연구에서 통계분석을 진행 할 때 기본적으로 진행하는 몇가지 분석들이 있다. 

그 중 하나는 왜도, 첨도 분석이다. 

1. 왜도(Skewness)란 무엇인가?

- 왜도(歪度)는 데이터 분포의 비대칭성(좌우로 치우친 정도)을 나타내는 지표입니다. 쉽게 말해 "정규분포(종 모양)에 비해 한쪽 꼬리가 얼마나 긴가?"를 보여준다.

* 왜도 = 0: 완벽한 좌우 대칭이다. (정규분포)

* 왜도 > 0 (양의 왜도 / 오른쪽으로 긴 꼬리): 데이터가 왼쪽에 몰려 있고, 오른쪽으로 길게 꼬리가 늘어진 형태이다. 평균이 중앙값보다 큰 경우가 많다. (예: 소득 분포, 대부분의 사람은 평범하지만 극소수의 고소득자가 오른쪽에 위치함)

* 왜도 < 0 (음의 왜도 / 왼쪽으로 긴 꼬리): 데이터가 오른쪽에 몰려 있고, 왼쪽으로 길게 꼬리가 늘어진 형태이다. (예: 난이도가 아주 쉬운 시험의 점수 분포, 대부분 고득점이지만 일부가 낮은 점수를 받음)

2. 첨도(Kurtosis)란 무엇인?

- 첨도(尖度)는 데이터 분포의 뾰족한 정도(중심에 얼마나 몰려 있는가)와 꼬리의 두께를 나타내는 지표이다.

* 첨도 = 0 (또는 기준에 따라 3): 기준이 되는 정규분포의 뾰족함이다.

    (엑셀이나 SPSS 등 통계 프로그램에서는 정규분포를 0으로 맞추는 '초과 첨도'를 주로 사용한다.)

* 첨도 > 0 (정규분포보다 뾰족함): 중앙에 데이터가 아주 빽빽하게 모여 있어 정 정점 부위가 뾰족하고, 양쪽 꼬리가 두꺼운 형태이다. (극단적인 예외 값이 존재할 가능성이 높음)

* 첨도 < 0 (정규분포보다 완만함): 정점 부위가 뭉툭하고 평평한 형태를 띱니다. 데이터가 중심에 모이지 않고 넓게 퍼져 있음을 의미한다.

3. 왜도와 첨도는 왜 연구에서 필요할까?

통계 분석을 활용하는 연구(특히 석·박사 학위논문이나 학술지 투고 논문)에서 왜도와 첨도를 반드시 확인해야 하는 이유

① '정규성 가정' 검정 (가장 중요한 이유)대부분의 계량적 연구에서 사용하는 주요 통계 분석 방법(t-test, ANOVA, 회귀분석 등)은 "수집된 데이터가 정규분포를 따른다"는 정규성 가정(Normality Assumption)을 전제로 한다.

- 데이터가 정규성을 만족해야만 분석 결과의 신뢰성을 보장할 수 있다. 학계에서 통용되는 일반적인 기준에 따르면, 왜도의 절대값이 2 미만, 첨도의 절대값이 4~7 미만(학자나 문헌에 따라 조금씩 기준은 다름)이면 정규성을 크게 벗어나지 않는 것으로 보고 모수 통계 분석을 진행할 수 있다.

② 데이터의 이상치(Outlier) 확인첨도가 지나치게 높다면, 이는 데이터 중심부에만 사람이 몰려 있는 게 아니라 양쪽 끝(꼬리)에 아주 극단적인 값(이상치)들이 존재한다는 강력한 신호이다. 이러한 이상치는 연구 전체의 평균을 왜곡할 수 있으므로, 왜도와 첨도를 통해 데이터 정제(Cleaning)가 필요한지 판단할 수 있다.

처음 연구모형을 구성할 때, 독립변수, 매개변수, 종속변수를 설정하게 된다. 

특히, 종속변수를 정할 때 헤깔릴때가 있다.

본문을 작성하면서 서론, 본론, 결론을 작성할때도 혼용하여 본문을 작성할 때도 있다.

이는 큰 실수를 범하는 것이다. 각각의 의미가 다르다. 

바로, 수용의도, 이용의도, 사용의도이다.

비슷해 보이지만 심리적 단계와 맥락에 따라 미묘하게 다른 이 용어들, 지금 바로 알아볼까요?

1. 세 가지 개념 핵심 정리

① 수용의도 ( Adoption Intention / Acceptance Intention )는 아직 사용하지 않은 것을 처음으로 받아들일 의향을 의미한다.

* 학문적 정의 : 수용의도는 특정한 서비스에 대한 이익과 비용적인 측면을 함께 고려한 기술의 수용결정을 의미하며, 기업과 사용자의 지속적인 관계를 유지하기 위한 핵심 요인이다(Venkatech & Davis, 2000).

"이 새로운 AI 서비스를 내 일상에 들여놓아도 괜찮겠는데? 한 번 받아들여 볼까?" 하는 심리적 장벽이 무너진 단계이다.

보통 완전히 새로운 패러다임의 기술(예: 자율주행차, 초기 챗GPT 등)이 등장했을 때 주로 사용된다.

② 이용의도 ( Use Intention / Intention to Use )는 서비스나 기술을 실제로 이용하려는 의향(사전, 사후 모두 포괄)을 의미한다.

* 학문적 정의 : 고객이 대상에 대한 태도를 형성하고 그에 따른 미래의 행동으로 나타내는 개인의 의지라 할 수 있다(Boulding et al., 1993).

"이 앱을 쓰면 내 업무 효율이 올라가겠네? 내일 정보 검색할 때 이 서비스를 이용해 봐야겠다." 처럼, 목적지향적이고 기능적인 가치에 무게를 둘 때 주로 쓰인다.

(콘텐츠, 플랫폼, 서비스 단위에서 많이 사용)

③ 사용의도 ( Usage Intention / Intention to Use )는 도구나 시스템을 조작, 운용하려는 의향을 의미한다.

* 학문적 정의 : 개인이 특정 정보 시스템을 미래에 사용하려는 주관적인 확률로 정의된다(Urbach & Müller, 2012).

"지금 스마트폰을 켜서 이 버튼을 누르고 기능을 사용해야겠다." 처럼, 조금 더 물리적이고 구체적인 행동에 가까운 개념이다. (하드웨어, 기기, 구체적인 기능 단위에서 많이 사용)

2. 한눈에 보는 핵심 차이점 비교

학술적으로 '이용의도'와 '사용의도'는 영어로 모두 Intention to Use 혹은 Behavioral Intention으로 혼용되는 경우가 많지만, 국문 논문이나 실무 마케팅에서는 맥락에 따라 미묘하게 구별하여 사용한다.

* Tip: 이용의도와 사용의도는 연구자에 따라 엄격하게 구분하지 않고 혼용하기도 하므로, 논문을 쓸 때는 자신이 내린 '조작적 정의'를 명확히 하는 것이 중요하다는 점을 언급해 주면 글의 전문성이 확 살아난다.

* 참고문헌

Boulding, W., Karla, A., Staelin, R., & Zeithaml, V. A. (1993). A dynamic process model of service quality:   

      From expectations to behavioral intentions. Journal of Marketing Research, 30(1).

Urbach, N., & Müller, B. (2012). The Updated DeLone and McLean Model of Information Systems Success. In

      Y. K. Dwivedi, M. R. Wade, & S. L. Schneberger (Eds.), Information Systems Theory: Explaining and

      Predicting Our Digital Society, Vol. 1 (pp. 1–18). Springer. https://doi.org/10.1007/978-1-4419-6108-2_1

Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four

      longitudinal field studies. ManagementScience, 46(2), 186-204.

최근 연구 과정에서 생성형 AI를 활용하는 사례가 늘어나면서, 과거에는 상상하기 어려웠던 문제가 발생하고 있다.
바로 실제로 존재하지 않는 논문이 참고문헌 리스트에 포함되는 현상이다.

1. 존재하지 않는 논문이 인용되는 이유

최근 국제 학술지들은 AI가 생성한 허위 참고문헌 문제에 대해 공식적인 경고를 보내고 있다.
실제 사례로 2023년 Nature 지는 ChatGPT로 논문 초안을 작성했을 때, AI가 매우 자연스럽게 존재하지 않는 참고문헌이나 부정확한 정보를 만들어낼 수 있다는 점을 지적했다.

조선비즈 보도에 따르면, 2026년 한 해에만 의료 분야 논문 약 2,810편에서 가짜 참고문헌이 발견되는 충격적인 사태가 벌어졌다.

더욱 심각한 것은 AI로 작성된 논문들이 서로를 반복적으로 인용하며 허위 정보를 확산시키고, 심지어 AI가 만든 가짜 학술 사이트까지 등장하여 학술 정보 생태계 전체를 오염시키고 있다는 점이다.

AI는 실제 논문처럼 보이는 제목과 DOI(디지털 콘텐츠 고유 식별번호) 형식까지 매우 정교하게 만들어내기 때문에, 연구자들조차 이를 쉽게 발견하지 못하는 경우가 많다.

2. 가짜 참고문헌, 왜 이런 일이 반복될까?

AI가 생성한 가짜 논문은 얼핏 보기에 매우 그럴듯하다.

특히 영문 문장 구조가 자연스럽고, 실제 존재하는 저널과 유사한 이름을 사용하기 때문에 초보 연구자들은 더욱 쉽게 속아 넘어간다.

이러한 현상이 반복되는 주요 원인은 다음과 같다.
첫째, 편의성에 대한 과도한 의존 : 마감이 임박한 상황에서 빠르게 선행연구 리스트를 만들고 싶은 유혹에 AI가 정리해준 리스트를 그대로 가져다 쓰는 경우가 많다.

둘째, 검증 과정의 생략 : 많은 연구자가 제목만 확인하고 실제 논문의 초록을 읽거나 DOI 링크를 클릭하여 실재 여부를 확인하는 과정을 건너뛴다.

셋째, 형식에 대한 맹신 : APA, MLA, Vancouver 등 학술적 형식이 갖춰져 있으면 내용도 사실일 것이라고 착각하는 오류에 빠지기 때문이다.
하지만 참고문헌에서 가장 중요한 것은 '매끄러운 형식'이 아니라 '실제로 존재하는 자료인가' 하는 점임을 잊어서는 안 된다.

3. AI 시대에 살아남는 논문 검증 체크는 연구자의 책임

AI 시대 연구자에게 가장 필요한 능력은 단순히 도구를 빠르게 사용하는 기술이 아니라, AI가 만든 정보를 끝까지 검토하고 검증하는 책임 있는 사고력이다.

논문의 신뢰성을 지키기 위해 다음 체크리스트를 반드시 확인해야 한다.
☑ 논문 초록이라도 직접 읽었는가?
☑ DOI 링크를 실제로 클릭하여 원문을 확인했는가?
☑ AI가 생성한 참고문헌 리스트를 교차 검증 없이 그대로 사용하지 않았는가?
☑ Google Scholar나 학술 DB에서 직접 검색하여 실재 여부를 판단했는가?

결론적으로, 없는 논문 단 한 편이 참고문헌에 들어가는 순간, 해당 논문의 전체 신뢰도는 무너진다.

이는 단순한 실수를 넘어 논문 철회라는 심각한 결과로 이어질 수 있다.

연구의 시작은 문장의 유려함이 아니라 근거의 실재성에 있다는 점을 명심하고, 반드시 원문 논문과 학술 데이터베이스를 통해 인용 정보를 다시 확인하는 습관을 가져야 한다.

* 내용 출처 : AI 시대 연구 생존 전략

* 참고 :

biz.chosun(2026.02.09.). AI끼리 논문 만들고 서로 인용... 가짜 학술 사이트까지 생겼다, https://biz.chosun.com/science-chosun/science/2026/02/09/G4YWEMZTGRTDCZRZMEZWGY3FGE/

biz.chosun(2026.02.10.). AI가 쓴 논문 사이트 등장... “정보 생태계 오염” 우려, https://biz.chosun.com/science-chosun/science/2026/02/10/MNRTCZTGGZRGIMRWMZTDMNBWMQ/

biz.chosun(2026.05.11.). 참고 문헌도 가짜, 의학 분야 논문 2810편 적발. https://biz.chosun.com/science-chosun/science/2026/05/12/LIDJCLYIFJAFZMZCJQUSGDJJPE/

Nature(2023.07.11.). 과학자들이 ChatGPT를 이용해 논문 전체를 처음부터 생성했는데, 과연 그 성능은 괜찮을까요?.https://www.nature.com/articles/d41586-023-02218-z

초보 연구자들은 연구의 주제를 너무 크게 시작한다.

초보연구자들의 연구계획서를 보다 보면 정말 많은 내용을 담고 있다.

최신 기술도 들어간다.

사회 문제도 넣는다.

이론 연구모형도 2~3개를 넣는다.

AI, 플랫폼, 만족도, 행동의도, 성과, 몰입까지 모두 들어간다.

그런데 끝까지 읽고 나면 이상하게 이런 생각이 들 때가 있다.

그래서 이 연구는 정확히 무엇을 알고 싶은 것인가?

왜 이 연구를 해야 하는가?

무엇을 설명하려는 것인가?

초보연구자들은 보통 연구를 크게 시작하려고 한다.

왜냐하면 연구 범위가 넓을수록 더 대단해 보인다고 생각하기 때문이다.

하지만 실제 연구는 반대인 경우가 많다.

연구는 작고 깊이 파고드는 것이다.

서울교대 인공지능인문융합 전공 권정민 교수님의 말씀 중에 정말 인상 깊었던 표현이 있다.

"만리장성의 벽돌 하나를 내 연구라고 생각하라!"

이 말은 연구의 본질을 정말 잘 보여준다.

연구는 거대한 성을 한 번에 만드는 작업이 아니다.

작은 벽돌 하나를 아주 단단하게 쌓아 올리는 과정에 가깝다.

1. 초보연구자들은 왜 연구를 크게 만들려고 할까?

많이 넣을수록 좋은 연구라고 생각하기 때문이다.

초보연구자들의 연구계획서를 보면 이런 경우가 많다.

AI 추천 서비스
사용 만족도
지속 사용 의도
몰입
신뢰
개인화
혁신성
성과
브랜드 태도

이 모든 내용을 하나의 연구 안에 넣는다.

왜 이렇게 될까?

대부분은 연구를 풍성하게 만들고 싶은 마음 때문이다.

변수가 많으면 더 전문적으로 보일 것 같고, 내용이 많으면 더 좋은 연구처럼 느껴진다.

하지만 실제로는 오히려 연구의 핵심이 흐려지는 경우가 많다.

읽는 사람 입장에서는 이런 생각이 들기 시작한다.

그래서 이 연구에서 정말 중요하게 보고 싶은 것은 무엇인가?

무엇이 핵심 변수인가?

왜 이 변수들이 꼭 필요한가?

연구는 내용을 많이 담는 것이 중요한 게 아니다.

무엇에 집중할 것인가를 결정하는 과정에 더 가깝다.

2. 연구는 넓게 펴는 연구가 아니라 깊게 파는 것이 연구다.

작게 들어갈수록 연구의 힘이 생긴다.

초보연구자들은 연구 범위를 줄이는 것을 불안해하는 경우가 많다.

내용이 너무 단순해 보일까 걱정한다.

하지만 실제로 좋은 논문일수록 질문이 명확하다.

예를 들어 아래 두 연구를 비교해보자.

① AI 서비스의 모든 특성이 사용자 행동에 미치는 영향

② AI 추천 정확성이 사용자 신뢰에 미치는 영향

어떤 연구가 더 명확하게 느껴질까?

대부분 두 번째 연구가 훨씬 선명하게 보인다.

왜냐하면 무엇을 알고 싶은지가 분명하기 때문이다.

연구는 이것도 보고 싶고, 저것도 보고 싶은 연구가 아니다.

딱 하나의 질문을 깊게 파고드는 연구에 가깝다.

그래서 연구는 넓게 가는 것이 아니라 깊게 가야 한다.

만리장성도 결국 작은 벽돌 하나하나가 모여 만들어진다.

연구도 마찬가지다.

작은 질문 하나를 제대로 설명하는 연구가 결국 더 강한 연구가 된다.

3. 연구 범위는 어떻게 줄여야 할까?

핵심 질문 하나만 남기는 연습이 필요하다.

초보연구자들이 가장 어려워하는 부분 중 하나는 연구 범위를 줄이는 것이다.

왜냐하면 무엇을 빼야 할지 모르기 때문이다.

이럴 때 가장 좋은 방법은 질문을 하나만 남기는 것이다.

내 연구에서 정말 알고 싶은 것은 무엇인가?

이 질문을 끝까지 반복해보면 생각보다 많은 변수가 정리된다.

예를 들어 처음에는 아래처럼 시작할 수 있다.

AI 서비스 특성이 사용자 만족과 지속 사용 의도, 몰입, 성과에 미치는 영향

그런데 계속 질문해보는 것이다.

정말 핵심은 무엇인가?

결국 사용자가 AI를 왜 신뢰하는지가 궁금한 것은 아닐까?

이렇게 좁혀가다 보면 연구 방향이 훨씬 선명해진다.

연구는 많은 내용을 담는 경쟁이 아니다.

무엇을 남기고 무엇을 버릴지를 결정하는 과정이다.

오히려 불필요한 변수를 줄일수록 연구의 설득력은 더 강해지는 경우가 많다.

연구는 결국 ‘작게 시작해서 깊게 들어가는 과정’이다.

초보연구자들은 종종 거대한 연구를 만들려고 한다.

하지만 실제 연구는 처음부터 완벽한 성을 짓는 작업이 아니다.

작은 질문 하나를 끝까지 깊게 파고드는 과정에 가깝다.

왜 이 연구가 필요한가?

왜 이 변수만 선택했는가?

왜 이 관계를 설명하려는가?

이 질문에 답할 수 있는 연구는 확실히 다르게 보인다.

반대로 이것저것 모두 담으려고 하면 연구는 오히려 흐려지기 쉽다.

만리장성도 처음부터 거대한 성벽으로 만들어진 것이 아니다.

벽돌 하나씩 쌓아 올린 결과다.

연구도 마찬가지다.

연구는 크고 화려한 연구가 아니라, 작은 질문을 깊이 있게 설명할 수 있는 연구 안에 있다.

요즘 연구계획서를 보면 드는 생각

요즘 초보연구자들의 연구계획서를 보다 보면 비슷한 느낌을 받을 때가 많다.

문장은 깔끔하고 표현도 자연스럽다.

연구 흐름도 얼핏 보면 그럴듯하다.

하지만 끝까지 읽고 나면 이상하게 머릿속에 남는 것이 없다.

왜 그럴까?

최근 연구계획서 상당수는 AI를 활용해 작성되고 있기 때문이다.

문제는 AI를 사용했다는 사실 자체가 아니다.

오히려 지금 시대에 AI를 활용하는 것은 너무 자연스러운 일이다.

진짜 문제는 따로 있다.

생각 없이 AI가 정리한 문장을 그대로 가져오는 순간, 연구의 핵심까지 비어버리는 경우가 많다는 점이다.

나는 종종 이렇게 표현한다.

AI는 아주 예쁜 포장지와 비슷하다.

하지만 그 안에 무엇을 담을지는 결국 연구자의 몫이다.

안에 정말 가치 있는 선물이 들어 있을 수도 있다.

반대로 겉은 화려하지만 안은 비어 있는 상자일 수도 있다.

연구도 마찬가지다.

결국 중요한 것은 문장이 아니라 질문이다.

1. 왜 이 연구를 해야 하는가?

요즘 연구계획서를 보면 가장 먼저 드는 생각이 있다.

그래서 왜 이 연구를 해야 하는가?

이 질문이 빠져 있는 경우가 정말 많다.

예를 들어 AI 추천 서비스와 만족도를 연구한다고 해보자.

그런데 왜 지금 이 연구가 필요한지 설명이 없다.

이미 비슷한 연구가 너무 많다면 어떨까.

심사자는 자연스럽게 이런 생각을 하게 된다.

이 연구를 꼭 다시 해야 하는 이유가 있는가?

초보연구자들은 변수 연결 자체에만 집중하는 경우가 많다.

하지만 연구는 단순히 변수끼리 연결한다고 끝나는 것이 아니다.

왜 지금 이 문제가 중요한가를 설명할 수 있어야 한다.

특히 아래 질문은 반드시 고민해봐야 한다.

① 왜 이 연구가 필요한가?
② 지금 시점에서 왜 중요한가?
③ 어떤 현실 문제에서 시작된 연구인가?
④ 기존 연구는 무엇을 설명했는가?
⑤ 이전 연구와 무엇이 다른가?

이 질문에 답하지 못하면 연구는 쉽게 흔들리게 된다.

2. 변수는 많다고 좋은 것이 아니다.

특히 독립변수는 더 조심해야 한다.

초보연구자 연구계획서를 보다 보면 독립변수가 지나치게 많은 경우가 있다.

특히 AI 관련 연구에서 이런 패턴이 자주 보인다.

AI 추천 정확성
AI 편의성
AI 신뢰성
AI 개인화
AI 반응속도

이렇게 변수만 계속 늘어난다.

그런데 정작 읽는 사람 입장에서는 이런 생각이 든다.

그래서 이 변수들이 왜 필요한가?

단순히 선행연구에서 많이 사용했다고 넣는 경우도 많다.

하지만 변수는 개수가 중요한 것이 아니다.

왜 그 변수를 선택했는지가 더 중요하다.

특히 종속변수는 더 신중해야 한다.

왜냐하면 종속변수는 결국 이 연구가 무엇을 설명하고 싶은지를 보여주기 때문이다.

예를 들어 만족도라는 종속변수를 사용했다면 이런 고민이 필요하다.

이 연구 결과가 단순 만족도 설명에서 끝나는가?

아니면 실제 행동 변화나 지속 사용 같은 더 의미 있는 결과를 설명할 수 있는가?

즉, 종속변수는 연구의 방향과 가치를 결정하는 핵심이라고 볼 수 있다.

3. 모델과 가설은 ‘멋있어 보이는 것’이 아니라 ‘맞는 것’이어야 한다.

요즘은 AI를 활용하면 연구모형도 정말 그럴듯하게 만들어진다.

AMOS 구조도도 예쁘고 SmartPLS 모형도 화려하다.

하지만 중요한 것은 디자인이 아니다.

이 모델이 정말 연구에 적합한가이다.

예를 들어 어떤 연구자는 거의 모든 논문에 TAM이나 UTAUT를 가져온다.

왜냐하면 많이 쓰이기 때문이다.

하지만 많이 사용된다고 해서 내 연구에도 무조건 맞는 것은 아니다.

중요한 것은 연구 문제와 모델이 연결되는가이다.

즉 연구는 “유명한 모델 가져오기 게임”이 아니다.

내 연구 문제를 가장 잘 설명할 수 있는 틀을 선택하는 과정이다.

그래서 연구계획서를 작성할 때는 반드시 이런 질문을 해봐야 한다.

① 이 모델이 왜 내 연구에 적합한가?
② 다른 모델보다 어떤 장점이 있는가?
③ 변수 관계를 정말 잘 설명하는가?
④ 이 연구가 어떤 시사점을 줄 수 있는가?

이 질문이 빠지면 연구는 점점 형식적인 문서가 되어간다.

결국 연구는 ‘생각의 깊이’에서 차이가 난다.

AI는 앞으로 더 발전할 것이고 연구계획서 문장도 더 자연스러워질 것이다.

하지만 여전히 AI가 대신하지 못하는 것이 있다.

바로 질문이다.

왜 이 연구를 해야 하는가?

왜 이 변수를 선택했는가?

왜 이 모델이 필요한가.?

이 질문을 끝까지 고민한 연구계획서는 확실히 다르게 보인다.

반대로 AI가 정리한 문장을 그대로 붙여 넣은 연구계획서는 읽다 보면 어느 순간 비슷하게 느껴진다.

결국 연구는 문장을 잘 쓰는 경쟁이 아니다.

무엇을 고민했는지가 드러나는 과정이다.

AI는 아주 훌륭한 도구가 될 수 있다.

하지만 연구의 방향까지 대신 결정해주지는 않는다.

결국 연구의 핵심은 여전히 연구자의 생각 안에 있다.

AI 시대, 연구 생존 전략

논문을 쓰다 보면 이런 순간이 자주 찾아온다.

“분명히 어디선가 읽었는데 어디였지?”
“좋은 아이디어가 있었는데 기억이 안 난다”
“자료는 많은데 글로 연결이 안 된다”

AI 시대에는 자료를 찾는 속도가 매우 빨라졌다.

ChatGPT, Perplexity, Elicit, Consensus 같은 도구를 활용하면 논문, 개념, 사례를 예전보다 훨씬 쉽게 찾을 수 있다.

그런데 문제는 여기서 시작된다.

자료는 많아졌는데, 내 생각은 오히려 흐려질 수 있다는 점이다.

이때 필요한 연구법이 바로 제텔카스텐 Zettelkasten이다.

제텔카스텐은 쉽게 말해 생각을 작은 메모로 쪼개고, 서로 연결하여 나만의 지식 창고를 만드는 방법이다.

1. 제텔카스텐은 ‘생각 조각’을 모으는 연구법이다.

제텔카스텐은 20세기 독일의 사회학자 니클라스 루만에 의해 널리 알려졌다.

루만은 평생 엄청난 양의 연구를 남긴 학자로 유명하다.

그는 58권(번역서 제외)의 책과 350편의 논문을 발표했고, 지금도 사회학 분야에서 매우 영향력 있는 연구자로 평가받는다.

독일어로 Zettel은 ‘종이 쪽지’, Kasten은 ‘상자’를 의미한다.

즉, 제텔카스텐은 말 그대로 메모 상자이다.

하지만 단순히 메모를 많이 모으는 방식은 아니다.
중요한 것은 하나의 메모에 하나의 생각만 담는 것이다.

예를 들어 논문을 읽다가 다음과 같은 내용을 발견했다고 해보자!

“AI 도구는 연구자의 문헌 탐색 시간을 줄여준다.”

이 내용을 그대로 복사해두는 것이 아니라, 내 말로 바꿔서 짧게 적는다.

“AI는 자료 검색 시간을 줄여주지만, 연구자가 비판적으로 해석하지 않으면 잘못된 정보도 빠르게 확산될 수 있다”

이렇게 적으면 단순한 복사가 아니라 내 생각이 들어간 연구 메모가 된다.

제텔카스텐의 핵심은 이것이다.

자료를 저장하는 것이 아니라, 생각을 저장하는 것이다.

AI 시대에는 자료 수집보다 더 중요한 능력이 바로 ‘생각을 정리하는 능력’이다.

2. 제텔카스텐은 메모를 서로 연결해 아이디어를 키운다.

일반적인 메모는 시간이 지나면 잊는다.

폴더 안에 저장해둔 자료도 다시 열어보지 않으면 존재하지 않는 것과 비슷하다.

하지만 제텔카스텐은 다르다.

각각의 메모를 서로 연결한다.

예를 들어 다음과 같은 메모들이 있다고 해보자!

첫째, AI는 문헌 탐색 시간을 줄인다.
둘째, AI가 만든 답변은 오류를 포함할 수 있다.
셋째, 초보 연구자는 AI 답변을 그대로 믿는 경향이 있다.
넷째, 연구윤리는 AI 활용 과정에서 더 중요해진다.

이 메모들을 연결하면 하나의 연구 주제가 보이기 시작한다

“AI 시대 초보 연구자의 정보 신뢰성과 연구윤리 인식에 관한 연구”

처음에는 단순한 메모였지만, 서로 연결되면서 연구 주제, 연구문제, 가설, 논문 목차로 발전할 수 있다.

제텔카스텐은 마치 생각의 레고 블록과 같다.
작은 블록 하나만 보면 평범하지만, 여러 개를 연결하면 멋진 구조물이 된다.

논문도 마찬가지이다.
논문은 갑자기 완성되는 것이 아니라, 작은 생각들이 잘 연결될 때 만들어진다.

3. AI 시대의 제텔카스텐은 '나만의 연구 두뇌'를 만드는 방법이다.

AI는 빠르게 답을 주지만, AI가 대신해줄 수 없는 것이 있다.

바로 나의 문제의식이다.

왜 이 주제를 연구하려는지?
어떤 관점에서 바라보는지?
기존 연구와 무엇이 다른지?
내 연구가 어떤 의미를 가지는지?

이런 질문은 연구자 스스로 정리해야 한다.

제텔카스텐은 이 과정을 도와준다.
AI가 찾아준 자료를 그대로 저장하는 것이 아니라, 다음과 같이 바꾸는 것이다.

“이 내용은 내 연구와 어떤 관련이 있을까?”
“이 개념은 어떤 변수와 연결될 수 있을까?”
“이 논문은 내 연구의 차별점을 설명하는 데 도움이 될까?”
“이 메모는 나중에 서론, 이론적 배경, 시사점 중 어디에 활용할 수 있을까?”

이렇게 정리하면 AI는 단순한 답변 도구가 아니라, 연구자의 사고를 확장하는 도구가 된다.

AI가 자료를 빠르게 찾아준다면, 제텔카스텐은 그 자료를 내 연구의 언어로 바꾸는 방법이다.

그래서 AI 시대의 제텔카스텐은 단순한 메모법이 아니다.

나만의 연구 두뇌를 만드는 방법이다.

* 내용 참조 : 글 쓰는 인간을 위한 두 번째 뇌 제텔카스텐(2021). 지은이 숀케 아렌스, 옮긴이 김수진. 인간희극.

이해할 수 있는 쉬운 통계 이야기

논문을 처음 배우면 많이 헷갈리는 단어가 있다.

바로 가설검정, 귀무가설, 대립가설이다.

1. 가설검정이란 무엇인가?

가설 검정이란? 어떤 주장(가설)이 맞는지 틀린지를 데이터로 확인하는 방법이다.

쉽게 말해, 우리가 궁금한 것을 수치로 증명하는 과정이다.

통계학에서는 모집단의 특성값(모수, parameter)에 대해 어떤 주장을 세우고, 표본 데이터를 분석해 그 주장이 맞는지 판단힌다다.

예를들어 "우리 반 학생들의 평균 수면 시간이 7시간이다"

이 주장이 실제 맞는지 확인하기 위해 데이터를 수집하고 검정하는 것이 바로 가설 검정이다.

2. 귀무가설(H₀)이란 무엇인가요?

귀무가설은 "아무런 효과나 차이가 없다"는 기본 가정이다.

영어로는 Null Hypothesis(H₀)라고 하며, '변화 없음', '차이 없음(No difference)', '효과 없음(No effect)'을 전제로 한다.

한자가 조금 어려운데, '귀무(歸無)'는 '없던 일로 돌아간다(Zero)'라는 뜻을 가지고 있다.

검정은 이 귀무가설을 기준점으로 삼아 시작한다.

즉, 우리는 먼저 "아무것도 다르지 않다"고 가정하고, 데이터가 그것을 반박하는지 살펴본다.

예를들어 새 공부법을 적용했을 때 "점수에 아무 변화가 없다(No difference)"는 것이 귀무가설이다.

반박할 증거가 충분하지 않으면 이 가설을 기각하지 않는다.

쉽게 말해, 기존에 우리가 당연하다고 믿고 있던 사실, 혹은 "아무런 차이가 없다", "아무런 효과가 없다"라고 제안하는 가장 기본적이고 보수적인 주장이다.

3. 대립가설(H₁)이란 무엇인가요?

대립가설은 귀무가설과 반대되는 주장이다.

영어로는 Alternative Hypothesis(H₁)라고 하며, "실제로 차이가 있거나 효과가 있다"는 것을 증명하려는 가설이다.

대립가설은 보통 연구자나 탐정이 새로 증명해내고 싶어 하는 새로운 주장, 즉 "과거와는 분명한 차이가 있다", "특별한 효과가 있다"라는 내용이 된다.

연구자가 실제로 확인하고 싶은 내용이 바로 대립가설이다.

데이터가 귀무가설을 충분히 반박할 때, 우리는 대립가설을 지지하게 된다.

* 가설 검정은 대립가설을 직접 증명하는 게 아니라, 귀무가설이 틀렸다는 증거를 데이터에서 찾는 과정이다.

  증거가 충분하면 귀무가설을 기각하고, 대립가설을 채택한다.

정(+)의 영향, 부(-)의 영향, 기각 결과를 어떻게 써야 할까?

논문에서 경로분석을 처음 해보면 헷갈리는 부분 중 하나가 바로 결과 해석이다.

SPSS, SmartPLS, R 등의 분석 도구를 통해서 회귀분석을 하면 결과표에 숫자와 유의확률이 나온다.

그런데 문제는 그 다음이다.

이 결과를 논문 문장으로 어떻게 써야 하는지 막막해진다.

특히 초보연구자들은 아래와 같은 고민을 많이 한다.

정(+)의 영향은 뭐라고 써야 하지?
부(-)의 영향은 나쁜 결과인가?
기각이면 연구가 실패한 건가?

하지만 너무 어렵게 생각할 필요는 없다.

경로분석은 결국 “A가 B에 어떤 방향으로 영향을 주는가”를 보는 과정이다.

쉽게 말하면 아래와 같다.

A가 커질수록 B도 커지는가?
A가 커질수록 B는 줄어드는가?
아니면 영향이 없는가?

이 세 가지를 확인하는 것이 핵심이다.

1. 정(+)의 영향을 미치는 결과

A가 증가하면 B도 함께 증가하는 경우

정(+)의 영향은 가장 많이 나오는 결과다.

쉽게 말하면 하나가 높아질수록 다른 것도 같이 높아진다는 의미다.

예를 들어 설명해보자.

AI 활용 능력이 높아질수록 연구 만족도가 높아졌다.

이 경우 AI 활용 능력과 연구 만족도는 정(+)의 관계라고 볼 수 있다.

쉽게 말하면 AI를 잘 활용하는 사람일수록 연구 만족도도 높다는 뜻이다.

이해하는 쉬운 예시

공부 시간이 늘어날수록 시험 점수가 올라간다.

운동을 많이 할수록 체력이 좋아진다.

친절한 서비스가 많을수록 고객 만족도가 높아진다.

이런 구조가 모두 정(+)의 영향이다.

논문에서 실제로 쓰는 문장

① AI 활용 능력은 연구 만족도에 정(+)의 영향을 미치는 것으로 나타났다.

② AI 활용 수준이 높아질수록 연구 만족도도 함께 증가하는 것으로 확인되었다.

③ 분석 결과, AI 활용 능력은 연구 만족도를 향상시키는 요인으로 나타났다.

2. 부(-)의 영향을 미치는 결과

A가 증가하면 B는 감소하는 경우

부(-)의 영향이라고 해서 무조건 나쁜 결과는 아니다.

많은 초보연구자들이 부(-)라는 단어 때문에 실패했다고 오해한다.

하지만 부(-)는 단순히 방향이 반대라는 의미다.

예를 들어보자.

연구 스트레스가 높아질수록 연구 만족도는 낮아졌다.

이 경우 스트레스는 만족도를 감소시키는 방향으로 영향을 준 것이다.

이해하는 쉬운 예시

스마트폰 사용 시간이 많아질수록 집중력은 떨어진다.

피로가 많아질수록 운동 능력은 감소한다.

대기 시간이 길어질수록 고객 만족도는 낮아진다.

이런 구조가 부(-)의 영향이다.

논문에서 실제로 쓰는 문장

① 연구 스트레스는 연구 만족도에 부(-)의 영향을 미치는 것으로 나타났다.

② 스트레스 수준이 높아질수록 연구 만족도는 감소하는 것으로 확인되었다.

③ 분석 결과, 연구 스트레스는 만족도를 저해하는 요인으로 나타났다.

3. 기각의 결과

영향이 없는 경우

초보연구자들이 가장 당황하는 결과가 바로 기각이다.

하지만 기각이 나왔다고 해서 연구가 실패한 것은 아니다.

기각은 단순히 “예상했던 영향이 통계적으로 확인되지 않았다”는 의미다.

즉, 영향이 아예 없다고 단정하는 것이 아니라, 이번 연구에서는 유의한 결과가 확인되지 않았다는 뜻이다.

이해하는 쉬운 예시

예상하기로는 게임 시간이 많으면 성적이 떨어질 줄 알았다.

그런데 실제 분석해보니 큰 차이가 없었다.

이 경우 가설은 기각된다.

논문에서 실제로 쓰는 문장

① AI 활용 능력은 연구 몰입에 유의한 영향을 미치지 않는 것으로 나타났다.

② 분석 결과, 연구 스트레스와 연구 성과 간의 관계는 통계적으로 유의하지 않았다.

③ 해당 가설은 유의한 결과가 나타나지 않아 기각되었다.

기각이라고 해서 실패한 연구는 아니다.

오히려 기각 결과는 새로운 의미를 만들기도 한다.

왜 예상과 다른 결과가 나왔는지 해석하는 과정에서 연구의 가치가 생기기도 한다.

실제로 논문에서는 모든 가설이 채택되는 것보다 일부 기각이 있는 경우가 더 자연스럽게 보이기도 한다.

억지로 모든 결과를 맞추려고 하는 것이 오히려 더 위험할 수 있다.

단, 기각의 결과로 새로운 의미를 만들기는 하지만,

전체 채택과 기각의 비율을 구분하여 채택 70%, 기각 30% 정도 나온다면 아주 좋은 결과라 할 수 있다. 

초보연구자들이 놓칠 수 있는 "인구통계학적 특성 문항" 또는 "일반적 특성 문항"  설문지 설정!!!

많은 연구자들이 인구통계학적 특성 문항을 아주 단순하게 생각한다.

성별, 연령, 학력, 직업 넣으면 끝이라고 생각하는 경우가 많다.

그런데 실제 논문 심사에서는 오히려 이 부분에서 기본적인 실수가 많이 드러난다.

하지만 인구통계학적 특성 문항은 단순히 표를 채우는 작업이 아니다.

내 연구 대상이 어떤 사람들인지, 연구 목적과 맞는 표본인지 설명하는 매우 중요한 과정이다.

오늘은 초보연구자가 가장 많이 헷갈리는 인구통계의 핵심 포인트를 실제 논문 기준으로 쉽게 정리해보겠다.

1. 연구에 맞는 인구통계학적 특성 설문 문항을 넣어야 한다.

남들이 넣었다고 다 넣을 필요는 없다.

초보연구자들이 가장 많이 하는 실수 중 하나는 인구통계학적 특성 문항을 무조건 많이 넣는 것이다.

예를 들어 대부분의 논문에 학력이 들어가 있으니까, 내 연구에도 당연히 학력을 넣어야 한다고 생각한다.

하지만 정말 중요한 것은 "왜 그 항목이 필요한가?"이다.

예를 들어 중학생을 대상으로 하는 연구인데 학력을 넣는다면 어떨까?

대부분 비슷한 수준일 가능성이 높다.

이 경우 학력은 연구를 설명하는 데 큰 의미가 없을 수 있다.

반대로 AI 활용 능력이나 스마트기기 사용 경험 같은 요소가 훨씬 더 중요할 수도 있다.

즉 인구통계학적 특성 문항은 남들이 넣는 항목을 따라가는 것이 아니라, 내 연구를 가장 잘 설명할 수 있는 항목을 선택하는 과정이다.

실제로 심사에서는 왜 이 변수를 넣었는가가 더 중요하게 보이는 경우도 많다.

그래서 인구통계학적 특성 문항을 하기 전에는 반드시 스스로 질문해봐야 한다.

이 항목이 정말 내 연구와 관련이 있는가?

그냥 다른 논문에 있어서 넣으려는 것은 아닌가?

이 질문 하나만 해도 불필요한 변수는 상당히 줄어든다.

2. 인구통계학적 특성 비율은 너무 ‘예쁘게’ 만들지 않는 것이 좋다.

딱 떨어지는 비율은 오히려 의심받을 수 있다.

초보연구자 원고를 보다 보면 가끔 너무 완벽한 비율이 나오는 경우가 있다.

예를 들어 남자 50%, 여자 50%.

혹은 20대 25%, 30대 25%, 40대 25%, 50대 25%처럼 지나치게 균형 잡힌 데이터다.

물론 실제로 그럴 수도 있다.

하지만 현실에서는 그렇게 딱 맞아떨어지는 경우가 생각보다 많지 않다.

오히려 너무 깔끔한 비율은 데이터 수집 과정에 대한 의심을 만들기도 한다.

특히 표본 수가 적은데도 모든 비율이 지나치게 정교하게 맞아 있으면, 심사자 입장에서는 조정한 것은 아닐까라는 생각이 들 수 있다.

실제 연구 데이터는 어느 정도 자연스러운 편차가 있는 것이 일반적이다.

예를 들어 남성 47%, 여성 53%처럼 약간의 차이가 있는 경우가 훨씬 현실적이다.

그래서 인구통계학적 특성 문항에서는 억지로 비율을 맞추려고 하기보다, 실제 수집된 데이터를 자연스럽게 보여주는 것이 중요하다.

괜히 보기 좋게 만들려다가 오히려 신뢰도가 떨어질 수 있다.

3. 인구통계학적 특성 문항은 몇 개가 적당할까?

너무 적어도 문제고, 너무 많아도 문제다.

또 하나 많이 고민하는 부분이 바로 인구통계학적 특성 문항을 몇 개 넣어야 하는가이다.

정답은 연구마다 다르지만, 일반적으로는 연구를 설명하는 데 필요한 핵심 변수만 넣는 것이 가장 좋다.

예를 들어 단순 소비자 만족 연구인데 빈도분석 항목이 15개 이상 들어가면 어떨까?

독자 입장에서는 오히려 핵심이 잘 보이지 않는다.

반대로 성별과 연령만 넣고 끝내면 연구 대상에 대한 설명이 너무 부족할 수 있다.

그래서 중요한 것은 개수가 아니라 필요성이다.

보통은 아래 정도를 많이 사용한다.

① 성별
② 연령
③ 직업 또는 직무
④ 이용 경험
⑤ 사용 기간
⑥ AI 활용 경험 또는 관련 특성

이 중에서도 연구 목적과 관련 있는 항목만 선택하는 것이 중요하다.

예를 들어 AI 활용 연구라면 단순 학력보다 AI 사용 경험이 더 중요한 정보일 수 있다.

즉 인구통계학적 특성 문항은 많이 넣는 것이 좋은 것도 아니고, 적게 넣는 것이 좋은 것도 아니다.

내 연구를 가장 자연스럽게 설명할 수 있는 수준이 가장 적절하다.

어서와! 학술지는 처음이지

처음 논문을 쓰기 시작하면 많이 보고 듣는 단어가 양적 연구와 질적 연구다.

하지만 처음 들으면 이름부터 어렵게 느껴진다.

사실 아주 쉽게 생각하면 된다.

양적 연구는 숫자로 결과를 설명하는 연구이고, 질적 연구는 사람의 생각과 경험을 깊게 이해하는 연구다.

1. 양적 연구는 숫자로 결과를 분석하는 연구다.

양적 연구는 의견이나 행동을 숫자로 정리해서 분석하는 방법이다.

예를 들어 학생 100명에게 AI를 얼마나 사용하는지 설문조사를 했다고 생각해보자.

그리고 AI를 많이 사용하는 학생들이 시험 점수도 높은지 통계로 분석할 수 있다.

이렇게 숫자와 그래프를 사용해서 결과를 설명하는 방식이 양적 연구다.

그래서 양적연구에서는 설문조사와 통계분석을 많이 사용한다.

장점은 많은 사람 데이터를 한 번에 비교할 수 있다는 점이다.

하지만 왜 그런 생각을 했는지, 어떤 감정을 느꼈는지까지는 숫자만으로 자세히 알기 어려운 경우도 있다.

2. 질적 연구는 사람 생각과 경험을 이해하는 연구다.

질적 연구는 숫자보다 사람 이야기를 더 중요하게 생각하는 연구다.

예를 들어 학생들이 AI를 사용하면서 어떤 고민을 하는지 알고 싶다고 생각해보자.

이때는 설문조사보다 직접 인터뷰를 하는 것이 더 도움이 될 수 있다.

학생 한 명 한 명 이야기를 들으면서 어떤 경험을 했는지 깊게 이해하는 것이다.

이런 방식이 질적 연구다.

질적 연구는 사람 감정과 생각을 자세히 이해할 수 있다는 장점이 있다.

하지만 사람 수가 적을 수 있기 때문에 모든 사람에게 똑같이 적용하기는 어려운 경우도 있다.

3. 중요한 것은 어떤 연구가 더 좋은지가 아니다!

많은 학생들이 궁금해한다.

양적 연구가 더 좋은가요?
질적 연구가 더 좋은가요?

하지만 실제로는 어떤 방법이 더 뛰어난지가 중요한 것이 아니다.

더 중요한 것은 내가 알고 싶은 문제에 어떤 방법이 더 잘 맞는지다.

예를 들어 많은 학생들의 평균 의견을 알고 싶다면 양적 연구가 더 잘 맞을 수 있다.

반대로 학생들이 왜 그런 생각을 하는지 깊게 이해하고 싶다면 질적 연구가 더 잘 맞을 수 있다.

또 최근에는 두 방법을 함께 사용하는 경우도 많다.

예를 들어 먼저 설문조사를 하고, 이후 인터뷰를 추가로 진행하는 방식이다.

결국 좋은 연구자는 어려운 통계만 잘하는 사람이 아니다.

내 연구 질문에 가장 잘 맞는 방법을 선택할 수 있는 사람이다.

논문은 단순히 숫자를 계산하는 작업이 아니라, 문제를 가장 잘 설명할 수 있는 방법을 찾는 과정에 더 가깝다.

* 내용 출처 : 어서와 학술지는 처음이지_데이터를 활용한 학술논문(2025). 이채현, 허성일, 서재이, 피채희, 최정일. 도서출판 청람.