본 논문은 대규모 언어 모델(LLM)을 활용하여 데이터가 제한적인 환경에서 사용자의 개인정보보호 선호도를 분석하는 방법을 제시합니다. 기존의 개인정보보호 선호도 모델링 방법들은 대규모 사용자 데이터에 의존하는 반면, 본 연구는 소량 학습(Few-shot Learning)과 프라이버시 컴퓨팅을 통합하여 LLM 기반의 새로운 방법을 제안합니다. 익명화된 사용자 개인정보 설정 데이터, 설문 조사 응답 및 시뮬레이션 데이터를 사용하여 기존 모델링 방법과 LLM 기반 방법의 성능을 비교 분석하고, 제한된 데이터 환경에서도 LLM이 개인정보보호 선호도 모델링의 정확도를 크게 향상시킨다는 것을 실험적으로 보여줍니다. 차등 프라이버시(Differential Privacy)와 연합 학습(Federated Learning)을 통합하여 사용자 데이터 노출 위험을 추가적으로 줄이는 방안도 제시합니다.
