반 번역이 보편화되었지만 관용구 등에서 여전히 오역 발생함.

□ 기존 연구는 프롬프트 불투명성, 평가 지표 신뢰성 부족 등의 한계가 있음.

□ 실제 품질 향상 여부를 객관적으로 비교 가능한 구조적 재현과 평가가 필요함.

목표 및 내용

□ 선행 연구를 재현하면서도 새로운 아키텍처를 제안하여 번역 품질을 향상시키는 방법 탐구함.

□ LLM 후처리 에이전트에 원문, 번역문, LLM 가이드라인을 동시에 입력하여 품질 개선을 유도함.

□ 다양한 LLM(GPT-4o, LLaMa 등)과 NMT 모델을 조합하고 평균값 기반 성능 비교 수행함.

• 수행결과

□ 제안 아키텍처가 단순 LLM이나 단순 NMT보다 일관된 품질을 보였으며 품질 안정성이 더 높음.

□ 문장 단위보다 문서 단위의 번역에서 더 뚜렷한 성능 차이를 보일 가능성이 있음.

□ 여러 모델 조합 실험 결과를 통해 실질적인 모델 비교 자료로 활용 가능성 확보함.