본 논문은 대규모 언어 모델(LLM)의 미숙아 망막병증(ROP) 위험 예측 능력을 평가하기 위해 중국어 ROP 데이터셋(CROP)을 제시하고, 세 가지 프롬프트 전략(Instruction-based, Chain-of-Thought, In-Context Learning)을 활용한 자동 평가 프레임워크 Affective-ROPTester를 개발했습니다. CROP 데이터셋은 993개의 입원 기록으로 구성되며, LLM의 예측 성능과 감정적 편향을 체계적으로 분석하기 위해 감정적 요소를 프롬프트에 통합했습니다. 실험 결과, LLM은 내재적 지식만으로는 ROP 위험 예측에 제한적인 효과를 보였지만, 외부 구조화된 입력을 활용하면 성능이 크게 향상됨을 확인했습니다. 또한, 모델 출력에서 중간 및 고위험군을 과대평가하는 감정적 편향이 존재하며, 긍정적 감정 프레이밍이 부정적 감정 프레이밍보다 예측 편향을 완화하는 데 기여함을 발견했습니다.
