LLM이 동일한 답에 도달하더라도 추론 경로가 불안정·모순적일 수 있는 문제를 진단하기 위해 '구조적 불확실성' 프레임워크를 제안했다. 출력 분산만 보는 기존 방식과 달리, 모델이 자기 출력들 사이의 쌍별 선호를 판단하게 하고 Bradley-Terry·PageRank로 순위 분포를 집계해, 시행 간 순위 불안정성과 시행 내 후보 모호성이라는 두 엔트로피 성분으로 분해한다. 5개 LLM·8개 벤치마크 실험에서 논리·수학 추론은 답 분산과 상보적 신호를 제공해 비신뢰 사례 식별을 개선했으나, 사실 검색에서는 신호가 균일하게 붕괴했다. 시행 내 모호성은 정확도와 양의 상관, 시행 간 불안정성은 음의 상관을 보였다.

• •답 분산이 아닌 '자기 선호 순위의 안정성'에 기반한 구조적 불확실성 프레임워크 제안
• •쌍별 자기선호를 Bradley-Terry+PageRank로 집계해 시행 간 불안정성·시행 내 모호성 두 성분으로 분해
• •논리·수학 추론에서 답 분산과 상보적 신호 제공, 사실 검색에서는 신호가 균일하게 붕괴
• •시행 내 모호성은 정확도와 양의 상관, 시행 간 불안정성은 음의 상관