온톨로지 기반 다중 에이전트 추론을 통한 문화적 정렬 LLM 개발

Toward Culturally Aligned LLMs through Ontology-Guided Multi-Agent Reasoning

대규모 언어 모델(LLM)은 점점 더 문화적으로 민감한 의사 결정을 지원하지만, 편향된 사전 학습 데이터와 구조화된 가치 표현의 부재로 인해 종종 오류를 발생시킨다. 기존 방법들은 출력 제어를 시도하지만, 인구 통계적 기반이 부족하고 가치를 독립적이며 구조화되지 않은 신호로 취급하여 일관성과 해석 가능성을 저해한다. 본 연구에서는 온톨로지 기반 다중 에이전트 추론 프레임워크인 OG-MAR을 제안한다. OG-MAR은 세계 가치 조사(WVS)에서 응답자별 가치를 요약하고, 고정된 분류 체계를 통해 역량을 평가하는 질문을 통해 전 세계 문화 온톨로지를 구축한다. 추론 시, OG-MAR은 온톨로지와 일관된 관계와 인구 통계적으로 유사한 프로필을 검색하여 여러 가치-페르소나 에이전트를 생성한다. 이러한 에이전트의 출력은 온톨로지 일관성과 인구 통계적 근접성을 강화하는 판단 에이전트에 의해 통합된다. 네 가지 LLM 모델을 사용한 지역 사회 조사 벤치마크 실험 결과, OG-MAR은 경쟁 모델보다 문화적 정렬성과 안정성을 향상시키며, 더욱 투명한 추론 과정을 제공하는 것으로 나타났다.

Large Language Models (LLMs) increasingly support culturally sensitive decision making, yet often exhibit misalignment due to skewed pretraining data and the absence of structured value representations. Existing methods can steer outputs, but often lack demographic grounding and treat values as independent, unstructured signals, reducing consistency and interpretability. We propose OG-MAR, an Ontology-Guided Multi-Agent Reasoning framework. OG-MAR summarizes respondent-specific values from the World Values Survey (WVS) and constructs a global cultural ontology by eliciting relations over a fixed taxonomy via competency questions. At inference time, it retrieves ontology-consistent relations and demographically similar profiles to instantiate multiple value-persona agents, whose outputs are synthesized by a judgment agent that enforces ontology consistency and demographic proximity. Experiments on regional social-survey benchmarks across four LLM backbones show that OG-MAR improves cultural alignment and robustness over competitive baselines, while producing more transparent reasoning traces.