인공 지능(AI)의 발전으로 대규모 언어 모델(LLM)을 활용하여 시장 조사 및 사회 과학 분야에서 인간과 유사한 응답을 생성하는 연구가 증가하고 있습니다. LLM 성능을 향상시키기 위해 미세 조정(fine-tuning)과 보정(rectification)이라는 두 가지 주요 접근 방식이 사용됩니다. 본 논문에서는 미세 조정과 보정을 결합하고, 제한된 라벨 샘플을 두 단계에 최적으로 할당하는 프레임워크를 개발합니다. 평균 제곱 예측 오차를 최소화하는 기존 목표와 달리, 다운스트림 보정 단계에 최적인 예측 오차의 분산을 최소화하는 미세 조정 목표를 제안합니다. 또한, 경험적 스케일링 법칙을 활용하여 미세 조정과 보정 단계 간의 샘플 분할을 최적화하는 데이터 기반 방법을 개발합니다. 실험 분석을 통해 제안된 프레임워크가 미세 조정 또는 보정 단독 사용보다 향상된 추정 및 추론 성능을 보임을 확인했습니다.
