이 논문은 LLM이 제공하는 설명이 실제 추론을 반영하지 못하는 '불충실성'을 완전성 부족(관련 요인 누락)과 근거성 부족(영향 없는 요인 인용) 두 축으로 구분한다. 기존 방법들은 대부분 근거성 문제 해결에 집중해온 반면, 이 연구는 모델 설명에서 언급되지 않은 개념을 입력에서 제거하고 축소된 입력으로 모델을 재질의하는 테스트 시점 기법을 제안해 완전성 문제를 직접 겨냥한다. 이 방법은 언급된 개념의 영향은 보존하면서 언급되지 않은 영향은 제거하는 방식으로, 가중치 접근이나 대규모 연산 없이 추론 시점에만 적용 가능하다. 두 데이터셋, 여러 모델 계열, 두 가지 독립적 충실성 지표에서 기존 프롬프팅 대비 설명 충실성을 개선하는 것으로 나타났다.

• •LLM 설명의 불충실성을 완전성 부족과 근거성 부족 두 차원으로 구분해 분석
• •설명에 언급 안 된 개념을 입력에서 제거해 재질문하는 테스트 시점 완전성 개선 기법 제안
• •모델 가중치 접근 없이 추론 시점에만 적용 가능한 모델 비종속적 방법
• •두 데이터셋·여러 모델·두 충실성 지표에서 기존 프롬프팅 대비 일관된 개선 확인