본 논문은 GPT-4o-mini와 같은 대규모 언어 모델(LLM)을 이용하여 반사실적 설명(CFs)을 생성하는 방법을 제시합니다. 제로샷 및 셋샷 학습 환경에서 AI-Readi 스트레스 예측 데이터셋과 심장 질환 검출 데이터셋을 사용하여 기존의 DiCE, CFNOW, NICE 등의 방법과 비교 평가했습니다. 그 결과, 제안된 LLM 기반 접근법은 높은 타당성(최대 99%), 강력한 유효성(최대 0.99), 그리고 경쟁력 있는 스파스성을 달성했습니다. 더 나아가, LLM로 생성된 CFs를 증강 샘플로 사용하여 downstream 분류기 성능을 향상시켰으며(평균 정확도 5% 증가), 특히 데이터가 부족한 환경에서 효과적임을 보였습니다. 이는 프롬프트 기반 생성 기법이 임상 및 생리적 예측 작업에서 설명 가능성과 강건성을 향상시킬 수 있는 잠재력을 보여줍니다.