초록

대규모 언어 모델(large language models, LLMs)은 과학 논문의 작성과 편집에 점점 더 널리 활용되고 있다. 그러나 LLM의 높은 언어적 유창성은 연구 주장이 언어적으로 제시되는 방식과 이를 실제로 뒷받침하는 근거 사이의 불일치를 가릴 수 있다. 본 튜토리얼에서는 이러한 문제를 ‘인식적 무결성(epistemic integrity)’의 관점에서 살펴본다. 인식적 무결성이란 과학적 진술이 이를 뒷받침하는 근거의 질, 강도 및 범위에 적절히 부합하는 상태를 의미한다. LLM을 활용한 수정과정에서 동사, 헤지(hedges), 시제, 평가적 수식어, 범위 표지 등의 인식적 표지(epistemic markers)가 부적절하게 변경되면 주장의 확실성, 범위 및 해석 수준이 근거와 어긋날 수 있다. 이러한 인식적 오조율(epistemic miscalibration)은 개별 문장뿐 아니라 논문 전체에 누적되어 결과와 해석의 경계를 흐리거나 섹션 간 인식적 입장의 표류(stance drift)를 초래할 수 있다. 따라서 인공지능(artificial intelligence)를 활용한 학술 글쓰기에서 편집인은 문법과 문체뿐 아니라, 논문 전체에서 주장의 확실성, 범위 및 해석 수준이 연구 근거에 의해 정당화되는지를 검토함으로써 근거와 주장 간의 정합성(alignment)과 인식적 무결성을 확보해야 한다.

• 중심단어: 대규모 언어 모델; 언어 편집; 인식적 무결성; 인식적 조율; 인식적 표지