DeepRead: 생성형 AI를 활용한 성인 맞춤형 문해력 향상 서비스

Ⅰ. 서 론

최근 국내외 조사에 따르면 성인의 실생활 문해력 저하가 점점 심화[1],[2]되고 있으며, 이는 정보 접근성, 직업 역량, 사회 참여에 부정적인 영향을 미치고 있다. 공공문서, 계약서, 뉴스 기사 등에는 한자어나 전문 용어가 다수 포함되어 있어, 이를 정확히 해석하지 못하면 권리 행사나 사회 참여에서 불이익을 받을 수 있다[3],[4]. 2023년 국내에서 실시된 조사에서 약 8.1%(350만 명)의 성인이 단순한 일상 문서만 이해 가능한 수준에 머무는 것으로 나타나[2], 성인의 실생활 문해력 향상은 시급한 과제가 되고 있다. 이에 본 연구는 생성형 AI를 활용하여 성인 개인별 수준과 학습 성향에 맞춘 학습 서비스를 설계·구현함으로써, 실생활에서 필요한 문서 이해 능력과 어휘력의 실질적 향상을 달성하는 것을 목적으로 한다.

그동안 국내외에서는 문해력 향상을 위한 다양한 연구와 서비스가 출시되어 왔다[6]-[9]. 국내에서는 청소년을 대상으로 한 독서 교육, 수능 비문학 콘텐츠, 온라인 독해 퀴즈[6],[9] 등이 대표적이며, 국외에서도 기초 문해력 교육 프로그램이나 AI 기반 튜터링 서비스가 제공되고 있다. 일부 서비스는 시선추적을 통한 집중도 분석, AI 챗봇 기반 독해 훈련[5] 등 기술적 시도를 하고 있으며, 교육기술(EdTech) 시장의 지속적인 성장과 함께 디지털 문해 교육 도구의 수요도 확대되는 추세이다.

그러나 기존 연구와 서비스는 주로 아동·청소년을 대상으로 하거나[9], 수능 중심의 독해 훈련에 치우쳐 있어 성인의 실생활 문해력 향상과는 거리가 있다. 학습 콘텐츠가 실제 생활 문서와 괴리되어 있어 적용성이 낮으며, 획일적이고 딱딱한 학습 방식은 성인의 지속적인 참여를 유도하기 어렵다. 일부 시범 서비스가 존재하더라도 실험적 단계에 머무르거나, 개인별 수준과 학습 패턴에 맞춘 맞춤형 경로 설계가 부족하다. 이러한 한계로 인해 성인 대상의 실용적이고 몰입감 있는 문해력 향상 솔루션은 여전히 부족한 실정이다.

이에 본 연구는 이러한 한계를 극복하고자 생성형 AI 기반의 성인 맞춤형 문해력 향상 서비스 ‘딥리드(DeepRead)’를 제안한다. 본 서비스는 사용자의 문해력 수준을 진단하고, 생성형 AI를 기반으로 뉴스·공공문서·계약서 등 실생활 자료를 활용한 맞춤형 학습 콘텐츠를 제공한다. 주요 기능으로는 문서 요약 훈련, 어휘 챗봇, 개인별 학습 경로 설계가 있으며, 특히 요약 훈련에는 향상된 자연어추론(NLI; Natural Language Inference) 기반 문장 유사도 검증 방식을 적용하여 정밀한 피드백을 제공한다[10],[11]. 사용자는 직접 요약을 수행하고, AI의 즉각적인 평가와 피드백을 받아 능동적 학습이 가능하다.

제안하는 서비스는 능동적 학습 구조로 문해력 향상을 유도하며, 개인별 피드백과 경로 설계를 통해 학습 지속성을 높인다. 직관적인 UI와 챗봇 기반 인터페이스는 성인의 학습 몰입도를 강화하고, 실생활에 직접 적용 가능한 문서 이해 능력을 향상시킨다. 특히, 단순 정답 매칭 중심의 평가 방식을 넘어, 의미 유사도 기반의 평가 기법을 적용하여 학습자의 이해도를 정밀하게 측정한다. 또한, AI 챗봇과 연동된 실시간 피드백 기능과 개인 맞춤형 학습 경로 자동 생성 시스템을 통합함으로써, 학습자별 수준과 학습 패턴에 최적화된 교육 경험을 제공한다는 점에서 기존 연구와 차별성을 갖는다. 본 연구의 사용자 실험을 분석한 결과, 문서 이해도와 어휘력 점수의 유의미한 향상이 확인되었으며 이는 정보 격차 해소와 사회 참여 기회 확대에 기여할 수 있음을 시사한다. 따라서 본 연구에서 제안하는 방법은 성인의 실생활 문해력 개선을 위한 효과적이고 지속 가능한 대안이 될 수 있다.

Ⅱ. 관련 연구

Ⅲ. 제안 서비스 및 구현

3-1 제안 서비스

본 연구에서 제안하는 딥리드(DeepRead) 서비스는 성인의 실생활 문해력 향상을 목표로 하는 맞춤형 학습 플랫폼이다. 생성형 인공지능과 자연어처리(NLP) 기술을 결합하여 학습자의 수준과 요구에 최적화된 환경을 제공한다. 서비스의 주요 목표는 (1) 실생활 문서를 활용한 독해력 강화, (2) 어휘력 확장 및 활용 능력 향상, (3) 학습 지속성 및 자기 주도 학습 촉진이다.

본 서비스에서 ‘실생활 문서’는 실제 공공기관 안내문, 금융 계약서, 뉴스 기사 등 비학습용 실사용 문서를 가공하여 활용하였다. 학습자의 수준에 따라 문서의 길이, 어휘 난이도, 문체를 조정함으로써 단순한 교육용 텍스트와 달리 실질적인 사회적 문서 이해를 목표로 한다.

전체 시스템은 모바일 프론트엔드, AI 모델 서버, 데이터베이스, 외부 사전 API 모듈로 구성되며, 그림 1에 나타난 바와 같이 사용자는 시간과 장소에 제약 없이 학습할 수 있다.

Fig. 1.

System architecture of Deepread

제안하는 서비스의 동작 절차는 그림2에 나타나 있다. 앱 처음 실행 시, 설문조사와 문해력 진단 테스트를 먼저 진행한 뒤, 소셜 로그인을 유도함으로써 초기 진입 부담을 줄였다. 홈 화면에서는 주요 기능(챗봇, 퀴즈, 단어장, 마이페이지 등)을 슬라이딩 방식으로 이동할 수 있도록 설계하였으며, 세부 기능을 쉽게 찾을 수 있도록 구성하는 데 중점을 두었다.

Fig. 2.

User interface flow of Deepread

3-2 구현

제안한 딥리드 서비스의 구현은 다음 세 가지 주요 기능으로 구성된다. 각 기능은 사용자 진단 결과와 상호작용 기록을 기반으로 작동하며, 프론트엔드는 React Native(Expo), 백엔드는 Spring Boot, 데이터베이스는 MySQL로 구현되었다. AI 분석 및 피드백 모듈은 GPT-4 API와 KoRoBERTa 기반 NLI 분류기의 Fine-tuning 결과를 병합하여 적용하였다.

1) 사용자 참여형 요약 훈련

사용자가 주어진 지문을 읽고 요약문을 작성하면, 개선된 NLI 검증 방식(Sliding NLI) 을 적용하여 의미적 일치도를 평가한다. 기존의 BertScore는 문맥적 유사도에 초점을 두는 반면, NLI는 단일 문장의 의미 판단에 치중하여 요약 평가를 수행하였기 때문에 사실 관계를 정확히 포착하거나 전체적인 문맥 일관성을 평가하는 데 한계가 있었다.

이러한 한계를 보완하기 위해 기존 선행 연구[27],[28]에서는 NLI에 기존 지표인 BERT 임베딩을 결합하거나, sliding 기법을 적용함으로써 요약 평가의 성능을 각각 5~30%, 10~20% 향상시킬 수 있음을 보고하였다. 그러나 여전히 두 문장 간의 ‘증가’, ‘감소’와 같은 반대 의미 표현이 동일한 의미로 사용된 경우를 충분히 포착하지 못하는 한계가 존재한다.

본 연구에서는 이 두 가지 접근 방식을 통합적으로 참고하여, NLI와 기존 평가 지표를 결합하고 sliding 방식을 추가 적용함으로써 다음 식 (1)을 도출하였다. Sliding NLI는 원문과 요약문의 각 문장을 슬라이딩 윈도우 형태로 비교하여 문장 전체를 검사할 수 있게 1부터 전체 문장 개수만큼 사이즈를 키워가면서 적용하였다. 각 비교 결과는 entailment(1), neutral(0.5), contradiction(0) 값으로 매핑되며, 이를 기반으로 의미 일치도를 정량화한다. 그림 3은 이러한 두 가지 기법을 결합한 훈련의 절차를 나타낸 것이다.

Fig. 3.

Summarization training process diagram

품질 평가는 (1) 원문 대비 사용자의 요약, (2) AI 요약 대비 사용자의 요약, (3) 사용자 요약 대비 AI 요약의 의미 일치도를 각각 계산한다. 이후 Pre(Precision), Rec(Recall), F1-score를 종합하여 최종 점수를 산출한다.

$\[ \begin{array}{c} metrics =\frac{\sum Sliding NLI\left(Text, us{t}_{1..n}\right)}{len\left(ust\right)}\\ +\frac{\sum Sliding NLI\left({AI, ust }_{1..n}\right)+\mathrm{P}\mathrm{r}e}{ len\left(ust\right)+\mathrm{P}\mathrm{r}e}\\ +\frac{\sum Sliding NLI\left(USER, as{t}_{1..n} \right)+ Rec }{len\left(ast\right)+ Rec }+F1\end{array} \]$

(1)

이러한 Sliding NLI 기반 평가[10],[11]는 기존의 단순 단어 중복률에 의존하는 ROUGE 지표보다 의미적 타당성을 보다 정밀하게 반영할 수 있다[24]. 요약 훈련은 핵심 내용을 선별·조직하는 능력을 요구하며, 선행연구에 따르면 학습자가 스스로 요약문을 작성하고 피드백을 받는 과정은 정보 구조화 능력과 비판적 사고를 동시에 강화한다[12]-[14].

이러한 과정을 실제로 구현한 화면이 그림 4에 제시되어 있다. 사용자는 지문과 작성 영역이 함께 제공되는 화면에서 답안을 작성하고, 제출 후에는 AI가 의미 일치도 점수와 부족한 부분에 대한 피드백을 제공한다. 이때 사전에 fine-tuning 된 GPT-4omini 모델이 사용자 요약문과 학습 데이터를 기반으로 생성된 AI 요약문 간의 핵심 불일치 요소를 비교하여, 사용자가 어떤 부분에서 내용 누락이나 의미 왜곡이 발생했는지를 설명형 피드백 형태로 제시한다.

Fig. 4.

Interface for user-participatory summarization training*Although the figure content is recommended to be in English, the interface elements shown here are displayed in Korean due to the fixed language settings of the system.

2) 어휘 챗봇

어휘 챗봇은 표준국어대사전 API를 기반으로 단어의 뜻, 유의어, 반의어를 제공하며, 예문을 통해 맥락 속 학습을 지원한다. 그림 5는 어휘 학습 챗봇의 UI 예시로, 사용자가 단어를 입력하면 관련 정보와 함께 단어장 등록, 복습 퀴즈 등의 기능을 제공한다. 이를 통해 반복 학습과 어휘 활용 능력을 강화한다.

Fig. 5.

Interface for the vocabulary chatbot*Although the figure content is recommended to be in English, the interface elements shown here are displayed in Korean due to the fixed language settings of the system.

3) 개인 맞춤형 학습 경로

개인 맞춤형 학습 경로 기능은 사용자의 학습 패턴과 문해력 진단 결과를 분석하여 군집 기반으로 설계된다. 초기 진단을 통해 사용자의 문해력 수준을 파악하고, 3단계로 나눈 학습 경로를 제공한다. 이는 매번 학습 계획을 스스로 세워야 하는 부담을 줄이고, 개인의 수준과 관심사를 반영한 맞춤형 콘텐츠를 통해 효율적인 학습을 가능하게 한다. 또한, 그림 6에 나타난 것처럼 학습 결과는 지속적으로 누적되며, 이를 시각화하여 사용자에게 제공함으로써 성취감을 부여한다.

Fig. 6.

Interface for personalized learning paths*Although the figure content is recommended to be in English, the interface elements shown here are displayed in Korean due to the fixed language settings of the system.

Ⅳ. 실험 및 결과

본 연구에서는 제안 서비스의 효과를 검증하기 위해 만 20세 이상의 성인 10명(평균 연령 29.8세, 여성 6명, 남성 4명)을 대상으로 사용자 실험을 수행하였다. 참여자는 온라인 기반 신청서를 통해 공개 모집하였으며, 연구 안내문은 SNS와 교내 커뮤니티를 중심으로 배포하였다. 신청자 중 성인 문해력 향상 서비스에 관심이 있고 모바일 앱 사용이 가능한 20~50대 성인을 우선적으로 선발하였다. 모든 참여자는 구글 폼을 통해 기본 정보와 참여 의사를 제출한 뒤, 연구 목적과 절차에 대한 충분한 설명을 제공받고 자발적으로 참여에 동의하였다. 또한 참여에 대한 소정의 사례로 5,000원 상당의 커피 기프티콘을 제공하였다.

연구 참여자의 기본 문해력 수준 차이를 최소화하기 위해, EBS 문해력 테스트[25]로 사전 선별 테스트를 실시하였다. 초기 점수 분포를 확인한 뒤, 극단값에 해당하는 상·하위 참여자를 제외하여 과도한 이질성이 실험 결과에 영향을 미치는 것을 방지하였다. 이를 통해 중간 수준의 문해력을 가진 참여자를 중심으로 표본의 동질성을 확보하였으며, 서비스 효과에 대한 보다 안정적인 비교가 가능하도록 하였다.

실험 절차는 (1) 초기 문해력 진단, (2) 7일간의 서비스 이용, (3) 초기 문해력 진단과 동일한 난이도의 사후 테스트, (4) 만족도 및 사용성 설문 응답의 네 단계로 진행되었다.

문해력 진단 테스트는 EBS 문해력 테스트[25] 및 성인문해능력조사[26] 유형을 참고하여 제작되었으며, 문서 이해도와 어휘력 두 영역으로 구성되었다. 특히, 성인문해능력조사[26]에서 제시된 A·B·C 유형의 난이도 구분, 문항 수, 정답 비율에 따른 등급 분류 기준을 반영하여 표 1과 같이 문제를 구성하였다. 문서 이해도 영역은 지문 독해 후 핵심 내용을 파악하거나 세부 정보를 추출하는 능력을 평가하며, 어휘력 영역은 동의어·반의어 판단 및 문맥상 어휘 추론 능력을 종합적으로 측정한다.

Table 1.

Examples by question type

표본 수가 10명으로 작은 점을 고려하여 Shapiro–Wilk 정규성 검정을 실시하였다. 그 결과 문서 이해도 사전(p= .835)·사후(p= .591), 어휘력 사전(p= .124)·사후(p= .287) 점수 모두에서 유의수준 .05를 초과하여 정규성 가정을 충족하는 것으로 나타났다. 이에 따라 대응표본 t-test를 활용하여 사전·사후 점수 차이를 분석하였다.

SPSS를 활용한 분석한 결과, 문서 이해도 점수는 사전 평균 62.30점(±1.889)에서 사후 평균 75.60점(±1.713)으로 약 21.3% 향상되었으며, 어휘력 점수는 사전 평균 58.60점(±1.174)에서 사후 평균 73.30점(±0.949)으로 약 25.1% 향상되었다. 통계 분석 결과, 문서 이해도(t = -23.802, p < .001)와 어휘력(t = -32.779, p < .001) 모두에서 사전-사후 차이가 매우 유의미한 것으로 나타났다.

또한, 전체 참가자의 앱 전반에 대한 평가는 리커트 척도 기준 5점 만점 평균 4.0점(±0.7)으로, 전반적인 사용자 경험이 긍정적으로 평가되었다. 이러한 결과는 표2에서 시각적으로 요약되어 있으며, 제안 서비스가 학습 효과뿐만 아니라 사용자 경험(UX) 측면에서도 경쟁력을 지니며, 성인 문해력 향상 지원 도구로서의 실용 가능성을 시사한다.

Table 2.

Paired t-test results for pre- and post-test scores(N=10)

Ⅴ. 결 론

본 연구는 성인의 실생활 문해력 향상을 목표로 한 맞춤형 학습 서비스를 제안·구현하고, 실제 사용자 실험을 통해 그 가능성을 검증했다. 실험 과정에서 사용자는 능동적 요약 훈련과 어휘 학습을 반복하며 문해력이 증가하였고, 학습 경험 전반에 대한 만족도 또한 높게 나타났다. 이러한 결과는 제안 서비스가 학습 효과뿐만 아니라 사용자 경험(UX) 측면에서도 경쟁력을 지니며, 성인 문해력 향상 지원 도구로서의 실용 가능성을 뒷받침한다. 다만 연구의 범위와 표본 수가 제한되어 있어, 결과 해석에는 신중함이 필요하다.

그럼에도 불구하고 본 연구에는 몇 가지 한계가 존재한다. 첫째, 본 연구의 표본 규모가 성인 10명으로 제한되어 있어 통계적 일반화에는 한계가 있다. 둘째, 현재 학습 콘텐츠가 정형화된 기사 기반 자료에 국한되어 있어, 다양한 문해력 상황에 대응하기 위한 적응성과 확장성이 제한적이다. 셋째, 세부 피드백의 구체성 부족과 어휘 추천 기능의 미흡 등 일부 기능에서 개선의 여지가 확인되었다.

이러한 한계점을 보완하기 위해 향후 연구에서는 참여자 수를 확대하고 연령·성별·직업군 등 다양한 집단을 포함하여 결과의 실효성과 외적 타당성을 높이고자 한다. 또한 개인 성취도에 기반한 콘텐츠 추천, 어려운 단어를 쉬운 단어로 자동 치환하는 기능, 사용자 로그 분석을 활용한 피드백 고도화 등을 단계적으로 도입할 예정이다.

Acknowledgments

이 논문은 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원-지역지능화혁신인재양성사업의 지원(IITP-2025-RS-2022-00156287, 50%)과 과학기술정보통신부 및 정보통신기획평가원의 인공지능융합혁신인재양성사업 연구 결과로 수행되었음(IITP-2023-RS-2023-00256629, 50%).

References

• OECD. PIAAC Country Profile – Korea. OECD Education GPS, 2023 [Internet]. Available: https://gpseducation.oecd.org/CountryProfile?primaryCountry=KOR&topic=AS&treshold=10, .
• National Literacy Education Center. The 4th Adult Literacy Skills Survey 2023 [Internet]. Available: https://www.le.or.kr/contentDetailView.do?menuId=14&id=3008, .
• J. Kim, H. Kim, E.-C. Park, and S.-Y. Jang, “The Association Between the Type of Offline Social Participation and Digital Literacy among Korean Older Adults: A Cross-Sectional Study,” BMC Psychology, Vol. 12, No. 1, 660, 2024. [https://doi.org/10.1186/s40359-024-02146-1]
• P. Easton, V. A. Entwistle, and B. Williams, “How the Stigma of Low Literacy Can Impair Patient-Professional Spoken Interactions and Affect Health: Insights from a Qualitative Investigation,” BMC Health Services Research, Vol. 13, No. 1, pp. 319-330, 2013. [https://doi.org/10.1186/1472-6963-13-319]
• M. Safar and D. Anggraheni, “Language Learning through AI Chatbots: Effectiveness and Cognitive Load Analysis,” Journal of Social Science Utilizing Technology, Vol. 2, No. 3, pp. 430-445, 2024. [https://doi.org/10.70177/jssut.v2i3.1346]
• J.-S. Park and S.-M. Park, “LLM-Based Question Generation Learning System for Improve Users’ Literacy Skills,” The Journal of the Korea institute of electronic communication sciences, Vol. 19, No. 6, pp. 1243-1248, December 2024. [https://doi.org/10.13067/JKIECS.2024.19.6.1243]
• M. S. Kim, J. Y. Eo, and S. Y. Yi, “Trend Analysis of Research on Adult Literacy in Korea,” The Korean Society for the Study of Lifelong Education, Vol. 23, No. 2, pp. 89-114, 2017.
• Y. Lee, “A Study on Literacy Issues at Home and Abroad and Their Response and Support Cases,” The Korean Journal of Literacy Research, Vol. 15, No. 2, pp. 319-343, April 2024. [https://doi.org/10.37736/KJLR.2024.04.15.2.11]
• S. Kim and H. Seo, “Application Bbased on Generative AI and Prompt Engineering to Improve Children’s Literacy,” Smart Media Journal, Vol. 13, No. 8, pp. 26-38, August 2024. [https://doi.org/10.30693/SMJ.2024.13.8.26]
• A. Mishra, D. Patel, A. Vijayakumar, X. L. Li, P. Kapanipathi, and K. Talamadupula, “Looking beyond Sentence-Level Natural Language Inference for Question Answering and Text Summarization,” in Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pp. 1322-1336, 2021. [https://doi.org/10.18653/v1/2021.naacl-main.104]
• A. Scirè, K. Ghonim, and R. Navigli, “FENICE: Factuality Evaluation of Summarization Based on Natural Language Inference and Claim Extraction,” arXiv:2403.02270, , 2024. [https://doi.org/10.48550/arXiv.2403.02270]
• S. Özdemir, “The Effect of Summarization Strategies Teaching on Strategy Usage and Narrative Text Summarization Success,” Universal Journal of Educational Research, Vol. 6, No. 10, pp. 2199-2209, 2018. [https://doi.org/10.13189/ujer.2018.061018]
• D. S. McNamara, M. Watanabe, L. Huynh, K. S. McCarthy, L. K. Allen, and J. P. Magliano, “Summarizing Versus Rereading Multiple Documents,” Contemporary Educational Psychology, Vol. 76, 2024. [https://doi.org/10.1016/j.cedpsych.2023.102238]
• H. Khoshsima and F. Rezaeian Tiyar, “The Effect of Summarizing Strategy on Reading Comprehension of Iranian Intermediate EFL Learners,” International Journal of Language and Linguistics, Vol. 2, No. 3, pp. 134-139, Apr 2014. [https://doi.org/10.11648/j.ijll.20140203.11]
• E. S. Kim, S. Jo, and H. J. Kouh, “Advancements and Trends in AI-Driven Document Summarization Technology,” Journal of Artificial Intelligence Convergence Technology, Vol. 5, No. 1, pp. 31-36, Jun 2025.
• S. H. Kim, “Effectiveness Analysis of Learning Analytics System Based on AI,” The Journal of the Korea Contents Association, Vol. 24, No. 6, pp. 55-65, 2024. [https://doi.org/10.5392/JKCA.2024.24.06.055]
• J. Wang and W. Fan, “The Effect of ChatGPT on Students’ Learning Performance, Learning Perception, and Higher-Order Thinking: Insights from a Meta-Analysis,” Humanities and Social Sciences Communications, Vol. 12, No. 1, pp. 1-21, May 2025. [https://doi.org/10.1057/s41599-025-04787-y]
• H. Chelghoum and A. Chelghoum, “Artificial Intelligence in Education: Opportunities, Challenges, and Ethical Concerns,” Journal of Studies in Language, Culture and Society, Vol. 8, No. 1, pp. 1-14, 2025.
• S. R. Bowman, G. Angeli, C. Potts, and C. D. Manning, “A Large Annotated Corpus for Learning Natural Language Inference,” arXiv:1508.05326, , 2015. [https://doi.org/10.48550/arXiv.1508.05326]
• Y. Liu, M. Ott, N. Goyal, J. Du, M. Joshi, D. Chen, ... and V. Stoyanov, “RoBERTa: A Robustly Optimized BERT Pretraining Approach,” arXiv:1907.11692, , 2019. [https://doi.org/10.48550/arXiv.1907.11692]
• P. He, X. Liu, J. Gao, and W. Chen, “Deberta: Decoding-Enhanced Bert with Disentangled Attention,” arXiv:2006.03654, , 2020. [https://doi.org/10.48550/arXiv.2006.03654]
• S. Lee, H. Jang, Y. Baik, S. Park, and H. Shin, “KR-BERT: A Small-Scale Korean-Specific Language Model,” arXiv:2008.03979, , 2020. [https://doi.org/10.48550/arXiv.2008.03979]
• C. Papadimas, V. Ragazou, I. Karasavvidis, and V. Kollias, “Predicting Learning Performance Using NLP: An Exploratory Study Using Two Sementic Textual Similarity Methods,” Knowledge and Information Systems, pp. 1-29, 2025. [https://doi.org/10.1007/s10115-024-02293-2]
• P. Laban, T. Schnabel, P. N. Bennett, and M. A. Hearst, “SummaC: Re-Visiting NLI-Based Models for Inconsistency Detection in Summarization,” Transactions of the Association for Computational Linguistics, Vol. 10, pp. 163-177, 2022. [https://doi.org/10.1162/tacl_a_00453]
• EBS. Adult Literacy Test [Internet]. Available: https://literacy.ebs.co.kr/yourliteracy/literacyPoll/plus, .
• National Institute for Lifelong Education. The 4th Adult Literacy Skills Survey, 2023 [Internet]. Available: https://www.le.or.kr/contentDetailView.do?menuId=14&id=3008, .
• Y. Chen and S. Eger, “MENLI: Robust Evaluation Metrics from Natural Language Inference,” Transactions of the Association for Computational Linguistics, Vol. 11, pp. 804-825, 2023. [https://doi.org/10.1162/tacl_a_00576]
• T. Li, Z. Li, and Y. Zhang. “Improving Faithfulness of Large Language Models in Summarization Via Sliding Generation and Self-Consistency,” arXiv:2407.21443, , 2024. [https://doi.org/10.48550/arXiv.2407.21443]