개인은 백신 접종과 같은 고위험 시나리오에서 종종 인구 최적 예측과 다른 결정을 내립니다. 이 논문은 유틸리티 이론과 LLM의 텍스트 추론 능력을 활용하여 최적의 정보 통합을 위한 ATHENA(Adaptive Textual-symbolic Human-centric Reasoning) 프레임워크를 제안합니다. ATHENA는 LLM으로 보강된 기호 발견을 통해 강력한 그룹 수준 기호 유틸리티 함수를 발견하고, 개인화된 선택을 모델링하기 위해 최적 유틸리티에 의해 안내되는 개인화된 의미론적 템플릿을 생성하는 개인 수준 의미론적 적응을 구현하는 두 단계로 구성됩니다. 실제 여행 모드 및 백신 선택 작업을 통해 검증된 ATHENA는 유틸리티 기반, 머신 러닝 및 기타 LLM 기반 모델보다 일관되게 우수한 성능을 보이며, 가장 강력한 최첨단 모델보다 F1 점수를 최소 6.5% 향상시켰습니다.
