12가지 혁신적인 연구 방법과 그 증거가 보여주는 것

2024년 8월 10일 발행 | 최종 업데이트: 2026년 10월 31일

혁신적인 연구 방법이란 무엇인가?

혁신적인 연구 방법은 해당 분야의 표준 관행보다 새로운 기법이나 설계를 말합니다. 어떤 방법은 증거를 찾는 방식을 바꾸고, 어떤 방법은 실험 없이 인과 관계에 대한 질문에 답하는 방식을 바꾸며, 또 어떤 방법은 데이터를 수집하는 방식을 바꿉니다. 아래 표는 12가지 방법 각각에 대해 인용된 출처에서 발췌한 "먼저 확인해야 할 사항"을 함께 제시합니다.

좌우로 스와이프하여 모든 열을 확인하세요.

12가지 혁신적인 연구 방법과 각 방법에 대한 근거

각 항목에는 해당 방법론과 관련 문헌에서 보고하는 내용이 명시되어 있습니다. 각 항목 아래의 "적합한 경우"와 "시작 방법"에는 인용된 문헌에서 보고하거나 권장하는 내용이 다시 한번 정리되어 있으며, 저희의 제안인 경우에는 "제안 사항"이라고 표시되어 있습니다. 대부분의 항목은 인용된 논문의 전문이 아닌 초록을 기반으로 작성되었습니다.

1. AI 기반 문헌 선별

대규모 언어 모델은 검토의 적격성 기준을 제목과 초록에 적용하도록 지시받을 수 있습니다. 지속적으로 업데이트되는 체계적 검토를 위해 구축된 GPT-4o 프롬프트 세트는 전문 검토 후 최종적으로 포함된 연구에 대해 100%의 민감도를 달성했습니다. 사람이 제목과 초록 단계에서 포함시킨 기록에 대한 민감도는 업데이트에 따라 58%에서 100%까지 다양했으며, 연구진은 작업량 감소가 65%에서 85%에 달하는 것으로 시뮬레이션했습니다. ² 아래 예시는 다른 두 모델이 다른 검토에서 수행한 작업을 보여줍니다. ¹

적합한 경우: 많은 기록과 검증 대상이 되는 사람의 선별 결정이 있는 증거 종합 프로젝트. 본 연구에서는 실시간 검토에서 얻은 결정을 참조 표준으로 사용했습니다. ² 시작하는 방법: 기록을 개발 세트와 테스트 세트로 나누고, 개발 세트의 프롬프트를 다듬은 다음, 본 연구에서처럼 테스트 세트의 사람의 결정에 대한 민감도를 보고합니다. ²

2. 지속적인 체계적 문헌고찰

지속적으로 업데이트되는 체계적 문헌고찰은 관련 신규 증거가 나오는 대로 반영합니다. 저자들은 체계적 문헌고찰을 최신 상태로 유지하기 어렵다는 점과, 그렇게 하지 못하면 그 타당성, 정확성 및 유용성이 저하된다는 문제에 대한 해결책으로 이를 제시합니다. ³

적합한 시기: 연구 결과가 빠르게 나타나고, 기존 증거가 불확실하며, 새로운 연구 결과가 정책이나 실무 결정에 변화를 가져올 수 있는 경우. ³ 시작하는 방법: 지속적인 업데이트가 필요하므로, 새로운 증거를 식별하고 확보되는 대로 추가하는 방법을 정의하십시오. ³

3. 목표 시험 에뮬레이션

목표 시험 모방(Target trial emulation)은 실제 시험을 수행할 수 없거나 실행 불가능한 경우, 가상의 실용적 무작위 배정 시험을 명시적으로 모방하여 관찰 데이터를 활용해 중재 효과에 대한 인과적 질문에 답하는 방법입니다. 2025 TARGET 지침은 6개 섹션으로 구성된 21개 항목의 체크리스트를 제공합니다. 이 체크리스트는 저자에게 목표 시험 프로토콜(인과 추정량, 가정 식별 및 데이터 분석 계획)을 명시하고, 이를 관찰 데이터에 어떻게 적용했는지 보여주며, 민감도 분석 결과를 보고하도록 요구합니다. ⁴

적용 시점: 개입의 비교 효과를 알고 싶지만 무작위 배정 임상시험을 실시할 수 없거나 실시하는 것이 불가능한 경우. TARGET는 기준선 교란 변수를 조정한 병렬군, 개별 무작위 배정 임상시험의 모의 실험을 포함하므로, 설계가 이 범위에 해당하는지 확인하십시오. ^4. 시작 방법: 데이터를 분석하기 전에 목표 임상시험 프로토콜을 작성하고, 각 요소가 보유한 데이터에 어떻게 적용되는지 명시하며, 체크리스트에서 보고하도록 요구하는 민감도 분석을 계획하십시오. ⁴

4. 플랫폼 및 마스터 프로토콜 시험

정밀 의학 분야의 임상시험 설계에 대한 검토에서는 바스켓 시험, 우산 시험, 마스터 플랫폼 시험, N-of-1 연구가 표준 1상, 2상, 3상 프로토콜을 대체하기 시작하면서 치료법의 더 빠른 평가를 가능하게 하는 설계로 설명됩니다. ⁵

적합한 경우: 분자적 특성에 맞춘 치료법을 적용하는 정밀 종양학 분야. 본 검토 보고서는 이러한 맥락에서 작성되었으며, 모든 새로운 임상 시험이 그런 것은 아니지만, 일부 새로운 임상 시험에서는 분자적 특성에 맞춘 치료법이 분자적 특성에 맞추지 않은 치료법보다 더 나은 결과를 보였다고 보고합니다. ⁵ 시작하는 방법: 각 설계의 장점, 한계 및 과제에 대한 검토 보고서를 읽고 설계가 자신의 분야와 규제 기관에 적합한지 확인하십시오. ⁵

5. 시민 과학

2025년 서식지 모니터링 검토에서는 458명의 자원 봉사 생물다양성 기록자를 대상으로 한 설문조사 결과를 요약했습니다. 기존 기록자들은 서식지 기록에 참여할 의향이 있었지만, 많은 이들이 자신감이 부족했고 일부는 동기가 부족했습니다. 저자들은 자원 봉사자의 동기와 자신감, 그리고 데이터 정확도 간의 상호 작용을 다루는 6가지 질문으로 구성된 설계 프레임워크를 개발했습니다. 이 프레임워크는 목적의 명확성, 자원 봉사자의 비용, 프로토콜의 복잡성, 표본 추출 규모를 포함하며, 이는 자원 봉사자에게 필요한 교육 및 지원에 영향을 미칩니다. ⁶

적합한 경우: 전문적인 조사만으로는 도달할 수 없는 범위와 규모의 관찰 또는 서식지 데이터가 필요할 때. 본 검토에서는 시민 과학을 전문 조사 및 지구 관측을 보완하는 것으로 제시합니다. ⁶ 시작하는 방법: 모집 전에 자신의 프로젝트에 대한 6가지 기본 질문에 답하고, 초록에는 정확도 수치가 보고되지 않으므로 프로토콜에서 정확도 증거를 찾으십시오. ⁶

6. 머신러닝 기반 시민 과학

고생물학 및 고고학 프로젝트에 대한 검토에서는 기계 학습과 자원 봉사자의 기여를 결합하기 위한 4단계 워크플로(준비, 실행, 구현 및 반복)를 제안합니다. 또한 화석 및 유물과 같은 대상에 대한 데이터 수집은 생물 다양성 모니터링에서 관찰 데이터를 수집하는 것과는 다른 요구 사항을 가지고 있다고 지적합니다. ⁷

적합한 경우: 대규모 화석이나 유물 컬렉션과 같이, 시민 과학과 머신 러닝이 상호 유익할 수 있다고 검토 보고서에서 언급된 경우. ⁷ 시작 방법: 네 단계를 프로젝트 계획으로 활용하고, 시민 과학 활동, 머신 러닝 개발, 연구, 이해관계자 참여, 앱 또는 인프라 개발 등 다양한 역할에 걸쳐 작업을 할당합니다. ⁷

7. 현장 데이터 수집을 위한 드론 활용

범위 검토 결과 2010년 이후 발표된 136건의 연구에서 드론을 사용하여 야생 동물의 생태생리학을 연구한 것으로 나타났으며, 연구 대상 종은 해양 포유류, 특히 고래류에 편중되어 있었습니다.8 ²⁰²⁵ 년 유해 조류 번식의 드론 기반 모니터링에 대한 검토에서는 검증, 규제 공백, 건강 위험 프레임워크와의 통합 등이 지속적인 과제로 지적되었습니다 ^.9

적용 사례: 야생 동물의 비침습적 샘플링(표준 색상 센서에서 얻은 신체 상태 및 형태 측정 데이터가 주로 사용되는 경우) ⁸ 및 위성 및 현장 측정 방법을 보완하는 조류 대발생 모니터링 ^9. 시작 방법: 조류 대발생 검토에서 고려 사항으로 나열된 비행 규정을 확인하고, 센서 데이터 검증 방법을 계획하십시오. 검증은 검토에서 언급된 지속적인 과제 중 하나입니다. ⁹

8. 가상 현실 실험

가상현실을 활용한 일화기억 연구에 대한 문헌 검토에서는 관련 연구가 여러 학문 분야에 걸쳐 있으며 각기 다른 장치를 사용하기 때문에 연구 간의 차이가 진정한 이론을 반영하는 것인지 아니면 방법론적 차이를 반영하는 것인지 판단하기 어렵다고 지적합니다. ¹⁰

적용 시기: 몰입형 환경에서의 학습 및 일화 기억 연구, 특히 몰입이 기억에 미치는 영향과 가상 현실의 효과가 현실 세계로 전이되는지 여부 연구. ¹⁰ 시작 방법: 하드웨어와 소프트웨어를 기록해 두십시오. 리뷰에서 언급된 바와 같이 연구마다 장비가 다양하기 때문입니다. 가상 현실에서의 학습이 현실 생활과 어떻게 다른지에 대한 정보가 부족하다는 점을 고려하여, 현실 세계와의 비교 조건을 추가하는 것을 제안합니다. ¹⁰

9. 소비자용 웨어러블 기기

소비자용 웨어러블 기기와 스마트폰 걸음 수 측정에 관한 INTERLIVE 전문가 성명서에서는 많은 소비자 기기의 유효성이 엄격하고 투명하게 평가되지 않았다고 지적하며, 유효성 검증 연구를 위한 체크리스트를 제시합니다. ¹¹

적용 사례: 소비자용 웨어러블 기기 또는 스마트폰을 이용한 걸음 수 측정으로 신체 활동을 측정하는 경우. ¹¹ 시작 방법: 본 지침의 6가지 영역(대상 인구, 기준 측정, 지표 측정, 검증 조건, 데이터 처리 및 통계 분석)을 활용하여 검증 연구를 설계하고 보고하십시오. 본 지침은 걸음 수 측정기에 대한 기본 및 고급 프로토콜을 제공합니다. ¹¹ 해당 지침을 신뢰하기 전에 사용 중인 기기 및 결과에 대한 검증 근거를 확인하는 것이 좋습니다.

10. 대규모 텍스트 소스의 텍스트 마이닝

친밀한 파트너 폭력 연구에서 컴퓨터 텍스트 분석에 대한 체계적인 검토 결과, 8개 데이터베이스에서 22개의 연구가 발견되었습니다. 텍스트 마이닝을 통해 연구자들은 소셜 미디어 또는 조직과 같이 수동으로 분석하기에는 너무 큰 데이터 세트에 접근할 수 있습니다. ¹²

적합한 경우: 소셜 미디어 데이터셋이나 수동으로 분석하기에는 너무 큰 규모의 조직 데이터셋; 본 연구는 특정 분야를 다루므로, 해당 연구 결과가 자신의 연구에도 적용 가능한지 확인하십시오. ¹² 시작하는 방법: 지도 학습 또는 비지도 학습 방식을 선택하고(포함된 연구에서는 규칙 기반 분류, 머신러닝, 딥러닝, 토픽 모델링을 사용함), 대부분의 연구에서처럼 별도의 레이블링된 테스트 데이터셋에서 평가하거나 k-겹 교차 검증을 사용하여 정확도와 F1 점수를 보고하십시오. ¹²

11. AI 기반 정성 분석

2026년에 75개 연구를 대상으로 실시한 범위 검토(scoping review)에서는 질적 연구 전반에 걸쳐 대규모 언어 모델이 사용되고 있으며, 주로 코딩 지원(43개 연구)과 주제 식별(41개 연구)에 사용되고, 주제 분석이 가장 일반적인 방법(38개 연구)으로 나타났습니다. 모델과 인간 코더 간의 일치율은 36%에서 99%까지 다양했습니다. ¹³ 2026년에 42개의 보건 연구를 대상으로 실시한 신속 검토(rapid review)에서는 서술적 주제에 대해서는 일치율이 80%를 넘는 경우가 많았지만, 문화적 뉘앙스가 있는 주제에 대해서는 약 30%에 그쳤으며, 조작된 인용문을 포함한 간헐적인 부정확성도 보고되었습니다. ¹⁴

적합한 시기: 방대한 양의 텍스트를 다루는 초기 단계 작업, 예를 들어 익숙해지기, 코딩 및 주제 개발과 같은 작업에서 귀납적 주제 및 내용 분석에서 가장 높은 성능을 보였으며, 반성적 및 이론 중심적 분석에서는 성능이 저하되었습니다. ¹⁴ 시작하는 방법: 해석을 담당할 사람을 지정하고 각 인용문을 원문과 대조하여 확인하십시오. 모델, 배포 방식(API, 웹 인터페이스 또는 로컬), 온도, 컨텍스트 길이 및 프롬프트를 보고하십시오. 범위 검토에서 75개 연구 중 13개만 온도를 보고했으며 75%는 매개변수 설정을 전혀 보고하지 않았습니다. ¹³

12. 소셜 미디어 분석

2026년에 소셜 미디어의 전자담배 콘텐츠에 대한 136개 연구를 대상으로 실시한 범위 검토 결과, 수동 코딩이 주를 이루었고, 계산적 또는 하이브리드 접근 방식을 사용한 경우는 상대적으로 적었습니다. 계산적 접근 방식은 일반적으로 더 큰 데이터 세트에 적용되었고, 검증 결과가 더 일관되게 보고되었으며, AI 애플리케이션은 주제 발견 및 감정 분석에 집중되었습니다. ¹⁵ 2026년에 8개 플랫폼에서 HPV 백신 콘텐츠에 대한 50개 연구를 대상으로 실시한 범위 검토(X가 가장 많이 연구됨)에서는 콘텐츠 분석, 감정 분석, 주제 모델링 및 네트워크 분석이 사용되었으며, 감정 극성만으로는 담론을 충분히 이해할 수 없다는 결론을 내렸습니다. ¹⁶

적합한 경우: 다양한 플랫폼에서 특정 주제에 대한 공개 토론을 매핑하는 경우. 두 리뷰 모두 건강 커뮤니케이션 분야에서 나온 것이므로, 해당 증거가 여러분의 분야에도 적용될 수 있는지 확인해야 합니다. ¹⁶ 시작하는 방법: 먼저 플랫폼과 샘플링을 정의하고, 데이터 세트 규모에 따라 수동 코딩, 컴퓨터 코딩 또는 하이브리드 코딩 중 어떤 방식이 적합한지 결정하고, 컴퓨터 출력 결과를 어떻게 검증했는지 보고해야 합니다. 전자담배 리뷰에서 강조된 부분이 바로 이 검증의 부족한 점입니다. ¹⁵ 주제 또는 콘텐츠뿐만 아니라 감정 극성도 코딩해야 합니다. ¹⁶

실제 사례: 984개의 초록에 대한 AI 선별 테스트

스페인 연구팀이 주도한 연구에서 두 가지 언어 모델이 생의학 체계적 문헌고찰의 제목과 초록을 선별할 수 있는지 여부를 테스트했습니다. 해당 논문은 CC BY 4.0 라이선스 하에 공개되어 있으므로, 저희는 논문에 제시된 수치를 다시 그래프로 나타내고 R을 사용하여 파생된 수치를 재계산했습니다 . ¹ 2022년 10월 Medline, Embase, Scopus 데이터베이스 검색 결과, 중복을 제거한 후 1,081개의 기록이 남았습니다. 세 번째 검토자와 함께 두 명씩 짝을 이루어 작업하는 인간 검토자들이 기준 표준으로 사용되었습니다. 97개의 기록에 대한 초록이 누락되었으므로, 모델은 984개의 기록을 평가했으며, 이 중 인간 검토자는 80개를 포함하고 904개를 제외했습니다.

Llama 3 70B와 GPT-4o mini는 각각 동일한 프롬프트를 사용하여 온도만 다른 세 가지 구성(0, 0.5, 1)으로 실행되었습니다. 최적의 Llama 3 구성인 LLA_2는 민감도 77.5%, 특이도 91.4%, 정확도 90.2%를 나타냈습니다. 최적의 GPT-4o mini 구성인 GPT_2(논문 본문에서는 CHAT_2라고 함)는 민감도 56.2%, 특이도 95.1%, 정확도 92.0%를 나타냈습니다. ¹

정확도가 문제를 가립니다. 984개 레코드 중 904개가 관련 없는 레코드였기 때문에, 관련 레코드 80개 중 35개를 버리면서도 약 92%의 정확도를 달성할 수 있는데, 모든 GPT-4o mini 구성이 그랬습니다. Llama 3 구성은 18~20개를 놓쳤습니다.

좌우로 스와이프하여 모든 열을 확인하세요.

이 결과는 다음과 같은 점을 보여줍니다. 한 검토에서 두 개의 범용 모델이 약 10개 초록 중 9개에서 사람의 검토 결과와 일치했고, Llama 3 실행에서 가장 관련성이 높은 기록을 찾았으며, 사람이 검토해야 하는 초록은 약 9%~14%에 불과했습니다. 하지만 이 결과는 다른 주제나 새로운 모델에 대한 결과, 절약된 시간, 또는 사람의 검토가 없는 파이프라인이 안전하다는 것을 보여주지는 않습니다. 저자들은 오탐지 및 오분류를 해결하기 위해 수동 검증이 여전히 필요하다고 주장합니다. ¹

혁신적인 연구 방법을 선택하는 방법

목록에 있는 모든 메서드에 대해 동일한 순서를 사용하십시오.

1. 1질문부터 시작하세요. 질문과 그 답변이 뒷받침할 결론을 작성하세요. 목적에 부합하지 않는 방법은 오히려 방해가 됩니다.
2. 2해당 분야에서 검증 근거를 찾아보세요. 다른 분야의 문제가 아니라, 당신이 제기한 문제와 유사한 문제에 대한 해당 방법론의 공개된 검증 사례를 찾아보세요.
3. 3신뢰할 수 있는 표준을 기준으로 시범 운영하십시오. 984-abstract 연구에서 인간 스크리닝을 통해 했던 것처럼, 이미 답을 알고 있는 소규모 샘플에 해당 방법을 적용해 보세요.
4. 4프로토콜과 보고 지침을 사전에 명시하십시오. 데이터를 수집하거나 분석하기 전에 설계, 결과 및 보고 지침을 확정하십시오.
5. 5반복할 수 있을 만큼 충분히 보고해 주세요. 모델, 장치 또는 플랫폼, 설정 및 프롬프트 또는 프로토콜을 명시하십시오. 스크리닝 연구에서 프롬프트와 구성 정보를 공개했으므로 다른 사람들이 재사용할 수 있습니다.¹

분석 실행 또는 확인이 필요하신가요? Editverse에 문의하세요.

Editverse의 주제별 전문가들은 COPE, ICMJE 및 GPP 2022 지침을 준수하며, 기관 및 국가별 윤리 규정을 따릅니다.

에디버스

방법론 상담

어떤 방법이 질문과 데이터에 가장 적합한지 잘 모르시겠나요?

제출하실 자료 는 연구 질문, 데이터 및 계획된 연구 설계입니다.

제공되는 서비스는 다음과 같습니다: 박사 학위 소지 방법론 전문가와의 45분 세션 3회, 권장 사항이 포함된 설계 검토, 그리고 방법론 프레임워크 문서.

시기: 제안서 작성 단계이거나 방법론에 대한 우려에 직면했을 때

방법론 컨설팅 패키지 · 400달러

제 방법 검토 요청하기 →

에디버스

문헌 검토 지원

검토를 위한 검색 전략 및 격차 분석이 필요하신가요?

제출하실 자료는 주제와 필요한 데이터베이스 목록입니다.

제공되는 자료는 검색 전략 문서, 엑셀 형식의 문헌 매트릭스, 격차 분석 보고서, 그리고 주석이 달린 참고문헌 목록입니다. 이 자료들을 바탕으로 서평을 작성하시면 됩니다.

시기: 논리적으로 타당한 검색 및 종합의 기반이 필요할 때.

문헌 검토 지원 패키지 · 500달러

제 리뷰를 지원해 주세요 →

에디버스

통계 분석

저널에서 요구하는 소프트웨어 형식으로 분석을 실행해야 합니까?

제출하실 자료, 연구 질문 및 선호하는 소프트웨어.

다음과 같은 결과물을 얻을 수 있습니다: 주석이 달린 코드 또는 구문, 완전한 출력 파일, 출력 해석 가이드 및 출판 준비가 완료된 표.

시기: 데이터 수집 후 분석이 진행 중인 시점.

SPSS/R/STATA 통계 분석 · 400달러

내 분석을 실행하세요 →

자주 묻는 질문

혁신적인 연구 방법이란 무엇인가요?

이러한 접근 방식은 AI 기반 문헌 선별, AI 기반 질적 분석, 실시간 체계적 문헌 검토, 목표 임상시험 모방, 플랫폼 임상시험, 시민 과학, 드론, 가상 현실, 소비자 웨어러블 기기, 텍스트 마이닝 및 소셜 미디어 분석과 같이 해당 분야의 표준 관행보다 새로운 것들입니다. 새로운 것이 반드시 검증되었다는 것을 의미하지는 않으므로, 도입하기 전에 해당 분야에서 발표된 연구 결과를 확인하십시오.

내 연구에 가장 적합한 혁신적인 연구 방법은 무엇일까요?

근거를 제시하여 질문에 대한 답을 제공하는 방법을 선택하세요. 먼저 질문과 그 질문이 뒷받침하는 결론을 도출한 다음, 해당 분야에서 해당 방법의 타당성 검증 연구를 찾아보세요. 위의 표는 각 방법과 인용된 자료에서 발췌한 검증 항목을 한눈에 보여줍니다.

인공지능이 초록 심사에서 인간 심사자를 대체할 수 있을까요?

저희가 검토한 자료에 따르면 그렇지 않습니다. 984개의 초록을 대상으로 한 한 연구 결과, 최적의 Llama 3 구성은 77.5%의 민감도를, 최적의 GPT-4o mini 구성은 56.2%의 민감도를 보였습니다(인간 검토자 기준). 연구 저자들은 중요한 연구가 누락되지 않도록 수동 검증이 여전히 필요하다고 결론지었습니다.

타겟 트라이얼 에뮬레이션이란 무엇인가요?

이는 무작위 대조 시험을 수행할 수 없거나 실행 불가능한 경우에 사용되는, 가상의 실용적 무작위 대조 시험을 명시적으로 모방하여 관찰 데이터를 활용해 인과 효과를 추정하는 방법입니다. 2025 TARGET 성명서는 6개 섹션에 걸쳐 21개 항목으로 구성된 보고 체크리스트를 제공합니다.

살아있는 체계적 고찰이란 무엇인가?

지속적으로 업데이트되는 체계적 문헌 검토로, 관련 신규 증거가 나오는 대로 반영합니다. 이러한 문헌 검토의 지지자들은 증거가 빠르게 나타나거나, 불확실하거나, 정책이나 관행을 변화시킬 가능성이 있는 경우에 특히 중요하다고 주장합니다.

소비자용 웨어러블 기기는 연구 대상으로서 유효한가?

사용하는 기기와 측정 방법에 따라 다릅니다. 인터라이브(INTERLIVE) 전문가 성명서에 따르면, 많은 소비자용 웨어러블 기기와 스마트폰의 걸음 수 측정 유효성이 엄격하고 투명하게 평가되지 않았으며, 유효성 검증 연구를 위한 체크리스트를 제공합니다. 사용하려는 기기와 측정 결과에 대한 유효성 검증 자료를 확인하십시오.

시민 과학 데이터가 발표된 연구 논문에 활용될 수 있을까요?

증거의 정확성은 프로젝트 설계에 따라 달라집니다. 2025년 서식지 기록 검토에서는 자원봉사자의 동기, 자신감, 데이터 정확성을 연관시키는 6가지 질문으로 구성된 설계 프레임워크를 제시했는데, 이는 자원봉사자에게 필요한 교육 및 지원에 영향을 미칩니다. 자원봉사자 데이터를 활용하기 전에 자체 프로토콜의 정확성 증거를 확인하십시오.

새로운 방법을 사용한 연구 결과를 어떻게 보고해야 하나요?

설계에 맞는 보고 지침을 사용하고, 재현이 가능하도록 방법을 충분히 자세하게 설명하십시오. 모의 실험의 경우 TARGET 체크리스트를 활용하십시오. AI 스크리닝의 경우, 984-abstract 연구에서처럼 모델, 설정 및 프롬프트를 보고하십시오. 2026년에 발표된 LLM 지원 질적 연구 75건에 대한 범위 검토 결과, 75%가 모델 매개변수 설정을 전혀 보고하지 않은 것으로 나타났습니다.

참고자료

1. López-Pineda A, Nouni-García R, Carbonell-Soliva Á, Gil-Guillén VF, Carratalá-Munuera C, Borrás F. 생물의학 체계적 검토에서 제목 및 초록 심사를 위한 대규모 언어 모델(Llama 3 및 ChatGPT-4o mini) 검증. 자원 합성 방법. 2025;16(4):620-630. 오픈 액세스, CC BY 4.0; 간격, 정확도 및 읽기 부하 수치는 R의 Editverse에 의해 다시 계산되었습니다. doi.org/10.1017/rsm.2025.15
2. Homiar A, Thomas J, Ostinelli EG, et al. 실시간 체계적 문헌고찰에서 제목과 초록을 선별하기 위한 대규모 언어 모델용 프롬프트 개발 및 평가. BMJ 정신건강. 2025;28(1). doi:10.1136/bmjment-2025-301762. pubmed.ncbi.nlm.nih.gov/40701625/
3. Elliott JH, Synnot A, Turner T, et al. 살아있는 체계적 문헌고찰: 1. 서론: 이유, 내용, 시기 및 방법. J Clin Epidemiol. 2017, 91 : 23 - 30. doi.org/10.1016/j.jclinepi.2017.08.010
4. Cashin AG, Hansford HJ, Hernán MA, et al. 목표 시험을 모방하는 관찰 연구의 투명한 보고: TARGET 성명서. BMJ. 2025;390:e087179. doi:10.1136/bmj-2025-087179. pubmed.ncbi.nlm.nih.gov/40903028/
5. Fountzilas E, Tsimberidou AM, Vo HH, Kurzrock R. 정밀 의학 시대의 임상 시험 설계. 게놈 메드. 2022, 14 (1) 101. doi.org/10.1186/s13073-022-01102-1
6. Barnes AE, Pocock MJO, Harris MM, Newton N, Robinson RA. 단순한 종 기록 그 이상: 서식지 모니터링을 위한 시민 과학의 잠재력. 조경 생태학 2025, 40 (9) 181. doi.org/10.1007/s10980-025-02155-4
7. Eijkelboom I, Schulp AS, Amkreutz L, 외. 화석과 유물 이해하기: 기계 학습 지원 시민 과학 프로젝트를 위한 성공적인 워크플로 설계에 대한 모범 사례 검토. PeerJ. 2025;13:e18927. doi:10.7717/peerj.18927. pubmed.ncbi.nlm.nih.gov/39959835/
8. Yaney-Keller A, McIntosh RR, Clarke RH, Reina RD. 드론을 이용한 야생동물 생태생리학 연구: 공중 격차 해소. 캠브리지 생물학 리뷰 철학회 2025;100(3):1206-1228. doi:10.1111/brv.13181. pubmed.ncbi.nlm.nih.gov/39822117/
9. Byrd K, Wu J, Lee J. 무인 항공기를 이용한 유해 조류 번식 모니터링: 도구, 과제 및 공중 보건에 미치는 영향. 독소(바젤). 2025;17(10). doi:10.3390/toxins17100475. pubmed.ncbi.nlm.nih.gov/41150176/
10. Smith SA. 일화 기억 연구における 가상 현실: 검토. 사이콘 불 레브. 2019;26(4):1213-1237. doi.org/10.3758/s13423-019-01605-w
11. Johnston W, Judice PB, Molina García P, 외. 소비자용 웨어러블 기기 및 스마트폰 걸음 수 측정의 유효성 확인을 위한 권장 사항: INTERLIVE 네트워크 전문가 의견 및 체크리스트. Br J Sports Med. 2021;55(14):780-793. doi:10.1136/bjsports-2020-103147. pubmed.ncbi.nlm.nih.gov/33361276/
12. Neubauer L, Straw I, Mariconti E, Tanczer LM. 친밀한 파트너 폭력 연구에서 전산 텍스트 분석 방법의 사용에 대한 체계적인 문헌 검토. J 가정 폭력. 2023. doi:10.1007/s10896-023-00517-7. doi.org/10.1007/s10896-023-00517-7
13. Kempny C, Frings J, Rust P, Meister S, Fehring L. 질적 연구에서 대규모 언어 모델의 사용 및 방법론적 보고: 범위 검토. BMC Med Res 방법론. 2026;26(1). doi:10.1186/s12874-026-02913-1. pubmed.ncbi.nlm.nih.gov/42298426/
14. Gierbolini-Rivera RD, Franco Silva M, Augusto de Paula da Silva A, 외. 건강 연구의 질적 방법을 위한 생성형 인공지능: 신속 검토. J Med Internet Res. 2026;28:e98551. doi:10.2196/98551. pubmed.ncbi.nlm.nih.gov/42684312/
15. Tiong WN, A Rahim AI, Arifin Wan Mansor WN, Yaacob NA. 소셜 미디어에서 전자담배 콘텐츠 매핑: 방법, AI 응용 프로그램 및 홍보 전략에 대한 범위 검토. J 건강 커뮤니케이션 2026;31(5):205-221. doi:10.1080/10810730.2026.2684616. pubmed.ncbi.nlm.nih.gov/42277591/
16. Xu Y, Cong R, Liu M 외. 8개 소셜 미디어 플랫폼에서 인유두종바이러스 백신 관련 소셜 미디어 콘텐츠 연구: 커뮤니케이션 콘텐츠, 정보 출처 및 분석 접근 방식에 대한 범위 검토. J Med Internet Res. 2026;28:e92040. doi:10.2196/92040. pubmed.ncbi.nlm.nih.gov/42743585/

Editverse 연구팀 | 2026년 10월 업데이트