본 논문은 대규모 언어 모델(LLM)이 의료 환경에서 텍스트의 불확실성에 어떻게 반응하는지, 특히 입력 측면에서 불확실성이 어떻게 모델 내부에 표현되는지를 연구합니다. 모델의 출력 신뢰도를 측정하는 불확실성 정량화와는 달리, 본 연구는 의료 텍스트에서 불확실성 신호에 대한 입력 측면의 민감성을 조사합니다. 이를 위해, 다양한 불확실성 양상(예: '과 일치한다' vs. '과 일치할 수 있다')을 가진 의료 진술문 데이터셋을 구축하고, 모델의 활성화 수준 변화를 정량화하는 계층별 프로빙 지표인 MSU(Model Sensitivity to Uncertainty)를 제안합니다. 연구 결과 LLM이 임상적 불확실성에 대해 구조화되고 깊이에 따라 달라지는 민감도를 보이며, 이는 불확실성 정보가 깊은 계층에서 점진적으로 인코딩됨을 시사합니다.
