본 논문은 사용자 발화가 의미적으로 완전하지만 시스템 동작에 필요한 구조적 정보가 부족할 때 발생하는 과제 지향 대화 시스템의 어려움을 다룹니다. 사용자는 자신의 필요를 완전히 이해하지 못하는 경우가 많고, 시스템은 정확한 의도 정의를 필요로 하기 때문입니다. 현재 LLM 기반 에이전트는 언어적으로 완전한 표현과 문맥적으로 활성화 가능한 표현을 효과적으로 구분하지 못하며, 협업적 의도 형성을 위한 프레임워크가 부족합니다. 본 논문에서는 사용자 LLM(완전한 내부 접근)과 에이전트 LLM(관찰 가능한 동작만) 간의 대화를 통해 비대칭 정보 역학을 모델링하는 STORM 프레임워크를 제시합니다. STORM은 표현 경로와 잠재적인 인지 전이를 포착하는 주석이 달린 말뭉치를 생성하여 협업적 이해 발전에 대한 체계적인 분석을 가능하게 합니다. 본 논문의 기여는 다음과 같습니다: (1) 대화 시스템에서 비대칭 정보 처리를 공식화, (2) 협업적 이해 진화를 추적하는 의도 형성 모델링, (3) 작업 성능과 함께 내부 인지적 개선을 측정하는 평가 지표. 4개의 언어 모델에 대한 실험 결과, 특정 시나리오에서 완전한 투명성보다 중간 수준의 불확실성(40-60%)이 더 나은 성능을 보이며, 모델별 패턴은 인간-AI 협업에서 최적의 정보 완전성에 대한 재고를 촉구합니다. 본 연구 결과는 비대칭 추론 역학에 대한 이해에 기여하고 불확실성 보정 대화 시스템 설계에 대한 정보를 제공합니다.
