본 논문은 YouTube의 고위험도 스레드에서 수집한 5,080개의 댓글 데이터셋을 사용하여 OpenAI GPT-4.1, Google Gemini 1.5 Pro, Anthropic Claude 3 Opus 세 가지 주요 대규모 언어 모델의 유해 댓글 감지 성능을 벤치마킹한 연구입니다. 영어, 아랍어, 인도네시아어로 작성된 1,334개의 유해 댓글과 3,746개의 비유해 댓글을 포함하는 해당 데이터셋은 두 명의 검토자가 독립적으로 주석을 달았으며, 상당한 일치도(Cohen's kappa = 0.83)를 보였습니다. GPT-4.1은 F1 점수 0.863, 정밀도 0.887, 재현율 0.841로 가장 균형 잡힌 성능을 보였습니다. Gemini는 가장 높은 재현율(0.875)을 기록했지만, 과도한 오탐으로 인해 정밀도(0.767)가 낮았습니다. Claude는 0.920의 높은 정밀도와 0.022의 낮은 오탐률을 달성했지만, 재현율(0.720)은 낮았습니다. 정성적 분석 결과, 세 모델 모두 풍자, 은유적 모욕, 혼합 언어 속어에 어려움을 겪는 것으로 나타났습니다. 데이터셋과 프롬프트는 공개적으로 배포되어 재현성을 높이고 자동화된 콘텐츠 조정 기술 발전을 촉진합니다.
