새로 발표된 한 학술 연구에 따르면, 대형 언어 모델을 활용해 박물관 유물의 설명을 생성할 때 단순히 메타데이터 필드 수를 늘리는 것만으로는 설명의 정확성과 사실 기반 성격을 향상시킬 수 없다고 한다. 이 논문은 ‘When More Metadata Misleads: Probing Field-Level Grounding in LLM-Generated Museum Descriptions’라는 제목으로 2026년 10월 24일 arXiv 사전 인쇄본 플랫폼에 제출되었으며, 문서 번호는 arXiv:2610.31193v1이다.
연구는 두 단계의 방법을 채택하였다. 첫 번째 단계에서는 대형 박물관 소장품 내에서 자연적으로 존재하는 메타데이터 변이를 분석하며, 필드 수, 필드 유형, 이미지 이용 가능성 및 ‘출처(Place)’와 같은 변수 간의 공변 관계를 포괄한다. 두 번째 단계에서는 문화재의 고유한 정체성을 유지한 채, 메타데이터의 수량, 필드 유형 및 이미지 접근 권한을 체계적으로 조정하여 통제된 탐색 실험을 수행한다. 그 결과, 메타데이터의 수량만으로는 모델의 생성 행동 차이를 설명할 수 없음을 보여주었다.
진정으로 결정적인 역할을 하는 것은 메타데이터의 필드 유형으로, 이는 모델이 필드 내용에 따라 설명을 정확히 생성(ground)할지, 해당 정보를 완전히 무시(omit)할지, 아니면 제공되지 않은 내용을 스스로 추론(infer)할지를 직접적으로 좌우한다. 한편, 이미지는 시각적 앵커로 작용하기는 하지만 근거 없는 해석을 유발할 수도 있다. 이에 따라 연구에서는 메타데이터가 텍스트 기반 시스템으로 변환된 데이터를 평가할 때, 전체 입력 커버리지나 참조 텍스트와의 표면적 유사성에만 의존하는 것이 아니라, 필드 수준 및 구체적 주장 수준에서의 지원 검증으로 전환해야 한다고 촉구하고 있다.