누가 말하는가가 중요하다: 이탈리아 의회 회의록에 대한 권위 인식 다중 뷰 RAG

초록

의회 회의록은 민주적 숙의의 일차적 기록이지만, 그 방대함과 분산성 때문에 시민, 언론인, 연구자들이 다양한 관점에 접근하기 어렵다. 검색 증강 생성(RAG)을 의회 속기록에 적용할 때 세 가지 구체적인 위험이 발생한다: 가장 빈번하게 발언하는 화자의 지배, 주제 전문성에 따른 화자 가중치 부여 불능, 정치적으로 민감한 텍스트에서의 인용 오귀인이다. 우리는 이러한 위험을 함께 해결하는 이탈리아 하원용 RAG 시스템인 ParliamentRAG를 제시한다. 그 핵심 기여는 현재 쿼리의 함수로서 각 화자의 권위를 추정하는 주제 의존적 권위 모델로, 직업, 교육, 이전 발언 등 해석 가능한 구성 요소를 결합한다. 사용자 쿼리가 주어지면 시스템은 관련 발언 청크를 검색하고, 각 의회 교섭단체에서 주제 관련 전문가를 식별하며, 이들의 관점을 종합한 요약을 뒷받침 인용문과 함께 생성한다. ParliamentRAG는 15개 정책 주제에 대해 Google NotebookLM과 비교 평가되었으며, 자동화 지표와 6명의 도메인 전문가에 의한 맹검 A/B 인간 평가를 결합한 2단계 프로토콜을 사용했다. 이 시스템은 정치 그룹 전반에 걸친 더 높은 커버리지(0.97 대 0.95), 완벽한 인용 충실도(1.00 대 0.95), 그리고 출처 관련 차원에서 더 강한 전문가 선호도를 달성한 반면, NotebookLM은 산문적 차원에서 더 우수한 것으로 나타났다.

English

Parliamentary proceedings are a primary record of democratic deliberation, yet their volume and fragmentation make multi-perspective access difficult for citizens, journalists, and researchers. Applying Retrieval-Augmented Generation (RAG) to parliamentary transcripts introduces three specific risks: dominance of the most frequent speakers, inability to weight speakers according to topical expertise, and citation misattribution in politically sensitive text. We present ParliamentRAG, a RAG system for the Italian Chamber of Deputies that addresses these risks jointly. Its core contribution is a topic-dependent authority model that estimates each speaker's authority as a function of the current query, combining interpretable components such as profession, education, and previous interventions. Given a user query, the system retrieves relevant speech chunks, identifies topic-relevant experts across parliamentary groups, and generates a summary synthesizing their perspectives, accompanied by supporting quotations. ParliamentRAG is evaluated against Google NotebookLM on 15 policy topics via a two-level protocol combining automated metrics and blind A/B human evaluation by six domain experts. The system achieves higher coverage across political groups (0.97 vs. 0.95), perfect quotation faithfulness (1.00 vs. 0.95), and stronger expert preferences on source-related dimensions, while NotebookLM remains stronger on prose-oriented dimensions.