본 연구는 대규모 언어 모델(LLM)을 생체 인식 및 의료 분야에서 구조화된 인과 지식 추출 및 인과 모델링을 위한 인간 전문가 의뢰의 대안으로 활용할 가능성을 조사합니다. LLM이 생성한 베이지안 네트워크(BN)를 의료 데이터셋을 사용하여 기존 통계적 방법(예: 베이지안 정보 기준)과 비교 평가하였습니다. 구조 방정식 모델링(SEM)을 사용하여 관계를 검증하고, 엔트로피, 예측 정확도, 그리고 네트워크 구조 비교를 위한 강건성과 같은 척도를 사용하여 검증하였습니다. LLM이 생성한 BN은 전문가가 도출한 BN 및 통계적으로 생성된 BN보다 엔트로피가 낮아 예측의 신뢰도와 정확도가 높음을 시사합니다. 그러나 문맥적 제약, 환각된 의존성 및 훈련 데이터에서 상속된 잠재적 편향과 같은 한계점에 대한 추가 연구가 필요합니다. LLM은 확률적 인과 모델링에 대한 전문가 의뢰의 새로운 영역을 제시하며, 이러한 모델을 사용한 의사 결정에서 투명성을 향상시키고 불확실성을 줄일 가능성을 보여줍니다.
