본 논문은 대규모 언어 모델(LLM)을 이용한 text-to-SQL 작업에서 발생하는 오류를 종합적으로 분석하고, 새로운 오류 검출 및 복구 프레임워크인 MapleRepair를 제안합니다. 기존의 컨텍스트 내 학습(ICL) 기반 text-to-SQL 기법은 정확성 문제를 가지고 있으며, 효율적인 복구 솔루션이 필요합니다. 연구는 4가지 대표적인 ICL 기반 기법, 5가지 기본 복구 방법, 2가지 벤치마크, 2가지 LLM 설정을 사용하여 7가지 범주, 29가지 유형의 text-to-SQL 오류를 분석했습니다. 기존의 복구 시도는 계산 비용이 높고 오류 수정률이 낮다는 것을 발견하고, 이를 개선하기 위해 MapleRepair를 제안합니다. 평가 결과, MapleRepair는 기존 솔루션보다 13.8% 더 많은 쿼리를 복구하고, 오류 수정 실패율은 무시할 만큼 낮으며, 계산 비용은 67.4% 감소시켰습니다.
