본 논문은 언어 모델이 적절한 정보 공개에 대해 추론하는 능력을 연구하며, 특히 에이전트적 프라이버시 분야에서 중요한 역할을 하는 맥락의 모호성과 누락된 정보가 모델 성능에 미치는 영향을 분석합니다. 이전 연구와 달리, 본 연구는 인간의 결정과의 일치성을 평가하는 대신, 정보 공유 결정 시 모호성과 누락된 맥락이 모델 성능에 미치는 영향을 조사합니다. Camber라는 맥락 명확화 프레임워크를 설계하여 모델이 생성한 결정 근거가 모호성을 드러낼 수 있음을 보여주고, 이를 기반으로 맥락을 체계적으로 명확화함으로써 정확도를 크게 향상시킬 수 있음을 입증합니다.
