본 논문은 지적 장애인을 포함한 다양한 대상 집단의 언어 접근성을 향상시키기 위한 자동 텍스트 단순화(ATS)에 초점을 맞추고 있습니다. 최근 대규모 언어 모델(LLM)을 중심으로 한 생성형 AI의 발전으로 기계가 생성한 텍스트 단순화의 질이 크게 향상되었지만, 기존 LLM 기반 ATS 시스템은 학습 과정에서 텍스트 단순화에 대한 선호도 피드백을 통합하지 않아 대상 집단의 특수한 요구에 맞춘 개인화가 부족했습니다. 본 연구는 지적 장애인으로부터 수집한 피드백을 활용하여 직접 선호도 최적화(DPO)라는 계산 효율적인 LLM 정렬 기법을 통해 LLM 기반 ATS 모델을 사후 학습시키는 표준 지도 미세 조정(SFT) 접근 방식을 확장합니다. 또한, 데이터 수집, 모델 선택, SFT 및 DPO 사후 학습, 평가를 포함하는 개인화된 LLM 기반 ATS 시스템 개발 파이프라인을 제안합니다. 결과는 대상 집단의 적극적인 참여가 인간의 기대에 부합하는 개인화된 AI 접근성 솔루션을 설계하는 데 필수적임을 강조합니다. 본 연구는 텍스트 단순화 전문가뿐 아니라 대상 집단 자체의 통찰력을 통합하여 대상 집단 수준에서 포괄적인 AI 시스템을 개인화하는 방향으로 나아가는 한 걸음을 나타냅니다.
