해외 학술 연구

인공지능(AI)의 자세한 풀이가 실제 판단 이유를 숨길 수도 있을까?

Turpin 등의 연구를 통해 연쇄적 사고 설명이 그럴듯해도 입력의 편향 단서를 충실히 드러내지 않을 수 있음을 살펴봅니다.

Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting

풀이 예시를 보여 주면 작은 인공지능(AI)도 추론을 잘하게 될까?

Wei 등의 연쇄 사고 촉진 연구를 모델 규모별로 읽고, 풀이 형식과 실제 추론 능력을 구분합니다.

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

인공지능(AI)에게 같은 질문을 여러 번 하면 꾸며낸 사실을 찾을 수 있을까?

SelfCheckGPT가 검은상자 생성 모델의 여러 표본 사이 불일치를 이용해 환각을 탐지한 방법을 읽고, 일관성과 사실성을 구분합니다.

SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models

정답 하나로는 규칙을 안다고 말할 수 없다

2026년 9월 16일과 23일 공개된 PotARCin, NAF-Bench, ReFigBench를 통해 정답 정확도 너머의 검증을 살펴봅니다. 같은 규칙을 정의·분류·생성·수정·역산에 쓸 수 있는지, ‘아니다’의 의미를 명시대로 적용하는지, 다이어그램의 연결이 실제 객체로 남는지를 구별합니다.

말을 더 그럴듯하게 하는 인공지능(AI)가 더 진실한 답을 할까?

TruthfulQA가 모방된 오정보를 겨냥해 구성한 817개 질문과 당시 모델 결과를 읽고, 진실성과 정보성을 따로 평가합니다.

TruthfulQA: Measuring How Models Mimic Human Falsehoods