본 논문은 자연어 처리 과제에서의 설명 가능성을 향상시키기 위한 새로운 방법론을 제안합니다. 기존의 Transformer 기반 모델들은 크기가 클수록 성능은 우수하지만, 설명 가능성 측면에서 계산 비용이 높고 토큰화로 인한 의미 손실 문제가 발생합니다. 본 연구는 문장을 의미를 유지하는 그래프로 자동 변환하여, 노드와 관계를 통해 기본적인 언어 개념을 표현함으로써 이러한 문제를 해결하고자 합니다. 이를 통해 모델이 텍스트 내 다양한 요소들을 특정 과제와 어떻게 연결하는지 이해하고, 추세를 파악할 수 있습니다. 실험 결과는 주어진 분류 과제에서 텍스트 구조 내 가장 중요한 구성 요소를 결정하는 데 유망한 결과를 보였습니다.
