아동-로봇 상호작용(Child-Robot Interaction, CRI)에서 자연스러운 대화 참여를 가능하게 하려면 대화 시스템이 아동 발화의 의도를 이해하고, 문법적 불완전성과 발음 부정확성과 같은 아동 발화 특성을 고려해야 한다. 그러나 최신 대규모 언어 모델(Large Language Models, LLM)조차도 언어 이해와 맥락적 인식 능력에서 아동의 의도를 인간만큼 정확하게 파악하지 못한다. 이러한 한계를 극복하기 위해, LLM 기반 대화 시스템은 인간의 이해 방식을 학습하여 아동과의 언어적 상호작용에서 의도 추론 성능을 향상시켜야 한다. 이를 위해 본 연구에서는 LLM-인간 판단 불일치 데이터와 상호작용 응답 데이터를 활용한 파인 튜닝 기법을 제안하였다. LLM-인간 판단 불일치 데이터는 로봇 질문에 대한 아동의 응답 맥락 적합성에 대해 인간과 LLM의 판단이 다른 사례를 수집한 데이터이며, 상호작용 응답 데이터는 아동 발화 의도에 적합한 로봇 응답을 포함한다. 이러한 데이터셋을 기반으로 파인 튜닝된 대화 시스템은 아동 발화를 인간처럼 해석하고 적응적으로 응답할 수 있는 능력을 갖추게 되었다. 또한 대화 시스템을 경량화하여 로봇에 탑재 가능한 엣지 디바이스 환경에서도 안정적으로 작동할 수 있도록 설계하였다. 이를 통해 제한된 하드웨어 자원에서도 효과적으로 작동할 수 있는 경량화된 대화 시스템의 가능성을 확인하였다. 본 연구에서 개발한 대화 시스템은 Robotic Social Attributes Scale (RoSAS)와 Sensibleness and Specificity Average (SSA) 지표를 활용한 인간 평가를 통해 검증되었다. 그 결과, 본 시스템은 문법적 불완전성과 발음 오류가 포함된 상황에서도 아동 발화 의도를 효과적으로 해석하고 자연스러운 언어적 상호작용을 가능하게 하는 성능을 보여주었다.