감성분석 모델의 성능-설명가능성-효율성 트레이드오프 분석 : 대비적 설명 기법과 경량 표현 압축을 중심으로 = A Trade-off Analysis of Performance, Explainability, and Efficiency in Sentiment Analysis Models : Focusing on Contrastive Explanation Methods and Lightweight Representation Compression

다국어 초록 (Multilingual Abstract)

This study comprehensively examines the interactions among predictive performance, explainability, and computational efficiency in sentiment analysis and empirically analyzes the trade-offs among these factors. While previous sentiment analysis studies have primarily focused on improving predictive accuracy, real-world applications additionally require explainability to interpret model decisions and computational efficiency under resource-constrained environments. Recent advances in large language models and foundation models have expanded the applicability of sentiment analysis; however, predictive performance and explanation consistency may vary depending on prompt design, model architecture, explanation methods, and lightweight strategies. Accordingly, this study integrates prompt design, model architecture, explanation methods, contrastive explanation approaches, and representation compression-based lightweight techniques into a unified analytical framework to systematically elucidate the relationships among performance, explainability, and efficiency in sentiment analysis models. To achieve this objective, sentiment analysis performance and explanation characteristics were comparatively analyzed across different prompt designs and model architectures. In addition, a contrastive explanation method, CCCE （Contrastive Contextual Contribution Explanation）, was proposed to evaluate its effectiveness in improving explanation stability and discriminability. Representation compression-based lightweight techniques were also applied to analyze the relationship between efficiency and explainability. The results indicate that predictive performance and explanation consistency vary according to model types and prompt design strategies. Although lightweight approaches can improve computational efficiency while minimizing predictive performance degradation, explainability appears to be sensitive to subtle changes in internal representations. In contrast, CCCE provided relatively stable explanations even in sentiment classification environments characterized by high uncertainty. Overall, this study extends beyond conventional approaches that evaluate performance, explainability, and efficiency independently by providing an integrated analysis of the interactions and trade-offs among these factors in sentiment analysis. Furthermore, by empirically demonstrating the effects of prompt design, model architecture, explanation methods, and lightweight strategies on predictive performance and explanation reliability, this study offers practical implications for the design and selection of sentiment analysis systems that jointly consider predictive accuracy, explanation reliability, and computational efficiency in real-world applications.

국문 초록 (Abstract)

본 연구는 감성분석에서 예측 성능, 설명가능성, 그리고 계산 효율성 간의 상호작용을 통합적으로 살펴보고, 이들 요소 간에 존재하는 트레이드오프 양상을 실증적으로 분석하고자 한다. 기존 감성분석 연구는 주로 정확도 중심의 성능 향상에 초점을 두어 왔으나, 실제 서비스 환경에서는 모델의 판단 근거를 해석할 수 있는 설명가능성과 제한된 자원 환경에서의 효율성이 함께 요구된다. 특히 최근 대규모 언어모델과 파운데이션 모델이 우수한 성능을 보임에 따라 감성분석의 활용 가능성이 확대되고 있으나, 프롬프트 설계와 모델 구조, 설명 기법 및 경량화 방식에 따라 예측 성능과 설명의 일관성이 달라질 수 있다는 점에서 이들 요소 간의 관계를 종합적으로 검토할 필요가 있다. 이에 본 연구는 프롬프트 설계, 모델 구조, 설명 기법, 대비적 설명 접근 및 표현 압축 기반 경량화를 하나의 분석 체계로 통합하여 감성분석 모델의 성능–설명가능성–효율성 간 관계를 체계적으로 규명하고자 한다. 이를 위해 프롬프트 설계와 모델 구조에 따른 감성분석 성능 및 설명 특성을 비교·분석하고, 대비적 설명 기법인 CCCE（Contrastive Contextual Contribution Explanation）를 제안하여 설명의 안정성과 판별성을 검증하였다. 또한 표현 압축 기반 경량화를 적용하여 효율성과 설명가능성 간의 관계를 분석하였다. 분석 결과, 모델과 프롬프트 설계 방식에 따라 예측 성능과 설명 일관성에 차이가 나타났으며, 경량화는 예측 성능 저하를 최소화하면서 효율성을 향상시킬 수 있으나 설명가능성은 내부 표현의 변화에 민감하게 반응하는 것으로 확인되었다. 반면 CCCE는 불확실성이 높은 분류 환경에서도 비교적 안정적인 설명을 제공하는 것으로 나타났다. 종합적으로 본 연구는 감성분석에서 성능, 설명가능성 및 효율성을 개별적으로 평가하던 기존 접근에서 나아가 이들 요소 간의 상호작용과 트레이드오프를 통합적으로 분석하였다는 점에서 의의를 가진다. 또한 프롬프트 설계, 모델 구조, 설명 기법 및 경량화 전략이 감성분석 모델의 예측 성능과 설명 신뢰성에 미치는 영향을 실증적으로 제시함으로써, 실제 서비스 환경에서 정확도뿐만 아니라 설명 신뢰성과 자원 효율성을 함께 고려한 감성분석 시스템의 설계와 모델 선택을 위한 실질적인 시사점을 제공한다.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 4
• 2.1 감성분석 연구 동향 4
• 2.2 대규모 언어모델 및 파운데이션 모델 5
• 2.3 설명가능 인공지능 기법 6
• 2.4 모델 경량화 및 효율화 기법 7
• 2.5 기존 연구의 한계 8
• 제3장 성능–설명가능성–효율성 트레이드오프 분석 체계 9
• 3.1 연구 개요 9
• 3.2 트레이드오프 분석 체계의 구성 11
• 3.3 성능–설명가능성–효율성 분석 기준 16
• 3.4 평가 지표 및 실험 설정 18
• 제4장 프롬프트 기반 모델 성능 분석 21
• 4.1 Prompt Runner 기반 성능평가 프레임워크 21
• 4.2 프롬프트 유형별 성능 비교 23
• 4.3 대규모 언어모델 성능 분석 24
• 4.4 실험 결과 및 분석 28
• 제5장 감성분석에서의 설명가능성 및 모델 비교 31
• 5.1 프롬프트 설계와 설명가능성 분석 31
• 5.2 모델 구조별 성능 및 설명가능성 비교 35
• 5.3 성능–설명가능성–효율성 트레이드오프 분석 36
• 5.4 실험 결과 및 논의 39
• 제6장 설명가능성 향상 및 모델 경량화 기법 43
• 6.1 대비적 설명 기법（CCCE） 44
• 6.1.1 기존 설명가능 인공지능 기법의 한계 44
• 6.1.2 CCCE 기반 대비적 설명 구조 45
• 6.1.3 데이터셋 구성 및 설명가능성 평가 47
• 6.1.4 CCCE 기반 설명가능성 분석 결과 49
• 6.2 경량 Transformer 기반 감성분석 56
• 6.2.1 경량 Transformer 모델의 필요성 56
• 6.2.2 DistilBERT 및 MiniLM 기반 경량 모델 56
• 6.2.3 데이터셋 및 실험 환경 57
• 6.3 KV 표현 압축 기반 효율성 개선 59
• 6.3.1 KV 표현 압축의 필요성 59
• 6.3.2 KV 표현 압축 구조 60
• 6.3.3 KV 표현 압축 실험 환경 63
• 6.3.4 KV 표현 압축 이후 설명가능성 변화 66
• 6.4 설명가능성 및 성능 변화 분석 70
• 6.4.1 분류 성능 유지 분석 70
• 6.4.2 설명가능성 민감도 분석 71
• 6.4.3 데이터셋 특성 기반 분석 72
• 6.4.4 CCCE 기반 설명 안정성 분석 72
• 6.4.5 효율성–설명가능성 Trade-off 분석 73
• 6.4.6 정성적 사례 분석 73
• 제7장 종합 논의 77
• 7.1 연구 결과 종합 분석 및 의의 77
• 7.2 한계점 및 향후 연구 방향 80
• 제8장 결론 83
• 8.1 결론 83
• 8.2 주요 기여 85
• 참고문헌 88