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.

어서와! 논문은 처음이지

처음 통계분석을 배우면 가장 많이 듣는 단어가 있다.

바로 p-value와 t-value다.

하지만 많은 학생들은 숫자만 외울 뿐, 실제 의미는 잘 이해하지 못하는 경우가 많다.

특히 논문을 처음 쓰는 학생들은 p값이 0.05보다 작으면 유의하다 정도로만 외우는 경우도 많다.

하지만 통계는 단순 계산이 아니라 결과를 얼마나 믿을 수 있는지를 설명하는 과정에 가깝다.

그래서 숫자의 의미를 이해하는 것이 중요하다.

1. p-value는 결과를 얼마나 믿을 수 있는지를 보여주는 숫자다.

쉽게 말하면 p값은 우연히 이런 결과가 나올 가능성이 얼마나 되는지를 의미(우연히 발생할 확률)한다.

예를 들어 어떤 학생이 새로운 공부법을 사용한 뒤 시험 점수가 크게 올랐다고 가정해보자.

이때 정말 공부법 효과 때문인지, 아니면 그냥 우연히 점수가 오른 것인지 확인해야 한다.

바로 이 가능성을 계산하는 것이 p-value다.

보통 논문에서는 아래 기준을 많이 사용한다.

• p < 0.05
  → 결과가 우연일 가능성이 5% 이하
  → 약 95% 정도 신뢰 가능
• p < 0.01
  → 결과가 우연일 가능성이 1% 이하
  → 약 99% 정도 신뢰 가능
• p < 0.001
  → 결과가 우연일 가능성이 0.1% 이하
  → 매우 강한 신뢰 수준

즉, p값이 작을수록 연구 결과를 더 신뢰할 가능성이 높아진다.

그래서 논문에서는 보통 p값이 0.05보다 작으면 통계적으로 유의하다라고 표현한다.

2. t-value는 차이가 얼마나 큰지를 보여주는 숫자다.

많은 학생들이 p값만 중요하다고 생각한다.

하지만 실제 통계에서는 t값도 매우 중요하다.

t-value는 두 집단 차이가 얼마나 큰지를 계산하는 값(흩어짐(분산)과 표본 크기)이다.

예를 들어 AI를 사용한 학생 그룹과 사용하지 않은 학생 그룹의 시험 점수를 비교한다고 생각해보자.

두 그룹 점수 차이가 크면 t값도 커질 가능성이 높다.

즉, t값은 결과 차이가 얼마나 뚜렷한지를 보여주는 숫자에 가깝다.

보통은 t값이 크고 p값이 작을수록 결과 신뢰성이 높아진다.

하지만 숫자가 크다고 무조건 좋은 연구는 아니다.

데이터 수집 과정과 연구 설계가 함께 중요하다.

3. 왜 통계 결과를 맹신하면 위험할까

많은 학생들이 p값만 보고 연구 결과를 판단하려고 한다.

하지만 실제 연구에서는 숫자만으로 모든 것을 설명할 수는 없다.

예를 들어 p값이 0.05보다 작더라도 표본 수가 너무 적거나 데이터 자체가 잘못되었다면 연구 결과 신뢰성은 낮아질 수 있다.

또 최근에는 AI를 이용해 통계 결과를 자동으로 분석하는 경우도 늘어나고 있다.

하지만 AI 역시 잘못된 데이터를 입력하면 잘못된 결과를 만들 수 있다.

그래서 연구자는 단순히 숫자만 보는 것이 아니라 왜 이런 결과가 나왔는지 함께 해석해야 한다.

결국 연구자는 통계 프로그램을 잘 다루는 사람만이 아니다.

숫자의 의미를 이해하고, 결과를 비판적으로 해석할 수 있는 사람이다.

통계는 단순 계산이 아니라 연구 결과를 얼마나 신뢰할 수 있는지를 설명하는 언어에 가깝기 때문이다.

* 내용 출처 : 어서와 논문은 처음이지_Alice의 단계별 고급통계분석(2023). 이채현, 이종섭, 김영대, 최정일. 도서출판 청람

1. 처음 논문을 준비할 때 가장 먼저 알아야 할 것

학술지 논문을 처음 준비하는 사람은 누구나 긴장한다.
논문 파일을 열어놓고도 한참 동안 첫 문장을 쓰지 못할 때가 있다.
자료는 모아두었는데 어디서부터 정리해야 할지 모르겠고, 선행연구를 읽을수록 오히려 내가 모르는 것이 더 많아지는 기분이 들기도 한다.

“내 논문이 거절되면 어떡하지?”
“심사위원이 부족하다고 하면 어떻게 고쳐야 하지?”
“처음부터 학술지에 낼 만큼 잘 쓸 수 있을까?”

이런 생각이 드는 것은 아주 자연스럽다.

학술지 논문은 학교 과제나 일반 글쓰기와 다르다.

연구 질문, 선행연구, 방법, 결과, 논의가 하나의 흐름으로 연결되어야 하기 때문이다.

본 연구자 역시 첫 학술지 논문 투고에서 게재 거절을 경험했다.
그 결과를 처음 마주했을 때는 마음이 무너지는 것 같았다.

그동안 들인 시간과 노력까지 모두 부정당한 것처럼 느껴졌다.

하지만 시간이 지나 다시 심사 의견을 읽어보니, 그 안에는 단순한 비판만 있는 것이 아니었다.
부족한 논리, 설명이 약한 부분, 결과와 결론이 잘 이어지지 않는 지점이 보였다.

처음에는 아프게만 느껴졌던 피드백이 조금씩 논문을 다시 세우는 단서가 되었다.

그 단서를 따라 하나씩 고쳤다.
문장을 다듬고, 논리를 다시 연결하고, 부족한 설명을 보완했다.

이후 수정된 연구는 좋은 평가를 받았고, 논문상으로 이어지는 경험도 하게 되었다.

본 연구자는 현재 학술지 심사위원으로도 활동하고 있다.
심사자의 입장에서 논문을 보면, 좋은 논문은 어려운 표현을 많이 쓴 글이 아니다.

연구 질문이 분명하고, 선행연구와 내 연구의 연결이 자연스럽고, 결과와 논의가 차분하게 이어지는 글이 좋은 평가를 받는다.

처음 논문을 쓰는 사람에게 꼭 전하고 싶은 말이 있다.

첫 논문은 완벽하지 않아도 된다.
거절을 받았다고 끝난 것도 아니다.
중요한 것은 “한 번에 통과되는 논문”을 쓰는 것이 아니라, “피드백을 받아도 다시 고칠 수 있는 논문”을 만드는 것이다.

2. 처음부터 잘 준비하려면 무엇을 해야 할까?

학술 논문을 잘 쓰려면 먼저 연구 주제를 좁혀야 한다.
초보 연구자는 처음부터 너무 큰 주제를 잡는 경우가 많다.

그 마음도 이해된다.

처음에는 좋은 논문을 쓰고 싶어서 더 크고 멋진 주제를 잡고 싶어진다.

하지만 주제가 너무 크면 논문은 오히려 흐려진다.
예를 들어 “AI 교육”, “청소년 문제”, “조직문화”, “학습 효과” 같은 주제는 관심 분야로는 좋지만, 논문으로 쓰기에는 너무 넓다.

논문 주제는 더 작고 분명해야 한다.
예를 들어 “온라인 수업에서 초보 학습자의 참여도에 영향을 주는 요인”처럼 대상, 상황, 문제를 구체화해야 한다.

그래야 무엇을 조사해야 하는지, 어떤 자료가 필요한지, 어떤 선행연구를 읽어야 하는지가 보이기 시작한다.

주제를 정할 때는 다음 질문을 꼭 확인해보는 것이 좋다.

이 주제는 내가 정말 궁금한 문제인가?
이 주제와 관련된 기존 연구가 있는가?
내가 실제로 자료를 구할 수 있는가?
이 연구가 학술지 독자에게 의미가 있는가?

두 번째로 중요한 것은 선행연구를 정리하는 방식이다.
처음 논문을 쓰는 사람은 선행연구를 읽다가 쉽게 지친다.

논문은 계속 나오고, 읽을수록 더 어려워진다.

어느 순간 “나는 아직 준비가 안 된 사람인가?”라는 생각까지 들 수 있다.

그럴 때는 무조건 많이 읽으려고 하기보다, 분류하며 읽어야 한다.

선행연구를 읽을 때는 다음 내용을 표로 정리해보면 좋다.

이 논문은 어떤 문제를 다루었는가?
어떤 연구 방법을 사용했는가?
어떤 결과를 얻었는가?
내 연구와 어떤 관련이 있는가?
아직 해결되지 않은 빈틈은 무엇인가?

이렇게 정리하면 선행연구는 부담스러운 숙제가 아니라 내 논문의 방향을 잡아주는 지도가 된다.
읽은 논문이 많다는 것보다 중요한 것은, 그 논문들이 내 연구와 어떻게 연결되는지 설명할 수 있는 것이다.

세 번째로는 논문의 기본 구조를 이해해야 한다.

학술지 논문은 보통 다음과 같은 흐름을 가진다.

초록은 연구 전체를 짧게 요약한다.
서론은 왜 이 연구가 필요한지 설명한다.
선행연구는 기존 연구의 흐름과 빈틈을 보여준다.
연구방법은 어떤 자료와 방법으로 연구했는지 밝힌다.
연구결과는 분석 결과를 제시한다.
논의는 그 결과가 어떤 의미를 가지는지 설명한다.
결론은 핵심 내용, 한계, 후속 연구 방향을 정리한다.

초보 연구자가 잘해야 할 일은 처음부터 멋진 문장을 쓰는 것이 아니다.
각 부분이 맡은 역할을 이해하고, 그 역할에 맞게 내용을 채우는 것이다.
문장은 나중에 다듬을 수 있다. 하지만 구조가 흔들리면 논문 전체가 흔들린다.

3. 거절 가능성을 줄이려면 무엇을 점검해야 할까?

첫 학술지 논문은 거절될 가능성이 있고, 게재 불가 판정을 받을 수도 있다.
이 말이 차갑게 들릴 수 있지만, 그래서 더 미리 준비해야 한다.

거절은 아프다.
특히 처음 받은 거절은 오래 남는다.
내가 부족해서 그런 것 같고, 연구자로서 자격이 없는 것처럼 느껴질 수도 있다.

하지만 꼭 그렇게 해석하지 않았으면 한다.
거절은 논문의 현재 상태에 대한 판단이지, 연구자로서의 가능성에 대한 최종 판정이 아니다.

거절 가능성을 줄이려면 가장 먼저 연구 질문이 분명한지 확인해야 한다.

논문을 읽는 사람이 “그래서 이 연구가 무엇을 밝히려는 거지?”라고 느끼면 좋은 평가를 받기 어렵다.

서론에서 연구 목적과 연구 질문이 분명하게 드러나야 한다.

다음으로 선행연구와 내 연구의 연결이 자연스러운지 봐야 한다.

기존 연구를 단순히 나열하는 것만으로는 부족하다.
“기존 연구는 여기까지 설명했지만, 아직 이 부분은 충분히 다루지 않았다.

그래서 이 연구가 필요하다”는 흐름이 있어야 한다.

또한 연구방법이 충분히 설명되어야 한다.
누구를 대상으로 했는지, 어떤 자료를 사용했는지, 어떤 방법으로 분석했는지 명확해야 한다.

연구방법이 불분명하면 결과의 신뢰도도 약해 보일 수 있다.

결과와 논의가 따로 놀지 않는지도 중요하다.
결과에서는 나온 사실을 보여주고, 논의에서는 그 결과가 왜 중요한지 설명해야 한다.

결과만 있고 해석이 부족하면 논문의 의미가 약해진다.

반대로 결과에 없는 이야기를 논의에서 크게 주장하면 설득력이 떨어진다.

심사위원의 입장에서 보면, 초보 연구자의 논문에서 자주 보이는 아쉬움은 비슷하다.
주제는 흥미로운데 연구 질문이 흐릿한 경우가 있다.
선행연구는 많이 인용했지만 내 연구와의 연결이 약한 경우도 있다.
결과는 제시했지만 그 결과가 왜 중요한지 충분히 설명하지 못하는 경우도 있다.

그래서 논문을 쓰는 동안 계속 물어봐야 한다.

나는 무엇을 밝히려 하는가?
기존 연구와 무엇이 다른가?
이 결과는 왜 중요한가?

독자는 이 논문을 읽고 무엇을 이해하게 되는가?

투고 전에는 목표 학술지의 규정도 반드시 확인해야 한다.

분량, 인용 방식, 참고문헌 형식, 초록 길이, 핵심어, 표와 그림 형식, 연구윤리 기준이 학술지마다 다를 수 있기 때문이다.

마지막으로 심사 의견을 받았을 때는 잠시 마음이 흔들려도 괜찮다.
실망해도 괜찮고, 속상해도 괜찮다.

하지만 그 감정이 조금 가라앉은 뒤에는 피드백을 다시 읽어야 한다.

거절이나 수정 요청, 게재 불가 판정을 받았다면 다음 질문으로 차분히 정리해보자.

무엇이 부족하다고 지적되었는가?
반복해서 나온 지적은 무엇인가?
자료를 보완해야 하는가?
논리 흐름을 고쳐야 하는가?
문장 표현을 다듬어야 하는가?
수정 후 핵심 메시지가 더 분명해졌는가?

피드백은 처음에는 아프게 느껴질 수 있다.
하지만 잘 활용하면 논문을 성장시키는 가장 구체적인 자료가 된다.

저자의 경우도 첫 투고의 거절과 게재 불가 경험이 끝이 아니었다.

피드백을 반영해 논문을 다시 고쳤고, 그 수정 과정이 이후 좋은 평가와 논문상으로 이어졌다.

처음 논문을 준비하는 초보 연구자라면 완벽한 논문을 한 번에 쓰려고 하지 않아도 된다.
대신 좋은 질문을 세우고, 선행연구를 정리하고, 논문의 구조를 이해하고, 피드백을 반영해 다시 쓰는 힘을 길러야 한다.

학술지 논문 작성은 재능보다 과정에 가깝다.

처음부터 잘하는 사람보다, 다시 읽고 다시 고치는 사람이 더 멀리 간다.

첫 논문이 거절되더라도 괜찮다.

게재 불가 판정을 받더라도 끝은 아니다.
그 경험은 당신이 연구자로 성장하는 과정에서 만나는 어려운 문 하나일 뿐이다.

문은 닫힌 것처럼 보일 수 있다.

하지만 피드백을 읽고, 다시 고치고, 다시 도전하는 순간 그 문은 조금씩 열린다.
진짜 연구는 바로 그때부터 시작된다.

AI 학술 커스터마이징

최근에는 AI 기반 논문 탐색 도구들이 빠르게 발전하면서 연구 환경이 크게 달라지고 있다.

ChatGPT, Consensus, Connected Papers, Semantic Scholar, Perplexity 같은 AI 도구들은 논문을 추천하고, 핵심 내용을 요약하며, 관련 연구 흐름까지 연결해준다.

처음에는 정말 놀랍게 느껴진다.

예전보다 훨씬 빠르게 논문을 찾을 수 있고, 연구 방향도 쉽게 정리할 수 있기 때문이다.

하지만 문제는 편리함이 커질수록 연구자의 사고 과정은 오히려 줄어들 수 있다는 점이다.

그래서 앞으로는 AI를 단순히 사용하는 사람이 아니라, AI를 활용하면서도 스스로 연결하고 검증할 수 있는 연구자가 더 중요해지고 있다.

1. 선행연구의 틈에서 나의 연구 설계

논문은 기존 연구에서 무엇이 부족했는지 발견하는 것에서 시작된다.

예를 들어 어떤 연구는 AI가 학습 효율을 높인다고 설명할 수 있다.

반면 다른 연구는 AI 사용이 사고력을 낮출 수 있다고 말할 수도 있다.

바로 이런 차이와 빈틈 속에서 새로운 연구 질문이 만들어진다.

그래서 연구자는 선행연구를 단순히 읽는 것이 아니라, 공통점과 차이점을 비교하며 연구의 빈 공간을 찾아야 한다.

결국 연구 설계는 기존 연구를 얼마나 깊게 분석했는가에서 시작된다.

2. 문헌 탐색에서 AI로 연구를 연결하다.

최근 AI 기반 논문 탐색 도구들은 매우 강력해지고 있다.

Connected Papers는 논문 간 연결 구조를 시각적으로 보여주고, Consensus와 Semantic Scholar는 관련 논문을 빠르게 추천해준다.

또 ChatGPT와 Perplexity는 논문 내용을 요약하고 비교 분석까지 도와준다.

덕분에 연구자는 논문 탐색 시간을 줄이고 더 빠르게 연구 흐름을 이해할 수 있게 되었다.

하지만 AI는 어디까지나 도구다.

AI는 논문을 연결할 수는 있어도, 어떤 연구가 정말 중요한지, 어떤 부분이 핵심 공백인지까지는 스스로 판단하지 못한다.

결국 연구 방향과 연구 의미를 만드는 것은 연구자의 사고력이다.

그래서 앞으로 중요한 것은 AI가 정리한 내용을 그대로 사용하는 것이 아니라, 그 내용을 자기 연구와 연결하는 능력이다.

3. 편리함 뒤에 리스크, AI 검증의 필요성

AI는 매우 자연스럽게 정보를 정리한다.

그래서 처음에는 모든 정보가 맞는 것처럼 느껴질 수 있다.

하지만 실제로는 존재하지 않는 참고문헌이나 잘못된 논문 정보가 포함되는 경우도 있다.

특히 최근 학술계에서는 AI가 생성한 가짜 참고문헌 문제가 반복적으로 발견되고 있다.

문제는 이런 오류가 너무 자연스럽다는 점이다.

그래서 많은 학생들이 AI가 정리한 내용을 그대로 사용하다가 실수하기도 한다.

하지만 연구에서는 작은 오류 하나도 논문의 신뢰성과 연결될 수 있다.

특히 인용, 통계, 연구 결과 해석 부분은 반드시 연구자가 직접 다시 검토해야 한다.

AI는 연구 효율을 높여주는 강력한 도구가 될 수 있다.

하지만 연구의 책임과 검증까지 대신하지는 못한다.

결국 AI 시대에도 좋은 연구를 완성하는 것은 연구자의 사고력과 검증 능력일 가능성이 크다.

* 내용 출처 : 이채현(2025). AI 학술 커스터마이징(2025), 커뮤니케이션북스.

초보 연구자들이 "내가 생각하는 것이 연구로 이어질 수 있을까?"라는 질문을 탐구하는 데 도움이 되는 대화형 RQ AI(Research Question AI) 사고 게임

https://rq-ai-620920432884.asia-east1.run.app

자신의 생각, 관심사, 질문 또는 막연한 아이디어를 입력하면 게임이 단계별로 가능한 연구 주제, 연구 질문, 가설 및 논문 방향으로 안내합니다.

어서와! 학술지는 처음이지?

처음 학술 논문을 쓰는 학생들이 많이 놓치는 부분이 무엇일까?

처음 사회과학 분야의 학술 논문을 쓰는 학생들은 보통 바로 주제를 정하고 설문조사를 만들려고 한다.

하지만 실제 연구에서는 가장 먼저 해야 하는 일이 있다.

바로 이론을 이해하는 것이다.

논문은 단순히 개인 생각을 정리하는 글이 아니다.

이미 존재하는 연구와 연결되고, 기존 이론 위에서 새로운 의미를 설명하는 과정에 가깝다.

그래서 많은 연구논문은 연구 배경과 이론 설명부터 시작한다.

특히 의미있는 논문일수록 단순히 내용을 나열하지 않는다.

왜 이런 문제가 발생하는지, 기존 연구는 무엇을 설명했는지, 어떤 부분이 부족했는지를 이론을 통해 설명하려고 한다.

1. 왜 논문은 이론에 기초해야 할까?

이론은 다양한 현상을 설명하는 기준과 원리를 제공한다.

예를 들어 사회학습이론은 사람들이 다른 사람 행동을 보며 학습한다는 점을 설명한다.

그래서 교육 연구나 미디어 연구에서도 자주 활용된다.

연구자는 이런 이론을 바탕으로 자신의 연구문제를 설명하게 된다.

만약 연구 결과가 이론과 비슷하게 나온다면 기존 이론을 지지하게 된다.

반대로 연구 결과가 이론과 다르게 나온다면 새로운 해석 가능성이 생긴다.

즉, 이론은 단순 참고자료가 아니라 연구 방향을 잡아주는 기준 역할을 한다.

2. 논문은 단순 정리가 아니다.

많은 학생들이 선행연구를 정리할 때 논문 내용을 그대로 나열하는 경우가 많다.

하지만 좋은 논문은 단순 정리에서 끝나지 않는다.

중요한 것은 여러 연구를 비교하고 공통점과 차이점을 분석하여 기존 찾지 못했던 부분을 발견하거나 현재의 문제점을 검증한다거나, 학문적으로 더욱 깊이 있는 그 무언가를 도출해내는 과정이다.

예를 들어 어떤 연구는 AI가 학습에 도움이 된다고 말하고, 다른 연구는 사고력을 낮출 수 있다고 설명할 수 있다.

이때 연구자는 단순히 내용을 복사하는 것이 아니라 왜 이런 차이가 발생했는지를 검증 할 수도 있다.

즉, 논문에서 중요한 것은 정보 양보다 연구자가 어떻게 생각하고 연결했는가이다.

3. 왜 선행연구 분석이 중요할까?

논문은 새로운 질문에서 시작된다.

그런데 새로운 질문은 갑자기 만들어지는 것이 아니다.

기존 이론 연구를 충분히 읽고 분석하는 과정 속에서 나온다.

선행연구 분석은 독자가 자연스럽게 이런 생각을 하게 만든다.

이미 이런 연구들이 있었는데 왜 이 연구를 또 하려고 하지?

바로 이 궁금증이 연구 필요성으로 이어진다.

그래서 논문에서는 단순히 이전 연구를 소개하는 것이 아니라, 기존 연구의 한계와 부족한 부분을 함께 설명해야 한다.

결국 좋은 논문은 단순 정보 정리가 아니라, 기존 연구를 연결하고 새로운 의미를 발견하는 과정 속에서 완성된다.

* 내용 출처 : 강상조, 박재현, 황규자(2008). 연구논문 어떻게 작성할 것인가?. 21세기교육사.

* 내용 출처 : 이채현, 허성일, 서재이, 피채희, 최정일(2025). 어서와! 학술지는 처음이지. 도서출판 청람.