본 논문은 기계적 마음 이론(ToM)에 대한 하이브리드 접근 방식을 제안합니다. 이는 베이지안 역계획 모델과 대규모 언어 모델(LLM)을 결합한 것으로, 베이지안 역계획 모델은 행동을 바탕으로 에이전트의 가능한 정신 상태에 대한 사후 확률을 계산하고, LLM은 가설과 가능도 함수를 생성하는 데 사용됩니다. 베이지안 역계획 모델은 다양한 ToM 과제에서 인간의 추론을 정확하게 예측할 수 있지만, 가능한 가설과 행동의 수가 많은 시나리오로 확장하는 데는 한계가 있습니다. 반면 LLM 기반 접근 방식은 ToM 벤치마크 해결에 유망성을 보여주지만, 취약성과 추론 과제에서의 실패를 보일 수 있습니다. 본 연구의 하이브리드 접근 방식은 각 구성 요소의 강점을 활용하여 기존 역계획 모델에서 영감을 받은 과제에서 최적 결과에 근접하고, LLM만 또는 사고 과정 프롬프팅과 함께 사용하는 모델보다 성능을 향상시킵니다. 또한, 열린 과제에서 정신 상태를 예측할 수 있는 잠재력을 보여주어, ToM 모델의 미래 개발과 사회적으로 지능적인 생성 에이전트의 생성에 유망한 방향을 제시합니다.
