701. AI 활용 연구논문 작성

학습 안내프롬프트 3종(맥락 분리·하이픈 구조화·퓨샷)을 복사해 실행해 보고, 이어지는 대화 사례에서 "막연한 주제 → 비판적 재정렬 → 2개 지표 확정"의 흐름이 어떻게 진행되는지 따라가십시오. Ch1의 프롬프트 원리가 연구 맥락에서 그대로 쓰입니다.

좋은 프롬프트 — 지시문 · 역할 · 맥락을 분리한다

AI는 내가 처한 상황을 모릅니다. 맥락이 부족하면 일반론, 맥락이 풍부하면 내 상황에 맞는 답이 나옵니다. 내가 누구인지, 왜 이 연구를 하는지, 어디까지 와 있는지를 이야기하듯 충분히 적어줍니다.

Step-back 프롬프팅 — 절차부터 묻는다

구체적 질문을 곧바로 던지기보다 AI에게 절차 자체를 먼저 물어봅니다. AI가 아는 일반적 절차를 꺼내놓고 그 위에서 내 주제를 다루면 훨씬 정교한 답을 얻습니다(구체 → 일반 → 다시 구체).

대화로 주제를 좁힌 과정 (실제 사례 요약)

학습 안내연구용 AI는 원문 접근이 막히면 침묵하지 않고 그럴듯하게 지어냅니다. 이 섹션의 핵심은 "도구를 어떻게 쓰는가"보다 "AI의 거짓 인용을 어떻게 잡아내고 통제하는가"입니다. Deep Research 명세서와 RAG 강화 프롬프트를 복사해 두십시오.

Gemini Deep Research — 명세서를 주고 보고서를 받는다

단순 질문이 아니라 목적·데이터베이스·문헌유형·기간·검색식을 명시한 명세서를 주면 품질이 급격히 좋아집니다. Deep Research는 ① 계획 제시 → ② 사용자 승인 → ③ 수십 개 웹사이트 자동 탐색 → ④ 장문 보고서 순으로 동작합니다.

NotebookLM — 내 소스 안에서만 답하는 RAG 분석

NotebookLM은 일반 챗봇과 달리 내가 업로드한 소스 안에서만 답하고, 답변마다 출처 인용이 붙어 할루시네이션이 크게 줄어듭니다. Deep Research에서 받은 URL 목록과 핵심 PDF를 소스로 올린 뒤 대화합니다.

학습 안내설문은 곧 데이터 수집 도구입니다. 가설로부터 Input/Output 변수를 정의하는 흐름과, 50문항을 손으로 입력하는 대신 Apps Script 코드로 1초 만에 폼을 생성하는 방법을 봅니다. Ch8의 Apps Script 활용이 연구에 적용된 예입니다.

데이터 구조 정의 — 무엇을 측정할 것인가

연구 기획서(.md)를 AI에 첨부해, 인과 분석이 가능하도록 Input / Participant / Output 변수를 구분합니다.

Apps Script로 구글 폼 자동 생성

function createAloeSurveyForm() {
  const form = FormApp.create("(Aloe)섭취형-알로에-연구-설문");
  form.setDescription("섭취형 알로에 제품과 건강 상태의 관련성 연구용 설문입니다.");

  // 📌 폴더 이동 — Standalone Script는 폼을 '내 드라이브 최상위'에 만든다
  const scriptFile = DriveApp.getFileById(ScriptApp.getScriptId());
  const parentFolder = scriptFile.getParents().next();
  const formFile = DriveApp.getFileById(form.getId());
  parentFolder.addFile(formFile);
  DriveApp.getRootFolder().removeFile(formFile);

  // 헬퍼: addSection / addMC / addScale / addCheckbox / addNumber ...
  addSection("A. 인구학 및 생활습관");
  addMC("1. 성별", ["남", "여"], true);
  addNumber("2. 연령(만 나이)");
  addScale("11. 스트레스 수준(1=낮음, 5=높음)", 1, 5);
  // ... B/C/D 섹션 50문항 ...

  Logger.log("📌 Form Edit URL: " + form.getEditUrl());
  Logger.log("📌 Form Respond URL: " + form.getPublishedUrl());
}

학습 안내Ch5(데이터 분석)에서 익힌 GPT·Colab·로컬 3환경과 라이브러리(pandas·matplotlib·seaborn·statsmodels)가 연구 데이터에 그대로 적용됩니다. 여기서는 숫자를 뽑는 것보다 해석이 중요하다는 점 — 상관과 회귀가 왜 다른 결론을 주는지 — 에 집중하십시오.

Colab 분석 7단계

구글 폼 응답이 쌓인 구글 시트를 Colab으로 불러와(① 로딩) → ② 기초 통계·결측치 → ③ 인구통계 시각화 → ④ 레이더 차트 → ⑤ 상관 heatmap → ⑥ 다중회귀 → ⑦ 분석 결과 PPTX 자동 생성의 순서로 진행합니다. 각 단계는 자연어 프롬프트로 코드를 받아 실행합니다.

import matplotlib.pyplot as plt, seaborn as sns
import matplotlib.font_manager as fm

# 한글 폰트 설치 + 등록 (Colab)
!apt-get -qq install fonts-nanum > /dev/null
fpath = '/usr/share/fonts/truetype/nanum/NanumGothic.ttf'
fm.fontManager.addfont(fpath)
plt.rcParams['font.family'] = fm.FontProperties(fname=fpath).get_name()
plt.rcParams['axes.unicode_minus'] = False

out_cols = ['39. 피로감 개선 체감', '40. 항산화 관련 신체 변화 체감',
            '42. 혈당 수치 변화 체감', '44. 식후 졸림 등 혈당반응 체감',
            '49. 지속 섭취 의향', '50. 제품 만족도 종합 평가']
sns.heatmap(df[out_cols].corr(), annot=True, fmt='.2f', cmap='coolwarm', center=0)
plt.title('체감 효과 변수 간 상관'); plt.tight_layout()
plt.savefig('fig_heatmap.png', dpi=150, bbox_inches='tight'); plt.show()

분석 결과 (예시 데이터 N=100)

섭취 경험자 100명(평균 39.2세, 여성 56%, 평균 HbA1c 5.47%) 데이터로 실제 분석한 결과입니다. 상관에서는 모두 유의해 보이던 변수가, 다중회귀로 함께 통제하면 핵심 동인만 남는다는 점이 이 분석의 교훈입니다.

AI와 토론하며 결론 도출

학습 안내논문 작성은 무에서 시작하지 않습니다. 1~4단계에서 만든 파일이 그대로 재료가 됩니다. 섹션을 한 번에 다 쓰게 하지 말고 구조를 먼저 합의한 뒤 섹션별로 근거 파일을 첨부해 받는 흐름을 봅니다 — Ch3(보고서 작성)의 분할 작성 원리와 같습니다.

입력 자산 모으기 — 파이프라인의 수확

서식 자동화 — md → docx → 학술지 서식

완성한 마크다운 전체본을 MConverter로 .docx 변환(Ch3 참고)한 뒤, Word VBA로 학술지 투고 서식(글꼴·줄간격·제목 스타일·참고문헌 형식)을 일괄 적용합니다. "이 문서의 모든 제목1을 ○○체 14pt 굵게, 본문을 ○○체 10pt 줄간격 160%로 바꾸는 Word VBA를 작성해줘"처럼 서식 규칙을 글로 지정하면 됩니다 — Ch4(VBA)의 서식 자동화가 논문 마감에 적용된 예입니다.