본 논문은 다양한 배경 지식을 가진 독자들이 전문적인 문서를 이해할 수 있도록 전문 용어 감지 및 설명을 개인화하는 방법에 대한 연구를 제시합니다. 기존의 사용자 맞춤 모델 학습은 많은 주석 작업과 컴퓨팅 자원을 필요로 하기 때문에, 본 연구는 효율적이고 확장 가능한 개인화 방법을 중점적으로 다룹니다. Low-Rank Adaptation (LoRA)을 이용한 경량 미세 조정과 추론 시점에서 모델 동작을 조정하는 개인화 프롬프팅 두 가지 전략을 탐구하며, 제한된 주석 데이터와 비지도 학습 방식의 사용자 배경 신호를 결합한 하이브리드 접근 방식도 조사합니다. 실험 결과, 제안된 개인화 LoRA 모델은 GPT-4보다 F1 점수에서 21.4% 높은 성능을 보였으며, 최고 성능의 오라클 기준 모델보다 8.3% 높은 성능을 달성했습니다. 특히, 주석된 훈련 데이터의 10%만 사용해도 비슷한 성능을 달성하여 자원 제약 환경에서도 실용성을 입증했습니다. 본 연구는 오픈소스 언어 모델을 사용한 전문 용어 감지의 효율적이고 저자원 개인화를 체계적으로 탐구한 최초의 연구이며, 확장 가능하고 사용자 적응형 NLP 시스템을 위한 실용적인 방안을 제시합니다.
