본 논문은 미국 국세청에 따르면 평균적으로 미국인이 세금 신고에 270달러와 13시간을 소비한다는 점을 언급하며, 세금 신고가 복잡한 추론과 겹치는 규칙 적용 및 수치 계산을 필요로 한다는 점을 지적합니다. 오류는 큰 비용을 초래할 수 있으므로 자동화 시스템은 높은 정확성과 감사 가능성을 제공해야 하며, 이는 현대의 대규모 언어 모델(LLM)에는 적합하지 않습니다. 따라서 본 논문에서는 세금 의무를 계산하기 위해 LLM과 기호적 솔버를 통합하는 접근 방식을 제안합니다. 어려운 법적 추론 평가(SARA) 데이터셋에서 이 시스템의 변형을 평가하고, 실제 세금 오류에 대한 페널티를 기반으로 시스템 배포 비용을 추정하는 새로운 방법을 포함합니다. 또한 일반 텍스트 규칙을 공식 논리 프로그램으로 사전 변환하고 공식적인 사례 표현에 대한 예시를 지능적으로 검색하는 것을 결합하여 이 작업의 성능을 크게 향상시키고 비용을 실제 평균보다 훨씬 낮출 수 있음을 보여줍니다. 결과는 신뢰할 수 있는 세금 지원에 대한 공정한 접근을 증진하기 위한 신경 기호 아키텍처의 가능성과 경제적 타당성을 보여줍니다.
