본 논문은 통계적 인과 추론(SCD)과 대규모 언어 모델(LLM) 기반의 지식 기반 인과 추론(KBCI)을 통합하는 새로운 인과 추론 방법을 제안한다. 이는 LLM을 위한 "통계적 인과 프롬프팅(SCP)"과 SCD를 위한 사전 지식 증강을 통해 이루어진다. 실험 결과, LLM-KBCI와 LLM-KBCI로 증강된 SCD는 사전 지식이 없는 SCD보다 실제 값에 더 가까운 결과를 보였다. 또한, LLM에 SCP를 적용하면 SCD 결과를 더욱 개선할 수 있음을 확인했다. 미공개 실제 데이터셋을 이용한 실험에서도 LLM이 제공하는 배경 지식이 SCD 성능을 향상시키는 것을 확인했으며, 이는 LLM의 학습 데이터에 해당 데이터셋이 포함되지 않았더라도 마찬가지였다. 논문에서는 의료와 같은 중요 분야에서의 실제 적용을 고려하여 한계점, 심각한 오류의 위험, LLM 관련 기술의 향상, 전문가 검토의 통합 등을 심도 있게 논의하고, 다양한 성공 및 실패 시나리오를 고려한 SCP 시뮬레이션을 수행했다. 제안된 방법은 데이터셋의 편향성 및 한계를 해결하고 다양한 과학 분야에서 데이터 기반 인과 추론을 개선할 수 있는 LLM의 잠재력을 보여준다.
