AI Humanizer for Academic Writing: 섹션별 가이드

논문 장은 검사기에서 하나의 단일한 수치로 돌아오는 경우가 드물다. 초록은 낮게 나올 수 있고, 방법은 지도교수와의 면담을 유발할 만큼 높게 나올 수 있으며, 논의는 그 중간 어디쯤에 위치할 수 있다. 이는 논문이 하나의 글이 아니기 때문이다. 그것은 여러 부분으로 이루어져 있고, 각 부분은 서로 다른 관습의 지배를 받으며, AI 탐지기는 주제보다 관습에 반응한다. 학술 글쓰기를 위한 AI humanizer도 제대로 사용할 때는 같은 방식으로 작동한다. 전체 파일을 한 번에 처리하는 것이 아니라, 섹션별로 처리한다. 이것이 과제와 논문을 위해 만들어진 humanizer가 기본적으로 그렇게 작동하도록 설정된 방식이다.

이것은 어떤 것을 속이기 위한 주장이 아니다. 문헌 검토가 결과 표와 다르게 처리되는 이유를 이해하자는 주장이다. 그래야 편집에 쓰는 시간이 실제로 도움이 되는 곳에 쓰이고, 애초에 문제가 아니었던 섹션을 평평하게 만들어 버리는 일을 피할 수 있다. 아래 표는 그 요약본이다. 이어지는 내용은 각 섹션을 차례로 살펴보고, 실제로 중요한 하나의 구분도 함께 다룬다. 자신의 논지를 자신의 말로 다듬는 것과, 다른 사람의 것을 자기 것처럼 내세우는 것은 다르다.

기관들은 단일 점수를 판정으로 취급하는 데 점점 더 회의적이 되고 있으며, 이는 자신의 보고서를 지나치게 해석하기 전에 알아둘 만하다. Curtin University는 2026년 1월부터 모든 캠퍼스에서 Turnitin의 AI-writing detector를 중단했는데, 그 이유로 개별 점수 하나가 아니라 평가의 공정성과 신뢰를 들었다. Turnitin의 자체 지침도 반대편에서 비슷한 점을 말한다. 그 비율은 부정행위 판정의 유일한 근거가 되어서는 안 된다. 자신의 점수도 같은 방식으로 읽어야 한다. 그것은 하나의 입력값이지, 최종 판결이 아니다. 자신의 점수가 무엇을 의미하는지 결정하기 전에 탐지기가 실제로 그 점수를 어떻게 계산하는지 알아두는 것이 도움이 된다.

Paper section	탐지기가 이를 유발하는 이유	바꿔야 할 점
Abstract	200에서 300단어로 압축되어 있어, 해당 분야의 모든 abstract가 사용하는 동일한 상투적 표현에 의존하게 된다.	일반적인 문장 하나를 줄이고, 실제 수치나 발견을 명확하게 서술한 문장으로 바꾸라.
Literature review	각 요약이 같은 저자, 연도, 발견의 형식을 따르는, 연속된 요약 목록처럼 읽힌다.	근거하거나 반박하는 주장별로 자료를 묶고, 어디에서 서로 다른지 말하라.
Methodology	의도적으로 공식적이다. 수동태와 표준 절차 언어는 해당 학문 분야가 기대하는 바이다.	구조는 그대로 두라. 같은 논문 안에서 다른 부분보다 여기서 점수가 더 높게 나오는 것은 정상이다.
Results	수치가 데이터를 담고 있지만, 그것을 서술하는 문장은 하나의 보고 템플릿을 반복하는 경우가 많다.	매번 같은 구성을 반복하지 말고, 각 발견을 소개하는 방식을 달리하라.
Discussion	가장 독창적이어야 할 부분이지만, 서두르는 작성자는 안전하고 일반적인 해석으로 되돌아가기 쉽다.	그 발견이 무엇을 의미하는지에 대해, 그 한계를 포함하여 구체적인 주장을 하라.

abstract: 작은 공간에 담긴 밀도 높은 주장

abstract에는 장황한 서론을 넣을 여지가 없으므로, 분야 표준 표현에 크게 의존한다. "this study investigates"와 "findings suggest"는 거의 모든 분야의 거의 모든 abstract에 나타난다. 그 자체로 잘못된 것은 없다. 이는 탐지기가 알아차리도록 만들어진 전형적인 예측 가능 표현이며, 논문의 가장 짧은 부분에 압축되어 들어가 있고, 점수가 평균화될 텍스트도 가장 적은 부분이기도 하다.

해결책은 초록을 특이한 방식으로 다시 쓰는 것이 아니다. 정형화된 문장 하나를 실제 수치, 실제 비교, 그리고 같은 분야의 다른 논문에 있는 템플릿형 초록이라면 말할 수 없었을 연구의 구체적 결과로 바꾸어라. 그 하나의 구체적인 문장은 초록 점수에 대해 전체 문단을 세 번 다시 쓰는 것보다 더 큰 효과를 내며, 어떤 detector가 어떻게 판단하든 더 강한 초록을 만든다.

문헌 검토, 요약의 목록이 아니라 종합

"Smith (2019) found X, and Jones (2021) argued Y"에 기반한 문헌 검토는 기술적으로 틀린 것은 아니다. 그러나 출처가 바뀌어도 구조가 동일하며, 바로 이런 낮은 분산이 burstiness 점수를 떨어뜨리고, 각 문장이 손으로 입력되었더라도 기계가 생성한 텍스트처럼 읽히게 만든다. 이 섹션을 burstiness checker에 돌리면 어떤 문단이 평탄해졌는지 확인할 수 있다.

출처를 순서대로 나열하지 말고, 지지하거나 반박하는 주장에 따라 묶어라. 그리고 두 연구가 어디에서 의견이 다른지 명시적으로 말하라. 이 하나의 조치는 문단의 형태를 바꾼다. 어떤 문장들은 이제 비교 작업을 하고, 다른 문장들은 증거 제시 작업을 한다. 그리고 바로 그 변이가 detector와 지도교수가 실제로 반응하는 요소다.

연구 논문을 위한 일반적인 패러프레이징 도구는 이것을 고치지 못한다. 동의어를 바꾸는 것은 문장의 골격을 그대로 유지하기 때문이며, 바로 그 골격이 템플릿화된 것으로 읽히는 부분이다. 실제로 패턴을 깨는 것은 "argued"에 대한 다른 단어를 찾는 것이 아니라, 어떤 출처가 문장을 시작하고 어떤 출처가 문장을 끝내는지를 재구성하는 것이다.

방법론, 여기서 높은 점수가 나오는 것은 정상이다

수동태와 고정된 절차적 어휘는 방법 절에서의 글쓰기 결함이 아니다. 그것은 관례이며, 그 관례는 이 분야가 그것을 보상하기 때문에 존재한다. "Participants were randomly assigned to one of two conditions"가 생성된 것처럼 읽히는 이유는, AI가 관여했는지 여부와 무관하게, 그것이 바로 신중한 방법 작성자가 만들어야 하는 문장이기 때문이다. 방법론은 논문에서 높은 AI 점수가 거의 피할 수 없는 유일한 절이며, 이것은 존재하지 않는 해결책을 약속하기보다 분명하게 말할 가치가 있다. 어떤 부분을 그대로 둘지 결정하기 전에 해당 절의 수동태 비중이 얼마나 되는지 보고 싶다면, a passive voice checker가 그것을 계산해 줄 것이다.

낮은 수치를 좇아 표준 용어를 쪼개는 것은 다른 연구자가 실제로 따라갈 수 없는 방법 절을 만들어 낸다. 이는 아무도 이의를 제기하지 않는 높은 점수보다 더 나쁜 결과이다. 지도교수나 학술지가 점수를 걱정한다면, 방법 절은 학문 분야 전반에서 높은 점수를 받는다고 분명히 말해야 한다. 왜냐하면 그 글쓰기는 재현 가능하고 약간 지루해야 하기 때문이다.

결과: 숫자가 문제가 아니다

표와 그림에는 데이터가 담겨 있다. 어떤 탐지기도 숫자 자체를 채점하지 않는다. 그것은 그 숫자를 소개하는 문장을 채점한다. 결과 절은 거의 모든 발견에서 하나의 형식에 의존한다. "the results showed that X was significantly higher than Y." 이 문장을 한 절에서 열두 번 반복하면, 그 안의 모든 발견이 전적으로 독창적이더라도 그 주변의 문장은 평평해진다.

동사와 숫자의 위치를 바꾸어라. 한 문장은 발견 자체로 시작하고, 다음 문장은 들어올 때 예상했던 패턴에 맞지 않았던 결과를 앞세워라. 예상과 다르거나 복잡한 발견을 평이하고 직접적인 문장으로 보고하는 결과 절은, 모든 결과가 정확히 예측대로 도착한 절보다 거의 항상 더 인간적으로 읽힌다. 실제 데이터는 그렇게 깔끔하게 맞아떨어지는 경우가 드물기 때문이다.

논의: 자신의 목소리가 드러나야 하는 곳

논문이 어느 부분에서든 기계가 쓴 것처럼 읽힌다면, 그런 부분은 대개 바로 여기이며, 이는 원래 그래서는 안 되는 일의 정반대이다. 토론에는 고정된 템플릿이 없다. 토론은 어떤 발견이 실제로 무엇을 의미하는지, 그리고 어디에서 한계에 부딪히는지를 말하기 위해 존재한다. "these findings have important implications for the field and warrant further research" 같은 일반적인 문장은 안전하지 않다. 그것은 논문에서 가장 방어하기 어려운 문장인데, 거의 모든 연구의 거의 모든 결과를 설명할 수 있기 때문이다.

실제 한계를 쓰라. 추상적인 의미의 한계를 언급하는 데 그치지 말고, 왜 당신의 표본, 방법, 또는 설정이 일반화되지 않을 수 있는지 구체적인 이유를 밝히라. 조심스럽게 단서를 달면서도, 실제로 무엇이 일어나고 있다고 생각하는지 자신의 말로 진술하라. 그런 구체성은 동시에 토론 절에서 사용할 수 있는 가장 강한 수단이자, 탐지기가 표시하기 가장 어려운 것이기도 하다. 왜냐하면 자신의 데이터에 대한 진정으로 구체적인 주장은 정의상 일반적인 학습 집합으로부터 예측될 수 없기 때문이다. 그렇게 분명하게 쓰는 동안 문체가 흔들린다면, 그 문체에 맞게 설계된 tone converter가 요점을 평평하게 만들지 않으면서 이를 되돌려 준다.

왜 비원어민 영어 작성자는 더 자주 표시되는가?

비원어민 영어 작성자는 탐지기가 가장 심하게 오판하는 집단이며, 그 메커니즘은 신비롭지 않다. Stanford 연구자들은 AI와 전혀 관련 없는 비원어민 영어 화자의 TOEFL 에세이 91편에 대해 널리 사용되는 AI 탐지기 7개를 시험했다. 7개 탐지기의 평균 오탐률은 61%였고, 약 5편 중 1편은 시험한 모든 탐지기에서 일치하게 표시되었다. 같은 연구에서 동일한 도구들은 원어민 화자의 에세이에서는 거의 그런 실수를 하지 않았다.

그 이유는 탐지기가 실제로 무엇을 측정하는지로 거슬러 올라간다. 제2언어로 글을 쓰는 작성자는 수업에서 배운 문장 패턴에 의존하는 경향이 있다. 완전한 절, 확립된 전환 표현, 정확성을 우선해 선택한 더 좁은 어휘가 그것이다. 이는 영어가 모국어가 아닌 사람에게는 신중하고 정확한 학술 글쓰기이며, 동시에 탐지기가 기계 생성으로 읽어내는 낮은 perplexity 프로필이기도 하다. 이 연구의 연구자들은 국제 학생 비중이 큰 기관에서는 이러한 도구에 전혀 의존하지 말 것을 권고했는데, 이는 대부분의 detector 공급업체가 자사 제품에 대해 내놓는 주장보다 더 강한 표현이다.

이것이 자연스럽게 들리는 것을 포기하라는 뜻은 아니다. 비모국어 작성자가 humanizer를 통해 초안을 돌릴 때 목표는 다른 사람처럼 들리는 것이 아니다. 목표는 신중한 시험 중심 글쓰기가 흔히 지워 버리는 문장 다양성을 어느 정도 되살리는 데 있다. 이는 문법적으로 잘못된 문장을 고치는 일과는 다른 과제다. 그리고 그 차이를 기억할 필요가 있다. 바로 그 구분을 중심으로 같은 도구의 ESL 중심 버전이 설계되어 있다.

학술 글쓰기를 위한 AI humanizer는 어디에서 윤리적 경계를 넘는가?

다음은 실제 답변을 대신하는 면책 문단 없이 제시하는 솔직한 설명이다. 자신의 논지를 자신의 목소리로 다듬는 것은 정상적인 학술 관행이며, 지도교수가 여백에 덧붙이는 주석이나 교정자가 학술지 투고 전에 하는 작업과 같은 일이다. 완성된 글이 템플릿이 아니라 좋은 날의 당신처럼 들리도록, 문장 리듬과 어휘 선택을 바꾸는 도구에 자신의 초안 논지를 돌리는 일은 바로 그 전통 안에 확실히 들어간다.

생성된 작업을 자신의 것처럼 내세우는 것은 다른 행위이며, 그것을 위해 사용한 도구가 그 본질을 바꾸지는 않는다. 아무것도 쓰지 않고, 모델이 논지와 해석을 생성하게 한 뒤, 그것을 독립적인 작업으로 제출하는 것은 부정행위이며, 표면 텍스트가 손으로 다듬어졌든, humanizer를 거쳤든, 아니면 생성된 그대로 남아 있든 마찬가지다. Committee on Publication Ethics는 출판된 연구에 대해 이를 분명히 밝힌다. AI 시스템은 저자가 될 수 없는데, 자신이 주장하는 내용에 책임을 질 수 없기 때문이다. 따라서 인간 저자가 그 작업을 책임지고 도구가 어떻게 사용되었는지 공개해야 한다. 이 기준은 학위논문의 한 장에도 저널 투고에도 똑같이 적용된다.

구분의 기준은 도구가 아니다. 하나의 질문에 대한 답이다. 이것이 당신의 논지이며, 그 표현 방식에 맞게 검토하고 다시 쓴 것인가, 아니면 당신이 만들지 않은 논지에 당신의 이름만 붙인 것인가? 생성형 AI에 대한 초기의 불안이 가라앉은 뒤, 대부분의 대학과 저널 정책은 정확히 그 선을 그었고, 공개된 실질적 사용은 허용하면서도 비공개 생성은 여전히 다른 이름을 가진 같은 문제로 다루었다. 소속 기관이 공개를 요구한다면, 그것을 해야 하며, 교정자나 통계 자문가에게 공을 표하듯이 하면 된다.

humanize한 뒤 학위논문을 교정하는 방법

humanize한 초고를 최종본으로 착각해서는 안 된다. 기억하라, 한 번의 검토를 편집 도구처럼 사용하라. 원하는 곳에 단어를 고정해 두는 것을 두려워할 필요는 없지만, 용어가 장 전체에서 일관되게 유지되었는지, 인용이 여전히 가리켜야 할 대상을 제대로 가리키는지, 그리고 한 장에서 고정한 표현이 다음 장에서 조용히 달라지지 않았는지는 반드시 확인해야 한다.

논문의 서로 다른 부분은 서로 다른 방식으로 실패하며, 각 부분은 각자의 페이지에서 다루어진다. 연구 논문을 인간화하기, 문헌 검토, 방법론 섹션, 그리고 논의 섹션은 각각 별도의 안내를 받으며, 전체 논문도 마찬가지인데, 이 경우 장들 사이의 일관성이 더 어려운 문제가 된다. 목표가 성적이 아니라 학술지라면, 제출 전에 AI 점수를 낮추는 것은 인용을 그대로 유지한 채 통과시키는 것이라는 더 좁은 문제와 함께 별도로 다루어진다.

가능하다면 소리 내어 읽어 보라, 아니면 최소한 구두시험에서 변호하듯 읽어 보라. 잘 점수는 나오지만 위원회 구성원이 물었을 때 설명할 수 없는 문장으로 다시 쓴다면, 보고서의 어떤 비율보다도 더 큰 위험이다. 이것이 진정한 시험이며, 보고서의 숫자가 아니다. 지금 이 자리에서, 소리 내어, 모든 문장을 스스로 책임질 수 있는가.