본 논문은 문서 요약, 질문 응답, 정보 추출 등 문서 기반 작업에 점점 더 많이 사용되는 대규모 언어 모델(LLM)의 신뢰성과 해석 가능성을 높이는 데 중점을 둡니다. 특히, LLM이 생성한 출력을 원본 문서로 추적하는 어트리뷰션(attribution)에 초점을 맞춰, 부정확하거나 부정밀한 응답을 생성할 수 있는 LLM의 특성을 고려하여 어트리뷰션의 신뢰성을 평가하는 방법을 제안합니다. 두 가지 기법을 제시하는데, 첫 번째는 어트리뷰션을 단순한 텍스트 함의(textual entailment) 과제로 설정하는 제로샷 접근 방식이며, 두 번째는 어트리뷰션 프로세스 향상을 위한 어텐션 메커니즘의 역할을 탐구하는 것입니다. Flan-ul2를 사용한 제로샷 접근 방식은 AttributionBench의 ID 및 OOD 세트에서 기존 최고 성능보다 각각 0.27% 및 2.4% 향상을 보였으며, Flan-t5-small을 사용한 어텐션 기반 접근 방식은 대부분의 레이어에서 기준선보다 높은 F1 점수를 달성했습니다.