본 논문은 잠재적인 개체(예: 학생의 학습 성과, 질병, 사용자 선호도)에 대한 불확실성을 줄이기 위해 정보를 효과적으로 수집하는 방법을 제시합니다. 대규모 언어 모델(LLM)의 일반화 능력과 세계 지식을 활용하여 적응적 정보 수집 프레임워크를 제안하며, 추상적인 잠재 개체에 대한 확률적 모델링의 어려움을 해결하기 위해 메타 학습된 언어 모델을 이용하여 미래 관측을 시뮬레이션하고 복잡한 자연어에 대한 불확실성을 정량화합니다. 자기회귀적 전향 시뮬레이션을 통해 새로운 질문이 인식론적 불확실성을 얼마나 줄이는지 정량화하여, 가장 유익한 다음 질문을 선택하는 정교한 정보 수집 전략을 개발합니다. 20 Questions 게임, 동적 여론 조사, 적응형 학생 평가 실험에서 제안된 방법은 기존 방법보다 중요한 미지의 정보를 식별하고 후속 예측을 개선하는 데 효과적임을 보여줍니다.
