본 논문은 다양한 배경 지식을 가진 독자들이 전문 문서를 이해할 수 있도록 전문 용어 감지 및 설명을 개인화하는 방법을 제시합니다. 기존의 사용자별 미세 조정 방식은 많은 주석 작업과 컴퓨팅 자원을 필요로 하기 때문에, 본 논문에서는 효율적이고 확장 가능한 개인화 전략을 연구합니다. 특히, 오픈소스 모델에 Low-Rank Adaptation (LoRA)을 적용하는 경량 미세 조정과 추론 시점에 모델 동작을 조정하는 개인화 프롬프팅 두 가지 전략을 탐구하며, 제한된 주석 데이터와 비지도 학습 방식의 사용자 배경 신호를 결합한 하이브리드 접근 방식도 연구합니다. 실험 결과, 개인화된 LoRA 모델은 GPT-4보다 F1 점수에서 21.4% 높은 성능을 보였고, 최고 성능의 오라클 기준 모델보다 8.3% 높은 성능을 달성했습니다. 또한, 주석된 훈련 데이터의 10%만 사용해도 비슷한 성능을 보여 자원 제약 환경에서도 실용성을 입증했습니다.