"키가 크면 발도 크다", "공부 시간이 길수록 성적이 높다"

우리는 일상에서 두 가지 현상이 함께 움직이는 것을 자주 목격한다.

이처럼 두 변수 사이의 관계를 수치로 측정하고 분석하는 것이 바로 상관관계 분석이다.

1. 상관관계 분석이란 무엇인가?

상관관계(Correlation)란 두 변수가 서로 어떤 방향으로, 얼마나 강하게 연관되어 움직이는지를 나타내는 통계적 개념이다.

예를 들어,

- 운동량이 늘어날수록 체지방률이 낮아진다면 → 부적(음) 상관관계

- 학습 시간이 늘어날수록 시험 점수도 높아진다면 → 정적(양) 상관관계

- 신발 사이즈와 지능지수 사이에 아무 관련이 없다면 → 무상관

이 관계를 수치 하나로 표현한 것이 상관계수(Correlation Coefficient)이다.

가장 널리 쓰이는 것은 피어슨 상관계수(Pearson's r)로, -1에서 +1 사이의 값을 가진다.

* 중요한 주의사항 : 상관관계는 인과관계(causation)가 아니다.

두 변수가 함께 움직인다고 해서 하나가 다른 하나를 '일으킨다'고 말할 수는 없다.

아이스크림 판매량과 익사 사고 건수는 여름에 함께 증가하지만, 아이스크림이 익사를 유발하는 것은 아니다.

두 변수 모두 '더위'라는 제3의 변수에 의해 영향을 받을 뿐이다.

2. 상관관계 분석의 기준은 어떻게 될까요?

강도 해석(Cohen, 1988 기준)

예시로 r = -0.72라면 "강한 부적 상관관계가 있다"고 해석한다.

* 통계적 유의성(p-value) : 상관계수의 강도만큼이나 중요한 것이 통계적 유의성이다.

아무리 r값이 높아 보여도, p-value가 0.05보다 크다면 그 결과는 우연에 의한 것일 수 있다.

- p < 0.05 → 통계적으로 유의미함 (95% 신뢰 수준)

- p < 0.01 → 더욱 강력한 통계적 유의성

- p ≥ 0.05 → 유의미하지 않음, 해석에 주의 필요

* 어떤 상관계수를 쓸까?

데이터의 성격에 따라 적합한 상관계수가 다르다.

- 피어슨(Pearson's r): 두 변수 모두 연속형이고 정규분포를 따를 때

- 스피어만(Spearman's ρ): 서열 척도이거나 정규분포를 벗어날 때

- 켄달(Kendall's τ): 소표본이거나 동점이 많을 때

---

3. 상관관계 분석이 필요한 이유

* 가설 검증의 출발점 : 연구는 대부분 "A와 B는 관련이 있을 것이다"는 가설에서 시작한다.

상관관계 분석은 이 가설을 검증하는 가장 기초적이고 직관적인 방법이다.

회귀분석, 구조방정식 같은 복잡한 통계 모형을 적용하기 전에 변수들 간의 기초 관계를 먼저 파악하는 것이 연구의 올바른  순서이다.

* 변수 선택과 모형 설계 : 연구에서 분석할 변수를 선택할 때, 상관관계 분석은 중요한 판단 기준을 제공한다.

- 독립변수와 종속변수 사이에 충분한 상관이 없다면, 그 변수는 설명력이 없을 가능성이 높다.

- 독립변수들 사이의 상관이 너무 높다면(r > 0.8), 다중공선성 문제가 발생할 수 있어서 회귀분석 등의 결과를 왜곡시킬 수 있다.

* 실무와 정책에서의 활용 : 상관관계 분석은 학술 연구만의 도구가 아니다.

- 마케팅 : 광고 노출 횟수와 구매 전환율의 관계

- 의료 : 특정 생활습관과 질병 발생률의 관계

- 교육 : 수업 참여도와 학업 성취도의 관계

- 경제 : 금리 변동과 소비 지출의 관계

이처럼 두 현상 사이의 패턴을 파악함으로써, 개입하고 예측하고 정책을 설계하는 데 중요한 근거를 마련할 수 있다.

---

# 상관관계 분석은 복잡한 현실 세계의 관계를 하나의 숫자로 요약하는 강력한 도구이다.

그러나 그 숫자를 올바르게 읽기 위해서는 방향, 강도, 유의성, 그리고 인과관계와의 구분을 항상 염두에 두어야 한다.

* 참고: Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

최근 AI 기술이 비약적으로 발전하면서 연구의 효율성이 높아졌지만,

동시에 '가짜 데이터'와 '허위 논문'이라는 심각한 부작용이 학계의 신뢰를 흔들고 있다.

1. 학술 생태계를 오염시키는 '논문 공장'과 AI의 결합 

최근 학계에서는 조직적인 논문 공장(Paper Mill)이 AI와 결합하여 허위 논문을 대량 생산하는 문제가 심각해지고 있다.

• 중국발 학술 스캠 사례: 일부 보고에 따르면 의학 분야 논문 5편 중 1편이 가짜일 가능성이 제기될 만큼 그 확산세가 위협적이다.
  
• 교묘해진 조작 기술: 과거의 단순 표절을 넘어, 이제는 AI를 활용해 존재하지 않는 실험 데이터, 조작된 이미지, 자연스러운 문장을 생성해 낸다.
  
  
• 신뢰성의 붕괴: 이러한 가짜 논문들이 실제 학술지에 게재되고 다른 연구에 인용되면서, 학술 정보 생태계 전체가 오염될 위험에 처해 있다.

2. '편리함'이라는 함정, AI가 만들어낸 그럴듯한 숫자들

가짜 데이터 문제는 의도적인 조작뿐만 아니라, 연구자가 AI에게 도움을 요청하는 사소한 과정에서도 시작될 수 있다.

• 질문의 확장과 가짜 데이터의 탄생: 처음에는 단순히 표를 정리하거나 문장을 다듬는 용도로 AI를 사용하지만, 점차 데이터 수치까지 AI에게 묻게 되면서 문제가 발생한다.
  
  
• 그럴듯한 수치의 유혹: AI는 평균값, 표준편차, p-value 등 실제 논문에서 사용되는 통계 수치들을 매우 자연스럽게 생성해 낸다. 하지만 이 숫자들은 실제 실험이나 조사의 결과가 아닌 '생성된 결과'에 불과하다.
  
  
• 서사가 되어버린 연구: 숫자가 얼마나 그럴듯한지는 중요하지 않다. 실제 연구 과정에서 도출된 데이터가 아니라면,
  그 연구는 '사실'이 아닌 한 편의 '서사(이야기)'로 전락하게 된다.
  

3. 검증 가능한 원본 데이터의 중요성

AI 시대의 연구자에게는 데이터를 그대로 받아들이지 않고, 원본 자료와 실험 과정을 반복적으로 검증하는 능력이 무엇보다 중요해졌다.

연구자는 논문을 완성하기 전, 반드시 스스로 다음의 체크리스트를 확인해야 한다.

• 데이터 원본 파일이 실제로 존재하는가?
• 통계 분석을 외부 도구에만 의존하지 않고 직접 수행했는가?
• 표에 제시된 수치와 본문의 내용이 정확히 일치하는가?
• AI가 임의로 만든 숫자를 사용하지 않았는가?

AI는 데이터의 정리와 설명을 도와주는 도구일 뿐, 데이터를 대신 만들어주는 주체가 되어서는 안 된다.

연구의 진정한 가치는 보기 좋은 표가 아니라, 검증 가능한 원본 데이터에서 시작된다는 점을 명심해야 한다.

* 참고 : 한국경제(2023.05.12.). "논문 5개 중 1개는 가짜" ...의학계 중국발 ‘학술 스캠’ 터졌다. https://www.hankyung.com/article/202305120617i

연구에서 통계분석을 진행 할 때 기본적으로 진행하는 몇가지 분석들이 있다. 

그 중 하나는 신뢰도 분석이다. 

1. 신뢰도란 무엇인가?

신뢰도(Reliability)는 측정 도구(설문 문항 등)가 동일한 개념을 얼마나 일관되게 측정하는지를 나타내는 지표이다.

> 사회과학 연구에서는 주로 "Cronbach's α(알파) 계수"로 신뢰도를 표현한다.

---

2. 신뢰도 분석은 왜 필요할까?

3. 신뢰도(Cronbach's α) 의 기준은 어떻게 될까?

* 핵심 기준 요약

사회과학 연구의 최소 기준: α ≥ 0.70

일반적으로 권장되는 기준: α ≥ 0.80

탐색적 연구에서의 허용 기준: α ≥ 0.60

* 참고 : George & Mallery(2003), Nunnally(1978) 등의 기준이 학계에서 가장 많이 인용된다. 연구 분야나 학술지에 따라 기준이 다소 다를 수 있으므로, 해당 분야의 관행을 확인하는 것이 중요하다.

학술지 논문이란? 학술지 논문(Journal Article)은 자신의 연구 결과를 공식적으로 학술 커뮤니티에 발표하는 방법이다.

단순한 보고서와 달리, 전문가들의 심사 과정을 거쳐 검토를 받기 때문에 공신력이 높다.

---

# 논문의 기본 구성

# 투고 절차 한눈에 보기

① 연구 완료

↓

② 투고할 학술지 선정

↓

③ 투고 규정 확인 (분량, 형식, 인용 스타일 등)

↓

④ 논문 작성 & 교정

↓

⑤ 온라인 투고 시스템에 제출

↓

⑥ 편집위원 1차 검토 (책상 심사, desk review)

↓

⑦ 심사자 2~3명 동료 심사 (peer review) — 보통 1~3개월 소요

↓

⑧ 심사 결과 통보

└→ 수정 후 게재 / 조건부 게재 / 게재 불가

↓

⑨ 최종 수정 & 교정지 확인

↓

⑩ 게재 확정 🎉

# 처음 투고할 때 자주 하는 실수

- 투고 규정을 무시하는 경우 → 형식이 맞지 않으면 내용에 상관없이 반려돼요

- 참고문헌 형식 오류 → APA, AMA, Vancouver 등 각 학술지마다 요구 형식이 달라요

- 자기표절 주의 → 본인의 이전 논문을 그대로 사용하는 것도 문제가 됩니다

- 표·그림 해상도 → 최소 300 DPI 이상 권장

- 중복 투고 금지 → 동시에 여러 학술지에 투고하는 것은 연구윤리 위반이에요!

---

# 내 연구는 어떤 학회에 게재하면 좋을까?

- 학술지를 고르는 기준 : 무작정 유명한 학술지에 투고하기보다, 내 연구에 맞는 학술지를 찾는 게 중요하다.

✅ 체크리스트

① 연구 분야가 맞는가?

- 해당 학술지의 최근 게재 논문 목록을 확인한다.

- 내 논문의 주제, 연구방법이 그 저널의 경향과 맞아야 한다.

② 학술지 등급은?

- 한국연구재단 등재지, 등재후보지, 우수등재지 여부 확인

- 소속 기관이나 지도교수님이 요구하는 등급이 있는지도 체크!

③ 심사 기간은 얼마나 걸리나?

- 졸업이나 취업 등 마감이 있다면 심사 기간이 짧은 학술지를 선택하는 것도 전략이다.

④ 게재비(APC)는?

- 일부 학술지는 게재 시 논문 게재료를 받는다. 미리 확인해야 한다.

⑤ 심사 방식은?

- 이중 블라인드 심사(Double-blind): 저자와 심사자 모두 익명 → 더 객관적

- 단순 블라인드: 저자만 익명

---

* 분야별 학술지 선정 전략

> 💡 꿀팁 : 내가 참고한 선행 연구들이 주로 실린 학술지 → 내 논문에 가장 잘 맞는 학술지일 가능성이 높다!

---

# 등재지 · 등재후보지 · 우수등재지 뭐가 다를까?

한국에서는 한국연구재단(NRF)이 학술지의 질을 평가해 등급을 부여해요.

# 학술지 목록 및 등급 확인 사이트

① 한국연구재단(KCI) — 학술지 목록 확인

> 사이트 주소: https://www.kci.go.kr](https://www.kci.go.kr

② 한국학술지인용색인(KCI) — 인용 정보 및 등급 확인

KCI는 위의 한국연구재단에서 운영하는 논문 인용 데이터베이스로, 같은 사이트(https://www.kci.go.kr)에서 이용한다.

---

# 처음 학술지를 투고할 때는 이 3가지만 기억하세요!

> ① 내 연구 분야에 맞는 학술지를 고른다.

> ② KCI(kci.go.kr)에서 등재 여부를 반드시 확인한다.

> ③ 투고 규정을 꼼꼼히 읽고 형식을 맞춘 후 제출한다.

처음 논문 투고는 누구에게나 낯설고 어렵지만, 한 번 해보면 두 번째는 훨씬 쉬워진답니다. 여러분의 연구가 좋은 학술지에 게재되길 응원합니다! 🍀

* 출처 : 어서와! 학술지는 처음이지_학술논문 작성 가이드(2025). 이채현, 허성일, 서재이, 피채희, 최정일_도서출판 청람.

1. 연구는 정답 찾기가 아니다. 

연구를 정답을 찾는 과정이라고 생각할 수 있다.

연구는 논문을 읽고, 이미 알려진 내용을 정리하고, 중요한 문장을 이해하면 연구를 잘하고 있다고 느끼기도 한다.

물론 기존 연구를 이해하는 일은 꼭 필요하지만, 연구는 거기에서 끝나지 않는다.

진짜 연구는 아직 충분히 설명되지 않은 문제를 찾는 데서 시작된다.

예를 들어 어떤 학생이 AI가 학습에 도움이 된다는 논문을 읽었다고 해 보자.

이 학생이 논문 내용을 잘 정리하는 것만으로는 연구가 되기 어렵다.

한 걸음 더 나아가 이런 질문을 만들어야 한다.

AI가 학습에 도움이 된다면, 어떤 학생에게 더 도움이 될까?

AI를 자주 쓰는 학생은 스스로 생각하는 시간이 줄어들지 않을까?

AI가 알려준 답을 그대로 믿는 학생은 왜 검증하지 않을까?

이런 질문이 생길 때 연구가 시작된다.

2. AI가 잘하는 일과 사람이 해야 할 일 

AI는 많은 일을 빠르게 할 수 있다.

논문을 요약할 수 있고, 자료를 정리할 수 있고, 글의 초안도 만들 수 있다.

그래서 단순히 정보를 모으고 정리하는 능력만으로는 부족해지고 있다.

예전에는 많은 자료를 빠르게 찾고 정리하는 사람이 유리했지만, 이제는 AI도 그 일을 꽤 잘한다.

그렇다면 사람은 무엇을 해야 할까요?

사람은 AI가 만든 답을 그대로 받아들이는 것이 아니라, 그 답이 맞는지 확인해야 한다.

또 그 답에서 빠진 부분은 없는지 살펴보아야 한다.

예를 들어 AI에게 AI가 학생들의 글쓰기 실력에 미치는 영향을 알려 달라고 물었다고 해 보자.

AI는 장점과 단점을 보기 좋게 정리해 줄 수 있지만, 연구자는 거기서 멈추면 안 된다.

AI가 말한 내용이 실제 논문과 맞는지 확인해야 한다.

또 어떤 학생을 기준으로 한 설명인지, 초등학생인지 대학생인지, 글쓰기 초보자인지 전공자인지 따져 보아야 한다.

이렇게 확인하고 다시 질문하는 과정이 연구자의 역할이다.

3. 새로운 질문을 만드는 힘이 연구자의 경쟁력이다. 

AI 시대에 연구자에게 가장 중요한 능력은 새로운 질문을 만드는 힘이다.

창의적 사고는 특별한 천재성만을 뜻하지 않는다.

익숙한 문제를 다른 시선으로 바라보는 능력이다.

예를 들어 많은 사람들은 AI를 사용하면 연구가 편리해진다고 말한다.

하지만 연구자는 여기서 다른 질문을 던질 수 있어야 한다.

AI가 편리해질수록 연구자의 사고력은 약해지지 않을까?

학생들은 왜 AI가 만든 내용을 검증하지 않고 사용할까?

AI를 잘 쓰는 학생과 의존하는 학생은 무엇이 다를까?

이런 질문은 단순한 정보 정리에서 나오지 않는다.

문제를 다르게 바라볼 때 나온다.

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.