AI를 통해 연구의 책임성을 잃지 말라 - PEEL을 이용한 신호 해석

AI를 통해 연구의 책임성을 잃지 말라

대규모 언어 모델(LLM)은 최근 연구 방법을 새롭게 바꾸면서 연구자들의 지식 책임성을 무시하고 있다. 이러한 문제를 해결하기 위한 새로운 프레임워크가 필요하다.

PEEL: Protocols for Epistemically Engaged Literacy in AI

PEEL은 Protocols for Epistemically Engaged Literacy in AI를 의미하며, AI를 이용한 연구의 책임성을 확보하기 위한 프레임워크이다. PEEL은 Voyant Tools를 이용한 결정론적 원격 읽기와 Claude를 이용한 LLM 해석을 결합하여 Peircean 신호학과 추론을 바탕으로 연구의 책임성을 확보한다.

PEEL을 이용한 연구 결과

PEEL을 이용하여 AI가 생성한 세 개의 원본 텍스트의 압축 버전을 분석한 결과, AI가 생성한 텍스트에는 다음과 같은 문제가 발견되었다.

• 양적 왜곡: AI가 생성한 텍스트에는 원본 텍스트에 없는 양적 왜곡이 발견되었다.
• 단어 빈도 왜곡: AI가 생성한 텍스트에는 원본 텍스트에 없는 단어 빈도 왜곡이 발견되었다.
• 지식 목소리 왜곡: AI가 생성한 텍스트에는 원본 텍스트에 없는 지식 목소리 왜곡이 발견되었다.

PEEL의 디자인 함의

PEEL을 이용한 연구 결과는 다음과 같은 디자인 함의를 제공한다.

• AI 도구와 결정론적 도구가 함께 사용되어야 한다.
• 유연성은 신뢰성과 동등하지 않다.
• 지식 권위는 설계되어야 한다, 가정되어서는 안 된다.