BBQ (Bias Benchmark for Question Answering) (KO)

BBQ (Bias Benchmark for Question Answering) — 데이터셋으로, 질의응답(QA) 시스템에서 사회적 편견(bias)을 평가하기 위해 설계되었다. 뉴욕대학교 연구진이 알리샤 패리시(Alicia Parrish)의 지도 아래 개발하였으며, 2022년 ACL Findings 학술대회에서 발표되었다. BBQ의 목표는 대형 언어 모델(LLM) 및 기타 QA 모델이 질문에 답할 때, 특히 자연어 질의응답 응용 과제에서 어떠한 고정관념과 편견을 드러내는지 파악하는 것이다. BBQ는 아홉 가지 사회적 범주에 걸친 광범위한 고정관념을 다루며, NLP 분야에서 사회적 bias를 평가하는 가장 포괄적인 benchmark 중 하나로 자리매김하였다.

이 dataset은 제한된 수의 특성(젠더-직업, 국적, 민족, 종교)을 기준으로 편견을 측정하고 모델의 확률값에 의존했던 기존의 UnQover(2020) dataset을 보완한다. UnQover와 달리 BBQ는 모델 응답의 내용과 제시된 선택지 중 어떤 것을 선택하는지를 직접 분석함으로써, 출력 결과 수준에서 편견을 평가할 수 있다.

BBQ의 저자들은 이를 모델 내 유해한 사회적 고정관념을 진단하고, 이러한 고정관념이 취약 집단에 미치는 부정적 영향의 위험을 줄이기 위한 도구로 소개한다. 이 dataset은 미국 영어권 문화에서 두드러지는 고정관념에 초점을 맞추고 있으며, 가능한 모든 문화적 맥락을 포괄하지는 않는다. 그럼에도 불구하고, BBQ는 NLP 분야의 사회적 bias 측정 및 완화를 위한 후속 연구의 토대를 마련하였으며, 모델의 윤리적 적절성을 비교하는 기준점이 되었다.

데이터셋 구성 및 구조

BBQ는 특정 고정관념을 드러내기 위해 설계된 전용 세트로 묶인 약 5만 8,500개의 질의응답 쌍을 포함한다. 모든 예시는 다양한 사회 집단 구성원에게 해로운 것으로 문서화된 편견과 고정관념 사례를 바탕으로 저자들이 직접 작성하였다. 시나리오 작성 시 과학 연구, 언론 기사, 보고서 및 해당 고정관념의 존재와 유해성을 뒷받침하는 기타 신뢰할 수 있는 출처를 활용하였다. 각 상황에 대해 저자들은 해당 고정관념을 부정적이거나 유해한 것으로 기술한 출처(예: 학술 논문 또는 뉴스 기사)에 대한 참고 문헌을 명시한다.

사회적 범주

BBQ는 아홉 가지 주요 사회적 범주(대부분 미국 고용기회균등위원회 정의에 따른 보호 집단에 해당함)를 다룬다:

• 연령 – 연령대에 대한 편견(예: 노인의 인지 능력 저하에 관한 고정관념).
• 장애 – 장애인의 지적 능력이나 다른 특성에 관한 고정관념(예: 신체적 제약이 있는 사람은 지적으로 덜 유능하다는 인식).
• 성별 정체성 – 성별 고정관념(예: '여자아이는 수학을 못한다'는 관념).
• 국적 – 민족·국가적 편견(예: 아프리카 출신자는 기술적으로 무지하다는 고정관념).
• 외모 – 외모 및 체형에 의한 차별(예: 비만인은 덜 똑똑하거나 부지런하지 않다는 인식).
• 인종/민족 – 인종적 고정관념(예: 특정 인종을 범죄나 약물 남용과 편향되게 연결짓는 것).
• 종교 – 종교적 고정관념(예: 유대인은 탐욕스럽다거나 무슬림은 폭력적이라는 인식 등).
• 사회경제적 지위 – 빈곤층 또는 부유층에 대한 편견(예: 가난한 가정 출신은 부모 역할을 잘 못할 것이라는 믿음).
• 성적 지향 – 동성애 혐오적 고정관념(예: 동성애와 HIV 감염을 잘못 연결짓는 것).

이 아홉 가지 범주 외에도, BBQ에는 두 가지 특성을 동시에 결합한 두 개의 교차 범주(intersectional biases)가 포함된다: (1) 젠더와 인종/민족의 결합, (2) 사회경제적 지위와 인종의 결합. 이러한 사례는 여러 집단의 교차점에서 발생하는 고정관념(예: 흑인 여성에 대한 편견이나 특정 하위 계층 민족에 대한 편견)을 다룬다.

템플릿과 예시 생성

각 범주에 대해 연구팀은 시나리오 템플릿을 작성하였다. 이는 대상 특성에 따라 서로 다른 두 인물이 등장하는 짧은 장면들로 구성된다(예: 젊은이와 노인, 남성과 여성, 부자와 가난한 사람 등). 각 템플릿에는 잘 알려진 고정관념을 확인하거나 반박할 수 있는 상황이 담겨 있으며, 질문과 답변 선택지가 연결되어 있다.

아홉 가지 주요 범주 각각에 대해 25개의 고유한 템플릿이 개발되었으며, 실제 이름을 사용하여 인명 수준의 bias를 검증하는 인종 및 젠더 범주용 추가 템플릿 25개도 포함되었다. 또한 두 가지 교차 방향 각각에 대해 25개의 템플릿이 작성되었다. 이로써 기본 시나리오의 총 수는 300개를 넘는다.

각 템플릿에는 집단 명칭이나 설명이 채워지는 변수 슬롯이 있으며, 이 값이 본문에 대입된다(예: 연령 템플릿에서는 '_살 사람' 자리에 다양한 숫자가 대입되거나, 외모 템플릿에서는 '뚱뚱한'/'마른' 등의 형용사가 대입됨). 다양한 값의 대입과 두 인물의 언급 순서 조합을 통해 각 템플릿은 여러 구체적인 예시로 확장된다(최소 8개에서 최대 약 200개 변형). 일반적으로 하나의 템플릿에서 최소 100개, 일부 경우에는 200개에 달하는 최종 질문이 생성된다. 결과적으로 총 58,492개의 예시(시나리오, 질문, 응답의 고유한 조합)로 구성된 corpus가 만들어졌다.

맥락과 질문 유형

BBQ의 핵심 특징은 각 상황이 두 가지 맥락 변형과 두 가지 질문 형식으로 제시되어 4개의 질문으로 이루어진 군집을 형성한다는 점이다. 이는 정보 부족의 영향과 모델 자체의 고정관념을 분리하기 위해 설계되었다. 각 4문항 묶음에는:

• 모호한 맥락(under-informative or ambiguous context): 서로 다른 집단에 속한 두 인물이 등장하는 상황이 기술되어 있지만, 제시된 질문에 명확하게 답하기에 충분한 정보가 없는 텍스트. 이 경우 올바른 답은 항상 '알 수 없음'(즉, 충분한 정보가 없음)이다. 이러한 예시는 모델이 고정관념에 기반하여 추론하는지 여부를 검증하는 데 활용된다.
• 명확한 맥락(disambiguated context): 두 인물 중 누가 질문에 해당하는지 판단할 수 있는 추가적인 세부 사항이 포함된 확장 시나리오. 이 경우 두 인물 중 하나가 명백한 정답이 되며('알 수 없음'은 오답이 됨). 명확한 맥락은 고정관념이 반대 방향을 가리키더라도 모델이 편견을 극복하고 올바른 답을 선택할 수 있는지 검증하는 데 활용된다.
• 부정적 질문(예: '둘 중 누가 과목을 잘 모르나?', '누가 범죄를 저질렀나?'). 이러한 질문은 모호한 맥락과 결합될 때, 사실이 없는 상황에서 모델이 부정적 행동을 특정 집단과 연결짓는 경향이 있는지 검증한다.
• 비부정적(대조적) 질문(예: '둘 중 누가 과목을 잘 아나?' 또는 '누가 나쁜 행동을 자제하나?'). 비부정적 질문은 고정관념을 직접적으로 지지하는 것처럼 들리지 않으면서도 모델 응답의 균형을 검증할 수 있도록 구성된다. 부정적 질문과 중립적 질문에 대한 응답을 비교하면 체계적인 편향이 드러난다.

군집 내 네 예시 각각에는 세 가지 응답 선택지가 있다: 두 등장 집단 각각을 지칭하는 두 개의 구체적인 선택지와, 충분한 정보가 없음을 나타내는 하나의 선택지('Unknown' 및 동등한 표현으로 표시됨). 예를 들어, 기독교인과 무슬림이 등장하는 장면에서 응답 선택지는 '기독교인', '무슬림', '알 수 없음'이 된다. '알 수 없음'이라는 표현이 항상 동일하지 않으며, 10가지 동의어 표현이 사용된다.

또한 각 템플릿에서는 두 집단의 언급 순서가 자동으로 변경된다. 이는 모델이 내용과 무관하게 먼저 언급된 개체를 더 자주 선택하는 경향이 있는 순서 효과로 알려진 요인을 제거하기 위한 것이다.

주석 및 품질 검증

BBQ의 각 예시는 크라우드소싱 주석자들에 의해 평가되었다: 최소 5명의 독립적인 사람들이 질문에 답하였으며, 5명 중 최소 4명이 올바른 답에 동의한(다수결) 예시만이 최종 dataset에 포함되었다. 이 기준을 통과하지 못한 질문이 있으면 해당 템플릿 전체를 검토하고 수정하였다. 이 과정 덕분에 BBQ에서 사람의 정확도는 매우 높다: 개별 주석자들은 약 95.7%의 질문에 정확하게 답하였으며, 다수결을 고려하면 정답 기준(gold standard)의 정확도는 99.7%에 달한다. Krippendorff's alpha 일치도 지수는 0.883으로, 올바른 답에 대한 사람 간의 높은 일치도를 나타낸다. 이러한 조치들은 BBQ의 과제가 사람에게 명확하며 객관적으로 올바른 답이 존재함을 확인해 준다. 따라서 이 예시들에 대한 모델의 오류는 질문 자체의 모호성이 아닌 bias의 발현으로 합리적으로 해석될 수 있다.

모델 편견 평가

BBQ는 사회적 bias를 유발하는 조건에서 모델 행동을 다각도로 평가하기 위해 설계되었다. 테스트 시 QA 모델은 맥락과 질문을 입력으로 받은 후 세 가지 응답 선택지 중 하나를 선택해야 한다. 결과 분석은 두 가지 수준에서 이루어진다:

모호한 맥락의 경우

필요한 정보가 없는 상황에서 모델이 질문에 잘못 답하는 빈도, 즉 고정관념에 의존하는 경향을 측정한다. 이상적으로는 모델이 불충분한 맥락이 있는 모든 질문에 '알 수 없음'으로 답해야 하지만, 두 집단 중 하나를 선택한다면 내재된 고정관념의 투영으로 간주된다. 이러한 오류의 빈도와 범주별 분포는 모델이 유해한 고정관념을 재현하는 경향을 보여 준다.

명확한 맥락의 경우

맥락에 명백한 정답이 포함되어 있을 때 모델이 얼마나 정확하게 답하는지 평가한다. 여기서는 일반적으로 표준 accuracy 지표(정답률)를 계산하여 모델이 기본적으로 질의응답 과제를 수행할 수 있는지 확인한다. 그러나 특별한 주의는 올바른 답이 고정관념과 상충하는 경우에 기울여진다. BBQ 개발자들은 올바른 답이 확립된 고정관념에 반할 때 모델의 정확도가 낮아지는지(반대로, 사실이 고정관념적 기대와 일치할 때 정확도가 높아지는지) 분석한다. 이러한 효과는 사실이 있음에도 불구하고 모델이 bias로 인해 오류를 범할 수 있음을 나타낸다.

Bias Score

편견의 정도를 정량적으로 평가하기 위해 특별한 지표인 편견 점수(bias score)가 도입된다. 일반적으로 bias score는 고정관념과 일치하는 모델 응답의 비율(조건에 따라 오답 또는 전체 응답 중에서)을 반영한다.

• +100% 값은 모델이 모든 경우에 대상 집단에 부정적 특성을 고정관념적으로 귀속시키는 응답 선택지를 선택했음을 의미한다.
• 0% — bias 발현 없음(모델이 항상 올바르게/'알 수 없음'으로 답하거나, 양방향으로 균등하게 오류를 범함).
• 음수 score(최대 -100%) — 반대 경향으로, 모델이 항상 고정관념의 기대와 반대로 답하는 경우.

점수는 모호한 맥락과 명확한 맥락에서 오류의 성격이 다르기 때문에 각각 별도로 계산된다.

• 모호한 질문의 경우, bias score는 모델이 '알 수 없음' 대신 부정적 고정관념과 일치하는 구체적인 답을 선택한 경우의 비율로 결정된다. 이러한 응답이 많을수록 양의 score가 높아진다. 이때 정확도가 고려된다: 모델이 오류와 정답('알 수 없음')을 균등하게 나타낸다면, 항상 고정관념적 답을 선택하는 모델보다 score가 낮게 나타난다. 따라서 bias 응답의 빈도와 확실성 모두 패널티를 받는다(모호한 맥락의 경우, 지표는 '알 수 없음' 정답률을 고려하여 조정된다).
• 명확한 질문의 경우, 올바른 답이 두 집단 중 하나이므로 bias score는 다소 다르게 계산된다. 이 경우 모델의 오답을 살펴본다: 모델이 올바른 선택지가 아닌 고정관념과 일치하는 대안적 선택지를 선택한 오류의 비율. 즉, 모델이 편견을 우선시하여 오류를 범한 경우(예: 사실을 믿지 않고 고정관념에 따라 답한 경우), score가 높아진다.

전체 정확도와 함께 bias score를 분석함으로써 BBQ에서의 모델 행동을 상세히 특성화할 수 있다. 저자들은 동일한 accuracy도 서로 다른 오류 패턴을 감출 수 있다고 지적한다. 따라서 이 지표는 오류의 방향성을 보여 주고, 정확도만으로는 포착되지 않는 미묘한 사례를 드러낸다.

결과 및 발견된 패턴

BBQ dataset으로 여러 인기 QA 모델을 초기 테스트한 결과, 다수의 명확한 bias 발현이 관찰되었다. Parrish 외(2022) 연구에서는 대형 범용 모델(예: T5 기반의 통합 QA 모델인 UnifiedQA)과 표준 객관식 모델(예: QA에 fine-tuning된 RoBERTa) 모두 테스트되었다.

실험 결과의 주요 결론:

• 정보 부족 시 강한 고정관념적 오류. 테스트된 모든 시스템에서 맥락이 필요한 단서를 제공하지 않을 때 고정관념에 따라 답하는 경향이 관찰되었다. 다시 말해, 모델들은 '알 수 없음'을 선택하지 않고 특정 고정관념적 기대와 연결된 구체적인 답을 선호하는 경우가 많았다. 예를 들어, 명백한 범인이 없는 범죄에 관한 모호한 질문에서 모델들은 종종 특정 집단(편견에 해당하는)에 속한 인물을 지목하였다. 모호한 맥락에 대해 계산된 bias score는 0을 크게 상회하였으며, 일부 모델의 특정 범주에서는 +100%에 근접하였다. 특히 외모(비만 등)와 관련된 시나리오에서 모델들이 고정관념적 답을 선택하는 경향이 두드러졌으며, 이 범주는 예를 들어 인종이나 성적 지향보다 현저히 높은 bias를 나타냈다. 이는 모델 내 bias의 불균일성을 나타내며, 일부 유형의 고정관념이 다른 것보다 더 강하게 '학습'되어 있음을 보여 준다.
• 사실 제공 시 개선되지만 잠재적 bias 지속. 명확한 맥락과 함께 정답이 명시적으로 제시되었을 때 모델의 정확도는 눈에 띄게 향상되었다(불확실한 상황과 비교하여). 그러나 세밀한 분석은 미묘한 효과를 드러냈다: 정확도가 올바른 답과 고정관념과의 관계에 따라 불균일하게 나타났다. 평균적으로, 모델들은 올바른 답이 일반적인 고정관념과 일치하는 예시에서 그 고정관념에 반하는 예시보다 3~3.5퍼센트포인트 더 높은 정확도를 달성하였다. 다시 말해, 사실이 편견을 확인하는 경우 모델은 거의 오류 없이 답하였지만, 고정관념에 비추어 '비전형적인' 선택지를 답해야 하는 경우 오류 가능성이 높아졌다. 이 성능 격차는 크지 않지만 여러 범주에서 통계적으로 나타났다. 가장 큰 차이는 젠더 고정관념과 관련된 질문에서 관찰되었으며, 최대 5퍼센트포인트의 차이가 있었다. 따라서 bias의 잠재적 영향이 추적된다: 모델들은 평균적으로 '고정관념에 반하는' 과제에서 다소 저조한 성능을 보인다.
• 범주 및 템플릿별 비교. BBQ 연구자들은 아홉 가지 범주 전체에 걸쳐 bias score를 분석하였으며, 모호한 맥락에서 점수가 모든 범주에서 양수이지만 그 크기는 다양함을 발견하였다. 앞서 언급한 바와 같이, 신체적 외모, 사회경제적 지위 및 일부 교차 범주에서 최대 bias가 관찰되었다. 인종/민족 및 성적 지향 범주에서는 bias score가 더 낮았지만, 여전히 0보다는 높았다. 명확한 맥락에서 bias score는 전반적으로 0에 더 가깝지만(모델이 종종 올바르게 답하므로), 일부 템플릿에서는 여전히 양수를 유지하며 오류 패턴에서 뚜렷한 편향을 반영한다. 예를 들어, 종교 범주에서 대부분의 오류가 한 방향으로 나타났으며, 모델들은 오류를 범할 때 일반적으로 편견에 기반한 답을 선택하였다.

전반적으로 BBQ는 강력한 현대 언어 모델조차 사회적 편견에서 명백히 자유롭지 않음을 보여 주었다. 불확실한 조건에 놓이면 고정관념을 재현하는 경향이 있으며, 반대 답을 요구하는 사실이 있어도 미묘한 bias를 드러낼 수 있다. 동시에 이러한 효과의 크기는 집단마다 다르며, 일부 고정관념은 모델에 더 강하게 '학습'되어 있다. BBQ의 저자들은 발견된 차이가 눈에 띄지만 재앙적으로 크지는 않다고 강조한다. 대부분 모델의 bias score는 극단적인 값에 도달하지 않으며 종종 수십 퍼센트 범위에 머문다. 그러나 LLM의 대규모 사용 시 고정관념 방향의 작은 체계적 편향도 잠재적으로 위험할 수 있으므로, 이러한 bias를 식별하고 제거하는 것은 중요한 과제이다. BBQ는 연구자들에게 이 분야의 발전을 추적할 수 있는 명확하고 정량적으로 측정 가능한 방법을 제공하였다.

영향 및 후속 연구

BBQ dataset은 언어 모델의 공정성(fairness) 특성을 평가하는 표준 도구로 빠르게 인정받았다. 공개 소스 코드와 데이터는 저장소(CC BY 4.0 라이선스)에서 이용 가능하며, 이를 통해 광범위한 연구 커뮤니티가 새로운 모델 개발 및 테스트에 BBQ를 활용할 수 있었다. 일부 개요 논문에서 BBQ는 StereoSet, WinoBias, ToxiGen 등 다른 benchmark들과 함께 NLP 분야의 사회적 bias 연구에서 중요한 이정표로 언급된다. BBQ가 발표된 이후 그 아이디어를 발전시키고 새로운 조건에 적용하는 연구들이 등장하였다:

• 질문 형식 확장(Open-BBQ). 원래의 BBQ는 객관식 형식의 과제를 제시한다. 2024년에는 빈칸 채우기와 단답형 텍스트 과제를 포함하는 개방형 답변 버전의 BBQ가 제안되었다. Open-BBQ라 불리는 이 버전은 고정된 응답 선택지가 없는 보다 자유로운 대화 조건에서 bias를 평가할 수 있도록 한다. 연구에 따르면 LLM은 자유 텍스트 생성 시에도 일부 집단에 대한 높은 bias를 나타낸다. Open-BBQ의 저자들은 zero-shot 및 few-shot 프롬프트와 chain-of-thought(단계적 추론)을 결합하는 편견 완화 방법도 실험하였다. 이러한 방법들은 응답에서 bias 수준을 눈에 띄게 줄이는 데 효과적이었다. Open-BBQ는 원본 dataset을 보완하여 사용자 요청에 더 가까운 형식으로 생성 모델을 테스트할 수 있게 하였다.

• 문화적 적응(현지화). BBQ가 미국의 사회적 현실에 기반을 두고 있기 때문에, 연구자들은 이를 다른 언어와 문화에 적용하는 데 관심을 가지게 되었다. 2023년 한국 연구자들이 편견 benchmark의 한국어 버전인 KoBBQ(Korean BBQ) dataset을 발표하였다. 이들은 BBQ 현지화를 위한 일반적 접근 방식을 개발하였으며, 원본 템플릿을 세 가지 범주로 분류하였다: 단순 번역이 가능한 것, 로컬 등가물로 집단 교체가 필요한 것, 한국어 맥락에는 전혀 적용할 수 없는 것. 또한 KoBBQ는 한국 사회에 특화된 4가지 새로운 고정관념 범주를 추가하고 일부 부적절한 예시를 제거하였다. 그 결과 268개의 템플릿과 76,048개의 한국어 예시로 구성되며 12개의 사회적 bias 범주(기존 및 신규 포함)를 다루는 dataset이 만들어졌다. 다국어 모델을 KoBBQ로 테스트한 결과, 원본 BBQ를 한국어로 직접 기계 번역한 것과 비교하여 편견 수준에서 상당한 차이가 나타났다. 이는 직접 번역으로는 충분하지 않으며, 각 국가의 고유한 고정관념과 맥락을 고려한 문화적 특수성을 반영하는 benchmark가 필요함을 강조한다. KoBBQ에 관한 연구는 BBQ의 방법론을 전 세계적으로 확장할 수 있는 가능성을 보여 주었다.

BBQ는 인공지능 윤리 연구의 필수적인 부분이 되었다. 그 영향은 새로운 모델 디바이싱 방법론, 보다 포용적인 dataset 구축, 편견에 대한 세밀한 분석을 위한 지표 개발 등에서 나타난다. 연구자들은 BBQ의 강점 중 하나가 광범위한 커버리지와 예시 구성의 철저함이라고 지적한다. BBQ가 제기한 과제에 대응하여 최근에는 훈련 데이터 필터링부터 특수 후처리 알고리즘 및 공정한 응답을 위한 LLM fine-tuning에 이르기까지 다양한 편견 감소 전략이 활발히 개발되고 있다.

결론적으로, BBQ(Bias Benchmark for QA)는 언어 모델의 사회적 편견을 측정하는 가치 있고 신뢰할 수 있는 도구로 자리매김하였다. 이는 연구 커뮤니티에 모델의 고정관념 경향을 비교하고 공정성 향상의 진전을 추적할 수 있는 표준적인 검증 세트를 제공한다. BBQ는 눈에 띄지 않지만 실질적인 유해한 bias에서 자유로운 보다 공정하고 안전한 AI 시스템 구축에 대한 전 세계적 관심을 반영하며 계속 확장되고 적용되고 있다.

참조 링크

• 원본 BBQ 논문 (arXiv)
• GitHub의 BBQ 저장소
• Papers With Code의 BBQ dataset 페이지
• ACL Anthology의 BBQ 논문
• KoBBQ dataset 논문 (arXiv)
• Open-BBQ dataset 논문 (arXiv)

문헌

• Liang, P. et al. (2022). Holistic Evaluation of Language Models (HELM). arXiv:2211.09110.
• Chang, Y. et al. (2023). A Survey on Evaluation of Large Language Models. arXiv:2307.03109.
• Ni, S. et al. (2025). A Survey on Large Language Model Benchmarks. arXiv:2508.15361.
• Biderman, S. et al. (2024). The Language Model Evaluation Harness (lm-eval): Guidance and Lessons Learned. arXiv:2405.14782.
• Kiela, D. et al. (2021). Dynabench: Rethinking Benchmarking in NLP. arXiv:2104.14337.
• Ma, Z. et al. (2021). Dynaboard: An Evaluation‑As‑A‑Service Platform for Holistic Next‑Generation Benchmarking. arXiv:2106.06052.
• Goel, K. et al. (2021). Robustness Gym: Unifying the NLP Evaluation Landscape. arXiv:2101.04840.
• Xu, C. et al. (2024). Benchmark Data Contamination of Large Language Models: A Survey. arXiv:2406.04244.
• Liu, S. et al. (2025). A Comprehensive Survey on Safety Evaluation of LLMs. arXiv:2506.11094.
• Chiang, W.-L. et al. (2024). Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference. arXiv:2403.04132.
• Boubdir, M. et al. (2023). Elo Uncovered: Robustness and Best Practices in Language Model Evaluation. arXiv:2311.17295.
• Huang, L. et al. (2023). A Survey on Hallucination in Large Language Models. arXiv:2311.05232.

각주

</references>