연구자라면 한번씩 생각해보죠. “논문쓰는 AI 있으면 좋겠다”. 올 한해 AI 열심히 써보니, 현실에서도 완전하지는 않지만, 되겠구나 싶어요. 딮리서치로 연구주제 검색하고, 아이디어 정리하면 서론이 만들어져요. 데이터 분석도 첨부해서 시키면 통계와 그래프, 더 나아가 해석도 해주구요. 여기에 서론에서 정리한 보고서와 결과를 같이 첨부해서 Discussion 작성하라고 하면, 거의 마무리 되네요. 물론 세부적인 내용과 정확성은 검증해야 하지만요. 주변에 같이 연구하는 분들도 보여주면 놀라워합니다. 좀 더 발전하면 박사급 인력도 많이 필요없어 보여요. 이미 화학 합성이나 신약개발에도 많이 활용되고 있다죠. 스크리닝, 결과분석, 다시 디자인 변경 등 로봇과 AI가 같이 협업해서 자동화하는 실험이 돌아가기 시작했죠. 이제 연구 분야도 AI가 활용될 수록 박사들이 별로 필요 없어지겠어요. 물론 아직도 수작업으로 돌아가는 실험이 대부분이지만, 머리가 필요한 분야에서 오히려 AI가 더 훌륭한 결과를 보여줘요. 올해 3월 Nature Human Behavior에 나온 논문에서 AI의 추론 능력이 학생, 포스닥과 교수들의 추론보다 우수할 수 있다는 연구가 나왔으니까요. 아래는 AI를 활용한 논문쓰기에 대한 논문정리입니다. 24년도 나온 논문인데, 지금은 AI수준이 더 좋아져서 활용하면 아주 편해집니다.
학술 글쓰기는 많은 연구자에게 시간과 정신적 에너지를 소모하는 어려운 과정입니다. 방대한 정보를 다루고 복잡한 아이디어, 이론, 경험적 데이터를 이해하고 명확하게 제시해야 하며, 정확성, 근거 제시, 논리적 구조 등 높은 기준을 충족해야 합니다. 또한, 전문 용어 사용, 적절한 인용 및 출처 표기, 그리고 '출판하지 않으면 사라진다(publish or perish)'는 압박감 등 다양한 어려움이 존재합니다. 특히 비영어권 연구자에게는 이러한 어려움이 더욱 가중되어 과학 발전의 소통 병목 현상을 심화시키기도 합니다.
이러한 상황에서 생성형 AI 도구, 특히 대규모 언어 모델(LLM)은 학술 글쓰기 조력자로서 진정으로 유용하게 부상했습니다. LLM은 널리 사용 가능하고, 다재다능하며, 협력적이고, 인내심 있으며 비판적이지 않다는 특징이 있습니다. AI는 학술 글쓰기의 질과 효율성을 높이고, 글쓰기 과정을 개선할 잠재력을 가지고 있으며, 학술 연구를 변화시킬 것으로 예상됩니다.
AI 활용의 이점 및 메커니즘
AI 활용의 중요성은 단기적 목표와 장기적 목표로 나누어 볼 수 있습니다.
- 단기적 목표: 생산성, 품질, 창의성 향상
- 특정 프로젝트의 생산성, 품질, 창의성을 높이는 것이 목표입니다. AI가 글쓰기를 더 빠르고 좋게 만들어 작가가 내용과 아이디어에 더 집중할 수 있게 합니다.
- 메커니즘:
- 인지적 오프로딩 (Cognitive Offloading): 맞춤법, 문법, 단어 선택 등 일부 정신적 작업을 AI에 위임함으로써, 작가는 다른 중요한 작업에 인지 자원을 더 많이 사용할 수 있습니다. 이는 성능 향상 및 오류 감소로 이어집니다. 계산기나 통계 프로그램의 비유와 유사합니다.
- 상상력 자극 (Imaginative Stimulation): 작가와 AI 간의 시너지 협력을 통해, 새로운 관점, 아이디어, 구성 제시로 창의성을 촉발합니다. 브레인스토밍 시 반대 의견 제시, 글쓰기 평가 시 건설적 피드백 제공 등을 통해 지적 공간을 확장하고 더 완성도 높은 주장 및 새로운 통찰/해결책 도출이 가능합니다.
- 장기적 목표: 교육적 측면 실현
- 학술 글쓰기를 위한 LLM 참여의 교육적 측면을 실현하는 것이 목표입니다. '실행을 통한 학습(learning by doing)' 철학에 기반하며, LLM은 이 접근 방식을 현대화하고 극대화합니다.
- 메커니즘:
- 적응적 상호작용 (Adaptive Interactivity): 개별 작가의 스타일과 학습 속도에 맞는 개인화된 상호작용 학습 경험을 제공합니다. 1:1 튜터링 모델과 유사하게, 실시간 피드백을 통해 작가의 실수 인지/수정, 글쓰기 기술 향상, 언어 이해 심화에 도움을 줍니다.
- 즉각적 가용성 (Instant Availability): 즉각적인 온디맨드 학습 환경을 제공하여 학습을 유연하고 실용적이며 접근 가능하게 만듭니다. 온라인 공개 교육 자료의 접근성과 유사합니다.
학술 글쓰기 과정에서의 AI 활용 범위 (여섯 가지 핵심 영역)
AI는 학술 글쓰기 및 연구 전반의 여섯 가지 핵심 영역에서 상당한 지원을 제공합니다.
- 아이디어 개발 및 연구 설계 (Idea Development and Research Design):
- 브레인스토밍, 문헌의 격차 식별, 가설 생성 지원.
- 연구 계획 및 연구 설계 지원.
- AI는 최신 트렌드, 과거 데이터, 학제 간 연구에서 통찰력을 얻어 브레인스토밍을 풍부하게 하고, 자연어 처리를 통해 문헌의 간과되거나 덜 연구된 영역을 밝혀냅니다. 기존 데이터를 활용하여 잠재적 상관관계나 인과관계를 예측하여 가설 수립에 도움을 줄 수 있습니다. 연구 질문에 가장 적합한 방법론을 추천하고, 정확한 결과를 위해 적절한 표본 크기 및 통계 방법을 제안하며, 예측 모델 생성을 지원하기도 합니다.
- 콘텐츠 개발 및 구성 (Content Development and Structuring):
- 글쓰기 지원 (텍스트 확장, 예측 텍스트, 자동 완성).
- 구조화 (개요 작성, 감정 톤 분석).
- 시각 및 멀티미디어 요소 통합 (그래픽, 표, 발표 자료 등).
- AI는 텍스트 확장, 예측 텍스트, 자동 완성 기능으로 초안 작성 과정을 지원하며, 복잡한 데이터를 더 이해하기 쉽게 표현하는 데 도움을 줄 수 있습니다. 개요 작성 시 논리적 흐름과 일관성을 보장하고, 대상 독자에 맞게 콘텐츠의 톤을 조정하는 데 유용합니다. 데이터 추세를 시각적으로 나타내는 인포그래픽을 생성하는 등 시각적 매력을 높이는 데 기여하기도 합니다.
- 문헌 검토 및 종합 (Literature Review and Synthesis):
- 정보 추출 및 분석 (텍스트 추출, 의미 분석).
- 문헌 종합 (요약 테이블, 비교 분석, 자동 문헌 종합).
- AI는 방대한 문헌 데이터에서 텍스트 추출 및 의미 분석을 수행하며, 데이터 처리 및 분석 능력으로 상세하고 최신 문헌 검토를 지원합니다. 초록 및 전체 텍스트에서 데이터 요소를 추출하여 요약 테이블을 만들고 비교 분석을 수행하여 연구자가 복잡한 정보를 이해하고 소통하는 데 큰 도움을 줍니다. 리뷰 논문 작성에도 기여할 수 있습니다.
- 데이터 관리 및 분석 (Data Management and Analysis):
- 데이터 해석 (상세 분석, 시각화).
- 데이터셋 관리 (데이터셋 생성 및 큐레이션).
- AI는 복잡한 데이터셋을 처리하고 해석하는 능력을 향상시킵니다. AI 도구는 복잡한 데이터를 분석하고 해석하여 통찰력을 제공하며, 특히 의료 영상 연구에서는 이미지에서 복잡한 패턴을 추출하고 해석하는 데 필수적입니다. 데이터셋 관리 측면에서는 데이터 큐레이션 과정을 자동화하여 데이터의 정확성, 최신 상태 유지, 분석 용이성을 보장합니다.
- 편집, 검토 및 출판 지원 (Editing, Review, and Publishing Support):
- 글 다듬기 (교정, 편집, 초록 및 요약 작성).
- 출판 지원 (동료 검토 응답, 원고 추적, 편집자에게 보내는 편지, 동료 검토 향상).
- AI 도구는 교정 및 편집을 통해 원고의 텍스트 품질을 향상시키며, 문법 오류를 수정하고 글쓰기 스타일을 개선하는 데 특히 비영어권 화자에게 유용합니다. 연구의 주요 발견 및 시사점을 간결하고 정확하게 전달하기 위해 초록 및 요약 작성을 지원할 수 있습니다. 또한, 동료 검토 응답을 관리하고 원고 추적 등 출판 과정 전반을 용이하게 합니다.
- 소통, 홍보 및 윤리 준수 (Communication, Outreach, and Ethical Compliance):
- 배포 및 홍보 (다양한 플랫폼 맞춤 콘텐츠, 소셜 미디어 참여, 챗봇, 언어 번역, 접근성 기능).
- 윤리 및 무결성 보장 (윤리 준수, 표절 탐지, 연구 윤리 위험 평가).
- AI는 다양한 독자 및 플랫폼에 맞게 콘텐츠를 조정하는 데 활용될 수 있습니다. 챗봇은 복잡한 과학 개념을 더 쉽게 접근할 수 있도록 대중과 상호 작용하도록 프로그래밍될 수 있으며, 언어 번역 기능은 언어 장벽을 허물어 연구의 글로벌 접근성을 높입니다. 윤리적 측면에서는 표절 탐지를 지원하여 학술적 무결성을 보장하는 데 중요한 역할을 합니다.
감사합니다
AI Tool 시용하는 능력에 따라서 경쟁에서 우위가 갈리겠더라구요.
툴정도로 보고 있습니다.
그래도 요즘 학생들에게 논문 거저 쓴다고 농담하면 욕먹겠지요?ㅋㅋㅋ (에디티지는 이제 어쩌나...)
퍼플렉시티(주로 끌로드3.7소넷), 라이너, 챗지피티를 써 봤습니다.
유료버전이고 뭐고, 할루시네이션 장난 아닙니다... ㅠ
그런데 요즘은 ai 유료서비스 8개 정도 쓰면서 보고서, 논문, 회의 계획서 모두 ai로 만듭니다. 1000페이지 자료도 순식간에 요약해주고....심지어 회의자료도 직원들 성향을 미리 입력해 두면 각각의 예상되는 생각과 그들이 미처 생각지 못하거나 틀린 이야기도 예상할수 있어서 회의 시간내 바로바로 수정해줄수 있고 이게 하루하루 쌓이니 그 정확도가 점점 좋아지고 있어요. ㄷㄷㄷㄷㄷㄷ 이젠 5년 미만의 신규직은 필요없는 거 같고 솔직히 부장급 외 서포트해줄 직원 2~3명만으로도 조직 전체를 구조조정해도 되겠다 생각이 들더군요. 그래서 이번 가을에 조직개편 구상이예요. ㄷㄷㄷㄷㄷ
이게 현실이죠. 저도 개발 생산성 폭발하네요.
어떤 분야 이신지 궁금하네요
인공지능을 탑재한 로봇은 당장 수년내 현실화되기 어렵겠지만 5년차 미만의 석사급 인력이 필요한 기획, 연구 분야는 사실상 필요없게 된 것 같습니다. 생산성, 효율성 모두 좋고, 불필요한 인력 관리(마인드 컨트롤 및 업무 책임감 배양 등....)에 필요한 에너지 및 물적 소모가 원천적으로 사라지니까요.
어찌보면 애석하게도 헤드급이 아닌 5년미만의 업무 훈련을 받아야할 인력들이 불필요해지는 것이니 사회적으로 올바른 방향인가는 회의적이지만 생산성과 효율성이 압도적이니 참으로 세상 변화가 무섭습니다.
그리고 작년부터 인사발령된 인력들에 대한 업무 성향을 엑셀로 정리해서 ai로 회의 주제와 현재 트랜드 및 방향성을 제시해서 가상 회의해보면 실제 업무회의보다 훨씬 좋은 결과를 보여주고, 자료가 쌓이니 실제 직원들이 생각 못하거나 논점 이탈도 예상해주는 경우도 있었습니다. 그리고 이건 그대로 업무 평가에 사용하면 되니 관리자 입장에서는 너무 편한 세상이 된 것 같습니다.
제 업무는 연구개발만 해왔고, 현재는 센터장이라 헤드 테이블과 이후 팀원 회의를 하고 있습니다. 관련해 위 가상 회의에서도 너무 유용하게 잘 사용하고 있기도 하고요. ai가 언급되었을때 헤드급이 정리 1순위일 줄 알았는데, 1년 가량 써보니 오히려 5년 내외의 주임/선임급들이 1순위 같네요.
저도 LLM 성장 한계가 있어서 당분간은 도구로 사용될거라 판단하고 있습니다.
연구분야에서 학사는 없겠지만 그래도 석사5년차가 대체라는게 충격이네요.
개발분야도 마찬가지입니다. 양극화 상태인데..
설계와 개발이 아직은 미숙한 5년차 미만 개발자는 AI가 대체가능한 상태입니다.
한땀 한땀 코딩을 하면서 이 분야 십여년 이상 산전수전 겪은 고인물에게는
생산성 측면에서는 자신의 역량에 따라 기회의 날개를 달았다고 보여집니다.
생산성이 5배만 늘어도 5년 할 것을 1년에 하는것이고,
100배 늘어났다면 100년 할것을 1년에 하는것이니,
이런 측면에서는 하고 싶은게 많고 실력을 갖춘 이라면 99년 보너스 삶을 살게 해준 도구입니다.
이공계 실험 시뮬레이션 ai도 분야별로 편차가 심한데, 평균적으로 학부생 수준의 실험은 충분히 가능하고, 실무에 쓰기에는 많이 부족해보입니다. 가장 효과적인 건 현재까지 코딩, 기획 및 PSST 작성, 보고서 요약 및 작성 정도는 보정하면서 충분히 대체 가능한 수준이라 생각합니다.
그래서 석사급 정도의 인력은 사람마다 편차가 있지만 2~3년의 훈련 과정이 필요하다고 생각하기 때문에 이러면 금방 원급에서 선임급이 되죠. 그러나 선임급에게 요구되는 건 프로그래밍에서 코더 작업 즉 문헌 찾아서 보고서 초안 작성인 경우가 대부분이고, 계약직 직원들 관리하면서 프로젝트 수행하는 것이 대부분일 겁니다.
그러니 아무리 고스펙 인력이라도 만 5년 내외는 이 정도에서 일종의 훈련과정처럼 필요하게 된다고 보여집니다. 그런데 ai를 활용하면 이들 인력으로 1달 정도 걸린 정부 시책 보고서 및 사업단 프로젝트 작성을 30분만에 초안 만들어서 팀원 회의에 내놓은 적도 있는데, 그냥 원스톱으로 진행한 바 있습니다.
저도 이번 가을 인사이동때 과감하게 구조조정할 생각입니다. 5년차 미만의 연구원이면 훨씬 더 뛰어나고 열성적인 석사급 계약직 연구원을 3명 이상 뽑을 수 있고, 프로젝트 참여시켜 연구수당까지 그들의 연봉수준으로 더 챙겨줄 수 있으니 팀 실제 기여도가 높은 인력이 연구와 기관에 더 큰 기여를 한다고 생각합니다.
업무 숙련도 되지 않은 사람들이 워라벨 운운하며 마치 본인만이 시간낭비없이 계획적인 삶을 사는 것처럼....철밥통에 기대 상대의 희생은 생각지도 않는 팀원과 직원은 기관외 발령까지 하겠다고 지난주 공언해두었습니다. 철저히 SCI급 논문의 IF 평점과 연차보고서에 대한 자체 평가, 그리고 계약직 연구원들의 인사 평점도 반영하겠다고 해서 이를 인성 평가할 예정이고 원하면 모두 공개하겠다고도 예고해 두었습니다. 동의하지 않으면 연구 수당 없으며 원칙대로 S급에서 C등급으로 평가해 지급하겠다고도 해두었습니다.