언어 모델과 텍스트 마이닝을 활용한 인공지능 신뢰성 정책 이슈 분석 방법에 관한 연구 = A Study on the Methodology for Exploring AI Trustworthiness Policy Related Issues using Language Models and Text Mining

국문 초록 (Abstract)

본 연구에서는 비정형 텍스트 데이터의 품질을 높이기 위해 언어 모델 재학습 방법을 활용하고 이후 전통적인 텍스트 마이닝 기법인 LDA기반 토픽 모델링과 키워드 네트워크 분석을 통해 정책 의제를 분석하는 방법론을 제안했다. 분석 데이터로는 인공지능 관련 키워드를 통해 2017년부터 2022년까지 검색된 22만 건의 언론 기사로 선정했다. 데이터의 품질을 확보하기 위한 방안으로, 특정 언론 기사 단락이 인공지능 신뢰성과 관련되어있는지 여부를 판단하는 언어 모델을 재학습시켰다. 그 결과 인공지능 신뢰성과 관련된 사건 사고, 한계 및 문제점을 언급한 단락 약 4만 개를 추출했다. 이후 4만 개의 단락을 대상으로 LDA기반 토픽모델링, 키워드 네트워크 분석 등 텍스트 마이닝 기법을 활용하여 인공지능 신뢰성의 정책 이슈를 분석했다. 그 결과, 인공지능 규제에 대한 기술적 대응과 딥페이크 및 안면인식에 대한 사회적 문제가 주요 이슈로 나타났고 이에 대한 정책적 대응 방향을 제시했다

다국어 초록 (Multilingual Abstract)

This research focused on the role of data quality in data-driven policy, utilizing unstructured text data analysis. Data, irrelevant to the analysis, may be included since unstructured text data is collected via search query matching. To improve data quality, we fine-tuned a language model to select relevant data. The selected data was analyzed using traditional text mining techniques like LDA-based topic modeling and keyword network analysis. The methodology was applied to unearth AI trustworthiness policy agendas. Using AI-related keywords, 220,000 news articles from 2017 to 2022 were chosen for analysis. A retrained language model identified about 40,000 paragraphs related to AI trustworthiness. These paragraphs were then analyzed using text mining techniques, revealing key issues such as AI regulation, deep fake, and facial recognition. Suggestions for policy responses to these issues were also made.