진단과 제어 분리: LLM 기반 진단과 감사 가능한 정책 적용을 통한 에이전트 기반 시뮬레이션

Separating Diagnosis from Control: Auditable Policy Adaptation in Agent-Based Simulations with LLM-Based Diagnostics

고령층의 고독 문제를 완화하기 위해서는 적응성과 투명성을 모두 갖춘 정책 개입이 필요합니다. 기존 방법들은 이러한 목표를 동시에 달성하는 데 어려움을 겪습니다. 전통적인 에이전트 기반 모델은 정적인 경직성을 가지고 있으며, 직접적인 대규모 언어 모델(LLM) 제어 방식은 필수적인 추적 가능성이 부족합니다. 본 연구는 진단과 제어를 분리하는 세 계층 구조의 프레임워크를 제안하여 두 가지 특성을 동시에 달성합니다. LLM은 인구 상태를 평가하고 구조화된 위험 평가를 생성하는 진단 도구로만 사용되며, 명시적인 경계를 가진 결정론적 공식은 이러한 평가를 추적 가능한 매개변수 업데이트로 변환합니다. 이러한 분리는 모든 정책 결정이 검토 가능한 규칙에 의해 이루어지도록 보장하면서 동시에 예상치 못한 요구에 대한 적응적인 대응을 유지합니다. 본 연구는 고령층 복지 시뮬레이션에서 5가지 실험 조건을 통해 프레임워크를 체계적으로 검증했습니다. 결과는 명시적인 제어 규칙이 완전한 감사 가능성을 유지하면서 엔드 투 엔드 블랙박스 LLM 방식보다 11.7% 더 우수한 성능을 보인다는 것을 보여주며, 투명성이 적응적인 성능을 저해하지 않는다는 것을 확인합니다.

Mitigating elderly loneliness requires policy interventions that achieve both adaptability and auditability. Existing methods struggle to reconcile these objectives: traditional agent-based models suffer from static rigidity, while direct large language model (LLM) controllers lack essential traceability. This work proposes a three-layer framework that separates diagnosis from control to achieve both properties simultaneously. LLMs operate strictly as diagnostic instruments that assess population state and generate structured risk evaluations, while deterministic formulas with explicit bounds translate these assessments into traceable parameter updates. This separation ensures that every policy decision can be attributed to inspectable rules while maintaining adaptive response to emergent needs. We validate the framework through systematic ablation across five experimental conditions in elderly care simulation. Results demonstrate that explicit control rules outperform end-to-end black-box LLM approaches by 11.7\% while preserving full auditability, confirming that transparency need not compromise adaptive performance.