본 논문은 유사 주제의 예시를 사용하여 새로운 주제에 대한 설명적인 텍스트를 생성하는 "예시 기반 설명 텍스트 생성" 과제를 소개합니다. 기존 방법들은 방대한 예시 데이터에 대한 의존성, 주제 특정 콘텐츠 적응의 어려움, 장문 일관성 문제 등의 한계를 가지고 있습니다. 이러한 문제를 해결하기 위해, 본 논문은 적응적 모방(Adaptive Imitation) 개념을 제시하고 새로운 순환적 계획-적응(RePA) 프레임워크를 제안합니다. RePA는 세분화된 계획-적응 프로세스를 통해 대규모 언어 모델(LLM)을 활용하여 효과적인 적응적 모방을 수행합니다. 또한, 입력 명확성 및 출력 일관성을 향상시키는 두 가지 메모리 구조를 통해 순환적인 부분별 모방을 가능하게 합니다. LLM을 평가자로 사용하여 모방성, 적응성, 적응적 모방성 등 과제 특정 평가 지표도 개발했습니다. 세 가지 다양한 데이터셋에 대한 실험 결과, RePA는 기존 기준 모델보다 사실적이고, 일관성 있으며, 관련성 있는 텍스트를 생성하는 데 우수함을 보여줍니다.
