대형 언어 모델(LLMs)은 역사적 사건 분석 및 시간 민감 정보 검색과 같은 작업에 필수적인 시간적 추론에 종종 어려움을 겪습니다. 발전에도 불구하고, 최첨단 모델은 종종 무관하거나 노이즈가 있는 맥락을 다룰 때 어려움을 보입니다. 본 논문은 관련, 비관련, 약간 수정된 맥락 및 맥락 없음 등 다양한 맥락 유형에서 훈련된 시간 질문 응답(TQA) 시스템의 강건성을 경험적으로 조사함으로써 이 간극을 해소하고자 합니다. 우리의 연구 결과는 이러한 다양한 맥락으로 훈련하는 것이 모델의 강건성과 정확성을 향상시킴을 나타냅니다. 또한 질문과의 맥락 상대적 위치가 성능에 큰 영향을 주며, 질문 우선 배치가 더 나은 결과를 가져온다는 것을 보여줍니다. 우리는 ContextAQA 및 ContextTQE라는 두 개의 새로운 맥락이 풍부한 TQA 데이터셋을 소개하고, 강건한 TQA 모델 훈련을 위한 포괄적인 평가 및 가이드를 제공합니다. 우리의 연구는 신뢰할 수 있고 맥락을 인식하는 시간 QA 시스템 개발을 위한 기초를 마련하며, 다양한 정보에 대한 LLM의 강건성을 향상시키기 위한 더 넓은 함의를 갖고 있습니다.
Schumacher 외(Thu,)는 이 질문을 연구하였습니다.