What question did this study set out to answer?

The aim is to enhance the performance of Korean semantic role labeling using large language models' reasoning capabilities.

June 28, 2026

Enhancing Korean Semantic Role Labeling Performance Using Large Language Models with Self-Reasoning and Self-Refinement

Key Points

The aim is to enhance the performance of Korean semantic role labeling using large language models' reasoning capabilities.
Utilized self-reasoning and self-refinement techniques with large language models for Korean semantic role labeling.
Implemented in-context learning by providing examples to generate reasoning processes.
Evaluated the performance improvements with the gemma-2-27b-it model, focusing on reasoning and review.
Self-reasoning improved performance by 6.12%p with gemma-2-27b-it model.
Self-refinement led to an additional improvement of 0.58%p.

Abstract

최근 대규모 언어 모델(LLM)은 사전 학습한 후, 추가 학습 없이도 프롬프트(prompt)에 예제를 제공하는 방식만으로 다양한 작업을 수행할 수 있게 되었다. 특히 Chain-of-Thought(CoT) 기법은 프롬프트에 문제 풀이 과정을 명시하여 수학과 같이 추론 과정이 중요한 작업에서 우수한 성능을 보여주고 있다. 본 논문에서는 자연어처리 작업 중 하나인 한국어 의미역 결정에 LLM의 자가 추론(Self-Reasoning) 및 자가 재검토(Self-Refinement) 능력을 이용하여 성능 향상을 시도하였다. In-context Learning(ICL)의 예제에 대해 LLM이 정답을 기반으로 추론 과정을 자동 생성하고, 이를 LLM이 재검토한 뒤 예제와 함께 입력으로 제공하여 추론을 유도하였다. 실험 결과, gemma-2-27b-it 모델의 경우 자가 추론 적용 시 6.12%p의 성능 향상을 보였으며, 자가 재검토 적용 시 추가적으로 0.58%p의 성능 향상을 보였다.

KI fragen

Bookmark