구조화된 임상 데이터에서 LLM이 자기 지식의 한계를 인식할 수 있는지를, 교차모델 귀속 발산(cross-model attribution divergence) 관점에서 Qwen 2.5 7B와 XGBoost를 비교해 분석했다. 네 가지 발견은 다음과 같다. 첫째, LLM의 언어화된 확신도는 정확도가 49%든 75.3%든 거의 일정한 값(0.856~0.937)을 내며 예측 품질이 아닌 프롬프트 형식만 추종해 인식론적으로 무의미하다. 둘째, XGBoost가 99% 정확할 때 오히려 정확도가 64.8%로 떨어지는 역(逆)난이도 효과를 보인다. 셋째, 퓨샷 예시와 SHAP 특성 증거는 직교적·초가산적으로 작용해 학습 없이 귀속 불일치 점수(ADS)를 1.54→0.38, 정확도를 49%→75.3%로 개선한다. 넷째, 귀속 발산 신호로 LLM 신뢰성을 판정하는 교차모델 보정기가 기대보정오차를 0.254→0.080으로 낮춘다.

• •LLM의 언어화된 확신도는 정확도와 무관하게 거의 일정(0.856~0.937)해 인식론적으로 무의미
• •XGBoost가 99% 정확할 때 정확도가 64.8%로 떨어지는 역난이도 효과 확인
• •퓨샷+SHAP 증거가 초가산적으로 작용해 학습 없이 ADS 1.54→0.38, 정확도 49%→75.3%
• •교차모델 보정기가 기대보정오차(ECE)를 0.254→0.080으로 낮춰 환자별 신뢰성 추정 제공
• •구조화 데이터에서 LLM의 '콜드 스타트' 문제로 규정하고 진정한 인식론적 자기인식 경로 제시