**소형 언어 모델(sLM)**을 개발하고, 그 성능을 높이기 위한 데이터 혼합 전략을 제안한 연구입니다.

대형 언어모델(LLM)은 성능은 뛰어나지만 GPU 자원·비용·보안 문제로 한계가 있어,
오픈소스 sLM(Qwen2.5-3B·7B)을 활용했습니다.

모델 학습에는
① **서울아산병원 시범 임상 데이터(398건)**과
② **GPT-4o로 생성한 대화형 데이터(424건)**를 사용했습니다.

생성 데이터는 CTCAE 기준표와 대화 규칙을 포함해 zero-shot prompting으로 만들었고,
의료진이 등급을 검토했습니다.

실험에서는 실제 데이터와 생성 데이터를 다양한 비율로 혼합하여
부작용 등급 분류 정확도의 변화를 분석했습니다.

결과적으로, **실제:생성 비율이 5:5 또는 4:6일 때 최고 성능(정확도 95.83%)**을 보였으며,
이는 실제 데이터만 사용했을 때보다 8~9% 향상된 수치입니다.

생성 데이터가 실제 데이터의 불균형과 다양성 부족을 보완한 것으로 해석됩니다.
다만, 생성 데이터가 과도하게 많을 경우 오히려 성능이 저하되었습니다.

결론적으로, **적절한 데이터 혼합(약 50%)**은 sLM의 의료 데이터 추론 성능을
LLM 수준에 근접하게 향상시킬 수 있음을 보여주었습니다.

한계로는 실제 데이터 수가 적고, 생성 대화의 자연스러움 검증이 부족하다는 점이 지적되었습니다.
향후에는 고품질 생성 데이터 확보와 의료진 검증 강화가 필요하다고 제안합니다.