본 논문은 기존의 노동집약적이고 시간이 많이 소요되는 정성적 연구의 전통적 방법론(grounded theory, content analysis)을 보완하기 위해, 대규모 언어 모델(LLM) 기반 주제 모델링에 Agentic RAG (Agentic Retrieval-Augmented Generation) 방법론을 제시합니다. Agentic RAG는 외부 데이터 접근을 자동화하는 검색(retrieval), 텍스트 생성을 위한 LLM의 생성(generation) 능력 활용, 그리고 반복적인 검색 및 질의 개선을 위한 에이전트 기반 학습(agent-driven learning)의 세 가지 핵심 구성 요소를 통합합니다. Mu et al. (2024a)의 Twitter/X 데이터셋을 재분석하여 기존 머신러닝 접근 방식 및 LLM 프롬프팅 기반 주제 모델링과 비교, Agentic RAG의 효율성, 해석력, 신뢰성 및 타당성을 실증적으로 검증합니다. 결과적으로 Agentic RAG는 의미론적으로 관련 있고 재현 가능한 주제를 생성하며, 리더십, 경영 및 조직 연구에서 AI 기반 정성적 연구를 위한 강력하고 확장 가능하며 투명한 대안으로 자리매김할 수 있음을 보여줍니다.
