본 논문은 대규모 언어 모델(LLM)이 내러티브 전사본에서 알츠하이머병(AD)을 탐지하는 어려움을 해결하기 위해, 특히 분포 밖(OOD) 및 데이터 부족 상황에서 성능 향상을 목표로 하는 Explicit Knowledge In-Context Learners (EK-ICL) 프레임워크를 제안합니다. EK-ICL은 ICL의 문제점인 작업 인식 실패, 최적화되지 않은 데모 선택, 라벨 단어와 작업 목표 간의 불일치를 해결하기 위해, 작은 언어 모델(SLM)의 신뢰도 점수, 파싱 특징 점수, 라벨 단어 대체 등의 명시적 지식을 통합합니다. 또한, 파싱 기반 검색 전략과 앙상블 예측을 활용하여 AD 전사본의 의미론적 동질성 문제를 완화합니다. 실험 결과, EK-ICL이 기존의 미세 조정 및 ICL 기법보다 우수한 성능을 보였습니다.
