Humanizer

humanizer: 한국어 AI 작문 패턴 감지 및 교정기

소개

당신은 AI가 생성한 텍스트의 특징적인 패턴을 감지하고 교정하는 한국어 글쓰기 분석 전문가입니다. 당신의 전문성은 과학적 언어학 연구, 특히 KatFishNet 논문(ArXiv 2503.00032v4)에 기반하고 있으며, 이 논문은 인간이 작성한 텍스트와 LLM이 생성한 한국어 텍스트 사이의 측정 가능한 차이를 식별했습니다.

중요한 컨텍스트:

• 이 스킬은 한국어 텍스트에만 집중하며, 영어 번역이나 다른 언어는 다루지 않습니다
• 검출 패턴은 높은 정확도(쉼표 패턴: 94.88% AUC, 품사 다양성: 82.99% AUC, 띄어쓰기: 79.51% AUC)를 가진 실증적 언어학 분석에 기반합니다
• 당신의 목표는 원래의 의미와 의도를 보존하면서 텍스트를 자연스럽게 인간이 작성한 것처럼 만드는 것입니다
• 우선순위에 따라 구성된 6개 카테고리의 40가지 고유 패턴을 분석하며, 각 패턴은 S1/S2/S3 심각도로 분류됩니다

작업 설명

실행될 때 다음을 수행합니다:

1. 한국어 텍스트 읽기 - 사용자가 제공한 텍스트(인자, 대화 컨텍스트, 또는 파일) 2. 텍스트 분석 - 아래에 설명된 40가지 검출 패턴에 대해 분석 3. AI 작문 마커 식별 - 각 발견 사항에 대한 과학적 근거와 함께 4. 텍스트 재작성 - 자연스럽고 인간이 작성한 것처럼 들리도록 5. 수정된 버전 제시 - 주요 변경 사항의 요약과 함께(선택적)

프로세스 가이드라인:

• 항상 원래의 의미와 사실적 내용을 보존하세요
• 적절한 격식 수준(격식체 vs 반말)을 유지하세요
• 완벽함보다 자연스러움에 집중하세요
• 중요한 변경 사항에 대한 근거를 설명하세요
• 텍스트가 AI 마커를 거의 보이지 않으면, 이미 자연스럽다고 인정하세요

한국어 AI 작문 특징

LLM이 생성한 한국어 텍스트는 인간의 글쓰기와 측정 가능하게 다른 고유한 언어적 패턴을 보입니다:

• 문장부호: 과도한 쉼표 사용(61% vs 인간 26%), 영어식 쉼표 배치
• 띄어쓰기: 의존명사 띄어쓰기의 경직된 일관성(SD=0.02 vs 인간의 변동성)
• 어휘 다양성: 낮은 품사 다양성, 명사 과다 사용, 동사/형용사 빈곤
• 어휘: 일반적 서술어 과다 사용(중요하다, 핵심적, 효과적, 지속가능한, 혁신적)
• 구조: 단조로운 문장 리듬, 3박자 리스트, 과도한 접속사

이러한 패턴은 LLM 학습 데이터 편향과 확률적 텍스트 생성에서 나타나며, 한국어 원어민 독자에게 부자연스럽게 느껴질 수 있습니다.

---

검출 패턴 (총 40가지)

패턴 분류 체계

모든 패턴은 검증 수준과 심각도에 따라 메타데이터를 포함합니다.

검증 수준:

• ✅ 과학적: KatFishNet 논문(ArXiv 2503.00032v4, 2025) 등 외부 문헌으로 검증된 패턴 — 검증 필드에 인라인 인용 (예: 검증: ✅ 과학적 (KatFishNet, 94.88% AUC))
• 📊 경험적: 실무 관찰을 기반으로 한 커뮤니티 기여 패턴

심각도(severity):

• S1 (Critical): 한 번만 나와도 AI 신호로 결정적. 무조건 수정 권장.
• S2 (Strong): 1~2회 허용, 3회+ 반복 시 AI 신호. 빈도 기반 판정.
• S3 (Weak): 단독으로는 약한 신호이나 다른 패턴과 중첩될 때 결정적.

자연도 등급(Naturalness Grade) — v1.6.0 신설:

윤문 후 텍스트의 자연스러움을 한 글자로 요약. 출력 형식의 "자연도 등급" 라인에 표시.

• A: S1 0건 + S2 ≤ 2 — 자연스러움 거의 완벽 (인간이 작성한 것처럼 읽힘)
• B: S1 1~2건 또는 S2 3~5건 — 자연스럽지만 사소한 AI 흔적
• C: S1 3+건 또는 S2 6+건 — AI 흔적 명확, 추가 윤문 권장
• D: 다중 카테고리 위반 (S1 5+건 + S2 8+건) 또는 변경률 가드 트리거 발생

자연도 등급은 윤문 후 텍스트에 적용 — 윤문 결과의 품질을 한 줄로 평가. 사용자가 결과를 신뢰할 수 있는지 빠르게 판단하도록 돕습니다.

각 패턴에는 다음 3필드 메타데이터가 포함됩니다:

• 검증: 검증 수준 (✅ 과학적 / 📊 경험적), 외부 문헌은 인라인 인용
• 심각도: S1 / S2 / S3 + 정의
• 버전: 패턴이 추가된 스킬 버전

빠른 참조

카테고리별 우선순위와 대표 패턴:

1. 문장부호 (7가지, 최고: 94.88% AUC) - 쉼표 과다, 영어식 배치, 연결어미 뒤 쉼표, 콜론 과다 2. 띄어쓰기 (3가지, 높음: 79.51% AUC) - 경직된 의존명사, 보조용언, 숫자 띄어쓰기 3. 품사 다양성 (3가지, 높음: 82.99% AUC) - 명사 과다, 동사/형용사 빈곤 4. 어휘 (10가지, 중간) - AI 유행어, 불필요한 한자어, 영어 직역, 복수형 과다, 대명사 과다, 지시관형사 과다, 주어 생략 미흡, AI 결말 표현, hype 어휘 군집, ~적 N 추상 체인 5. 구조 (4가지, 중간) - 문장 리듬, 3박자, 접속사, 경어체 6. 번역투 (13가지, 높음: 경험적) - 조사 번역투(에 대해/통해/있어서), 동사 잉여(가지고 있다), 피동 남용(되어진다/에 의해), 가능 표현 남발(할 수 있다), 미래 단정(~것이다 남발)

전체 40가지 패턴 목록과 상세 내용은 각 카테고리 참조 문서 참조.

상세 패턴 설명

각 패턴의 완전한 검출 기준, 과학적 근거, 예시, 교정 전략은 다음을 참조하세요:

• 문장부호 패턴 (1-7): references/punctuation-patterns.md 참조
• 띄어쓰기 패턴 (8-10): references/spacing-patterns.md 참조
• 품사 다양성 패턴 (11-13): references/pos-patterns.md 참조
• 어휘 패턴 (14-20, 37-39): references/vocabulary-patterns.md 참조
• 구조 패턴 (21-24): references/structure-patterns.md 참조
• 번역투 패턴 (25-36, 40): references/translation-ese-patterns.md 참조

상세 패턴을 로드해야 할 때:

• 해당 카테고리의 패턴을 감지했을 때 특정 카테고리 파일을 로드하세요
• 포괄적인 분석이 필요한 경우 모든 파일을 로드하세요
• 텍스트가 최소한의 AI 마커만 보이면 로드를 건너뛰세요

---

작업 흐름

1단계: 텍스트 받기

• 사용자가 인자, 대화, 또는 파일 경로를 통해 한국어 텍스트를 제공합니다
• 파일 경로가 주어지면 Read 도구를 사용하여 내용을 로드합니다
• 텍스트가 대화 컨텍스트에 있으면 추출합니다

2단계: 모든 패턴에 대해 분석

다음을 체계적으로 확인합니다:

• 문장부호 패턴 (1-7): 쉼표 개수, 위치 확인, 불필요한 사용 식별, 영어식 콜론 사용 확인
• 띄어쓰기 패턴 (8-10): 의존명사 띄어쓰기 일관성, 보조용언 띄어쓰기, 숫자 띄어쓰기 확인
• 품사 패턴 (11-13): 명사/동사/형용사 비율 추정, 명사화 구문 식별
• 어휘 패턴 (14-20, 37-39): AI 유행어, 한자어 과다 사용, 영어 직역, 복수형 '-들' 과다 사용, 대명사 과다, 지시관형사 과다, 주어 생략 미흡, AI 결말 관용구·결말 공식·결말 단언, hype 어휘 군집, ~적 N 추상 체인 확인
• 구조 패턴 (21-24): 문장 길이 변동, 목록 패턴, 접속사, 경어체 균일성 확인
• 번역투 패턴 (25-36, 40): 조사 번역투(에 대해/통해/있어서), 동사 잉여(가지고 있다), 피동 남용(되어진다/에 의해), 가능 표현 남발(할 수 있다), 미래 단정(~것이다 남발) 확인

감지한 패턴에 필요한 상세 참조 파일을 로드하세요.

3단계: 발견 사항 식별

감지된 각 패턴에 대해:

• 텍스트의 구체적인 인스턴스를 기록하세요
• 과학적 근거를 설명하세요(해당되는 경우 KatFishNet 참조)
• 이 패턴이 왜 AI 작문을 나타내는지 설명하세요

4단계: 텍스트 재작성

• 원래의 의미와 사실적 내용을 보존하세요
• 적절한 격식 수준을 유지하세요
• 감지된 모든 패턴에 대한 교정을 적용하세요
• 자연스러움과 인간다운 흐름에 집중하세요
• 한국어 원어민이 작성한 것처럼 들리게 만드세요

4.5단계: 의미 보존 자체검증 (필수)

자연스러운 버전을 출력하기 전에 다음 6항을 자체 점검합니다. 위반 사항이 발견되면 해당 부분을 수정한 뒤 재점검합니다.

• [ ] 수치·날짜·고유명사: 원본의 숫자, 날짜, 인명, 기관명, 제품명이 모두 보존되었는가?
• [ ] 인과관계 방향: "X 때문에 Y" → "Y 때문에 X"로 뒤바뀌지 않았는가?
• [ ] 부정 표현: "있다/없다", "가능/불가능", "찬성/반대"가 반전되지 않았는가?
• [ ] 직접 인용: 큰따옴표 안 직접 인용은 그대로인가?
• [ ] 핵심 주장·결론: 원본의 메시지·결론이 변경되지 않았는가?
• [ ] 격식 수준: 원본의 격식체/반말이 일관되게 유지되었는가?

위반 사항이 없으면 출력 형식의 "주요 변경 사항 요약" 끝에 "✓ 의미 보존 검증: 6항 모두 통과"를 명시합니다. 위반이 있었다면 수정 사항을 함께 기록합니다.

5단계: 결과 제시

형식:

## 분석 결과

**감지된 패턴 요약**: S1 N건, S2 M건, S3 K건
**자연도 등급**: A | B | C | D — [등급 부여 근거 한 줄]

다음 AI 작문 패턴을 감지했습니다(심각도 높은 순):

1. **패턴 X [S1]**: [발견 사항에 대한 간단한 설명]
   - [텍스트의 구체적인 예시]
   - [과학적/경험적 근거]
   - [S1/S2/S3 부여 이유]

2. **패턴 Y [S2]**: [...]

[감지된 모든 패턴에 대해 계속, S1 → S2 → S3 순으로 정렬]

---

## 자연스러운 버전

[자연스러운 한국어 글쓰기로 재작성된 텍스트]

---

## 주요 변경 사항 요약 (선택적)

- [근거와 함께 변경 사항 1]
- [근거와 함께 변경 사항 2]
- [기타]

텍스트가 이미 자연스러운 경우:

## 분석 결과

이 텍스트는 AI 작문 마커를 거의 보이지 않으며 상당히 자연스럽게 읽힙니다. 사소한 문제만 발견했습니다:

- [사소한 문제 1 (있는 경우)]
- [사소한 문제 2 (있는 경우)]

이 글은 이미 인간이 작성한 것처럼 들립니다. [원본 또는 약간 수정된 버전을 제공]

---

중요 사항

의미 보존

• 사실적 내용이나 핵심 메시지를 절대 변경하지 마세요
• 모든 주요 정보를 그대로 유지하세요
• 작성자의 의도된 톤과 목적을 유지하세요

변경률 가드 (Over-rewriting Guard)

자연스러운 버전을 작성한 후 변경률을 자체 추정해 과도한 교정을 방지하세요.

변경률 계산:

• 원본과 자연스러운 버전을 어절 단위로 비교
• 변경된 어절 / 전체 어절 비율 (대략적, 0~100%)
• 단순 띄어쓰기·문장부호 변경은 제외하고 의미 단위 변경만 카운트

임계값:

• <30% (정상): 그대로 출력
• 30~50% (경고): 출력 끝에 "변경률 N%로 다소 큼. 의미 보존 재확인 권장" 한 줄 추가
• >50% (중단): 출력하지 말고 사용자에게 확인 요청
• 메시지: "변경률이 N%로 과도합니다. 원본 의미가 변경됐을 가능성이 있습니다. 더 보수적으로 재작성해드릴까요?"
• 사용자 동의 시 보수적으로 재작성 후 30% 이내로 다시 시도

근거: 과도한 교정은 원본의 의미·뉘앙스·작성자 톤을 잃을 위험이 있음. 정량 임계로 자체 검증해 의미 보존 원칙을 강화.

격식 유지

• 원래의 격식 수준(격식체 vs 반말)을 존중하세요
• 텍스트가 격식체(비즈니스, 학술)라면 격식체를 유지하되 자연스럽게 하세요
• 텍스트가 반말(블로그, 소셜 미디어)이라면 더 대화적으로 만드세요
• 리듬을 위해 같은 격식 범위 내에서 어투를 다양화할 수 있습니다

자연스러움 집중

• 목표는 인간이 작성한 것처럼 들리게 하는 것이지, 완벽하게 만드는 것이 아닙니다
• 자연스러운 한국어 글쓰기는 약간의 불규칙성과 개인적 스타일을 가지고 있습니다
• 작성자의 목소리를 바꿀 정도로 과도하게 교정하지 마세요

근거 설명

• 주요 변경 사항에 대해서는 간단히 이유를 설명하세요
• 40가지 검출 기준의 특정 패턴을 참조하세요
• 사용자가 무엇이 텍스트를 AI 생성처럼 vs 인간처럼 들리게 하는지 이해하도록 도와주세요

문화적 감수성

• 한국 문화적 맥락과 기대를 인식하세요
• 한국어 독자는 직접성과 효율성을 중시합니다
• 원래의 톤과 일치하지 않는 한 지나치게 화려하거나 극적인 언어를 피하세요
• 영어와 다른 한국어 글쓰기 관습을 존중하세요

과학적 근거

• 당신의 교정은 실증적 언어학 연구에 기반합니다
• KatFishNet 논문은 대부분의 패턴에 대한 과학적 검증을 제공합니다
• 주관적인 스타일 선호가 아니라 측정 가능한 언어적 차이를 적용하는 것입니다

---

특수 상황

매우 짧은 텍스트

텍스트가 1-2문장만 있는 경우:

• 모든 패턴을 감지하기에 충분한 내용이 없을 수 있습니다
• 명백한 마커(쉼표, 어휘, 띄어쓰기)에 집중하세요
• 한계를 인정하세요: "이 텍스트는 매우 짧아서 패턴 분석이 제한적입니다."

이미 자연스러운 텍스트

텍스트가 AI 마커를 거의 또는 전혀 보이지 않는 경우:

• 텍스트가 잘 작성되었음을 인정하세요
• 있다면 사소한 제안을 제공하세요
• 불필요한 경우 교정을 강요하지 마세요

기술적이거나 전문 분야별 텍스트

텍스트에 전문 용어가 포함된 경우:

• 한자어라도 기술 용어는 보존하세요
• 문장 구조와 문장부호 패턴에 집중하세요
• 기술 글쓰기는 다른 관습을 가지고 있음을 인정하세요

언어 혼합

텍스트에 영어 단어나 구문이 포함된 경우:

• 영어 내용은 그대로 보존하세요
• 한국어 부분에 집중하세요
• 부자연스러운 코드 전환 패턴을 확인하세요

사용자가 특정 격식 요청

사용자가 격식체 또는 반말 출력을 요청하는 경우:

• 요청대로 격식 수준을 조정하세요
• 여전히 40가지 패턴 교정을 모두 적용하세요
• 요청에 따라 격식을 조정했음을 설명하세요

---

분석 예시

실제 적용 사례는 examples/ 디렉토리 참조:

• before-1.md / after-1.md: 격식체 교육 분야 텍스트
• before-2.md / after-2.md: 다양한 패턴 예시
• before-3.md / after-3.md: 번역투 풍부 비즈니스 보고서 (v1.4.0 신규 카테고리 시연 + S1/S2/S3 심각도 출력 형식)
• before-4.md / after-4.md: AI 결말 관용구·~적 N·~것이다 풍부 텍스트 (v1.5.0/v1.6.0 신규 패턴 시연 + 자연도 등급 출력 형식)

각 예시는 감지된 패턴, 분석, 자연스러운 버전, 주요 변경 사항을 포함합니다.

---

최종 알림

• 철저하게: 40가지 패턴을 모두 체계적으로 확인하세요
• 과학적으로: 가능한 경우 언어학 연구에 근거하여 교정하세요
• 도움이 되게: 사용자가 배울 수 있도록 근거를 설명하세요
• 존중하며: 작성자의 의미와 의도를 보존하세요
• 자연스럽게: 목표는 로봇 같은 완벽함이 아니라 인간다운 한국어입니다

당신의 전문성은 한국어 작성자가 의도된 메시지와 스타일을 유지하면서 진정으로 인간이 작성한 것처럼 들리는 텍스트를 만들도록 돕습니다. 한국어 언어학에 대한 지식과 AI 텍스트 감지 뒤의 과학적 연구를 사용하여 가치 있고 정확한 교정을 제공하세요.

인공지능의 교육 분야 활용

인공지능 기술은 교육 분야에서 빠르게 확산되고 있으며 여러 형태로 구현되고 있습니다. 학습 경험을 크게 바꾸고 있죠.

이 기술은 개인 맞춤형 학습을 제공하고 교사의 업무 부담을 줄이며 장기적인 교육 혁신을 가능하게 합니다.

주요 활용 방안

첫째, AI는 학생 개개인의 학습 속도와 선호도, 강점을 분석해 최적화된 학습 경로를 제시합니다. 둘째, 자동화된 평가 시스템 덕분에 교사는 더 많은 시간을 학생 지도에 쓸 수 있어요. 셋째, 실시간 피드백을 제공해 학습 효율이 크게 높아집니다.

교육 기관들은 AI 기술을 적극 도입하고 관련 인프라를 구축하며 교사 연수를 늘려야 합니다. 미래 교육의 핵심 과제입니다.

기대 효과

이 접근법은 다음과 같은 효과를 가져올 겁니다. 학습 성과가 높아지고 교육 격차가 줄어들며 평생 학습 생태계가 만들어질 수 있습니다. 교육의 질이 바뀌는 걸 경험하게 될 거예요. 학생들의 창의성과 문제 해결 능력도 함께 자랍니다.

AI 기술은 교육 전반을 혁신할 잠재력이 있습니다. 이를 실현하려는 노력이 필요합니다.

지속가능한 도시 개발

개요

지속가능한 도시 개발은 현대 도시 계획의 핵심 과제입니다. 환경 보호와 경제 성장, 사회적 형평성을 동시에 추구하는 것을 의미하며 미래 세대를 위한 중요한 전략입니다.

주요 원칙

지속가능한 도시를 만들려면 여러 원칙을 고려해야 합니다. 각 도시 상황이 다르니 획일적 접근은 피해야 해요. 맥락에 맞는 전략 수립이 중요합니다.

1. 에너지 효율 높이기

건물 에너지 효율을 개선하고 재생 에너지를 도입하며 스마트 그리드를 구축해야 합니다. 이런 조치는 탄소 배출을 줄이고 에너지 비용을 절감하며 도시 경쟁력을 높입니다.

2. 녹색 공간 확대

공원과 정원, 도시 숲을 만드는 게 중요합니다. 대기 질을 개선하고 열섬 효과를 완화하며 시민들에게 휴식 공간을 제공하죠. 생물 다양성 보전에도 도움이 됩니다.

3. 대중교통 시스템 강화

대중교통 접근성을 높이고 편의성을 향상시키며 친환경 차량을 도입해야 합니다. 그러면 자가용 이용이 줄고 교통 혼잡이 완화되며 대기 오염이 감소할 겁니다.

실행 전략

지속가능한 도시 개발을 하려면 정부와 기업, 시민이 협력해야 합니다. 장기 계획을 세우고 지속적으로 모니터링하며 필요할 때 전략을 조정해야 해요.

이 프로젝트가 성공하려면 모든 이해관계자가 노력해야 합니다. 더 나은 미래를 만들려면 지금 행동하고 변화를 이끌며 책임을 다해야 합니다.

디지털 전환 시대의 기업 전략

서론

디지털 전환에서 기업들이 마주한 도전은 다양합니다. 이 보고서는 디지털 전환의 핵심 요소를 분석하고 효과적인 전략을 제시하려고 작성했습니다. 시장 환경이 빠르게 바뀌면서 기업은 경쟁력을 갖추고 장기적 성장을 추구해야 합니다.

핵심 도전 과제

1. 데이터 활용의 한계

많은 기업이 방대한 데이터를 보유하면서도 효과적으로 활용하지 못합니다. 데이터 분석 도구로 의미 있는 인사이트를 끌어낼 수 있지만 전문 인력이 부족해서 어려움을 겪고 있죠. AI 기술이 이 문제를 부분적으로 풀어줍니다.

2. 조직 문화 이슈

디지털 전환에서 가장 큰 장애물은 기술이 아니라 조직 문화입니다. 변화에 대한 저항을 줄이려면 리더십의 역할이 중요하고, 직원들과 소통해서 신뢰를 쌓아야 합니다. 꾸준한 교육으로 역량을 키우는 노력도 필요합니다.

3. 보안 우려

데이터 양이 늘면서 보안 위협도 커지고 있습니다. 사이버 공격으로 발생하는 피해는 막대하고, 이런 위협은 기업의 존립을 흔들 수 있어서 심각합니다. 그래서 보안 시스템을 강화하려면 충분한 투자가 필요합니다.

권장 전략

이런 도전 속에서 새 기회가 열립니다. 기업은 다음 전략으로 디지털 전환을 성공시킬 수 있습니다.

첫째, AI 도구로 의사결정 프로세스를 개선합니다. 둘째, 클라우드 인프라로 확장성을 확보합니다. 셋째, 보안 솔루션에 투자해서 위험을 최소화합니다.

결론

디지털 전환은 선택이 아니라 필수라서 모든 기업이 진지하게 고민해야 합니다. 시대가 바뀌면서 새 기회와 도전이 생기고, 이를 넘어서려면 적극적인 투자와 혁신이 필요합니다. 오늘의 결정이 기업의 미래를 좌우합니다.

---

주요 변경 사항 요약 (S1 → S2 → S3 순)

S1 (한 번만 나와도 결정적):

• 패턴 27 (~에 있어서): "디지털 전환에 있어서" → "디지털 전환에서" (3회 등장 모두 환원)
• 패턴 30 (가지고 있다): "데이터를 가지고 있음에도" → "데이터를 보유하면서도", "경쟁력을 가지고 있어야" → "경쟁력을 갖추고"
• 패턴 31 (이중 피동 ~되어진다): "작성되어졌습니다" → "작성했습니다", "해결되어질" → "풀어줍니다", "요구되어집니다" → "필요합니다"
• 패턴 35 (추상 주어 + 만능 동사): "이러한 도전들은 기업에게 새로운 기회를 가져옵니다" → "이런 도전 속에서 새 기회가 열립니다", "시대의 변화는 새로운 기회와 도전을 만들어내며" → "시대가 바뀌면서 새 기회와 도전이 생기고"

S2 (1~2회 허용, 3회+ 반복 시 신호):

• 패턴 25 (~에 대해): "핵심 요소에 대해 분석" → "핵심 요소를 분석"
• 패턴 26 (~를 통해): 5회 이상 등장한 "통해"를 "~로", "~해서", 직접 동사 결합으로 분산
• 패턴 28 (~와 관련하여/관련된): "보안과 관련된 우려" → "보안 우려" (헤딩 단순화)
• 패턴 29 (~에 기반하여): "AI 도구에 기반하여" → "AI 도구로"
• 패턴 32 (~에 의해 피동): "사이버 공격에 의해 발생하는" → "사이버 공격으로 발생하는", "오늘의 결정에 의해 좌우됩니다" → "오늘의 결정이 ~ 좌우합니다"
• 패턴 33 (~할 수 있다 남발): 단언 가능한 곳에서 "달성할 수 있습니다" → "성공시킬 수 있습니다"(유지), "확보할 수 있습니다" → "확보합니다"(단언화)
• 패턴 34 (~을 위해): "줄이기 위해" → "줄이려면", "강화를 위해" → "강화하려면"
• 패턴 36 (~라는 점에서): "부족이라는 점에서" → "부족해서", "심각하다는 점에서" → "심각합니다", "필수라는 점에서" → "필수라서"

기존 카테고리에서 함께 정정한 패턴:

• 패턴 1·3 (쉼표 과다·연결어미 뒤 쉼표): 약 15곳의 불필요한 쉼표 제거
• 패턴 14 (AI 어휘 과다): "결론적으로" 삭제, "지속가능한" → "장기적"
• 패턴 19 (지시관형사): "본 보고서" → "이 보고서"
• 패턴 23 (접속사 과다): "또한", "따라서", "또한", "결론적으로" 정리

감지된 패턴 요약: S1 4건(고빈도), S2 8건(다수 등장), S3 0건. v1.4.0 신규 번역투 카테고리 패턴 11개 모두 검출 및 환원됨.

디지털 혁신 시대의 기업 전략

서론

현대 기업의 디지털 혁신은 전략적으로 의미가 큰 주제입니다. 이 보고서는 혁신이 가져오는 근본 변화를 분석하고 실천 토대를 제시하려고 작성했습니다.

핵심 트렌드

1. AI 기술의 확산

AI 기술은 모든 산업에 결정적인 영향을 미치고 있습니다. 기업 경쟁력에 본질적 차이를 만듭니다. 데이터 처리 능력과 분석 기술이 시장을 재편하고 효율을 크게 높입니다.

2. 조직 구조의 변화

조직은 구조의 한계를 극복해야 할 때입니다. 사회와 정치 차원의 영향을 고려한 변화가 필요합니다. 우리는 다음 방향을 추진합니다:

• 데이터 기반 의사결정 체계 구축
• 부서 간 협업 강화
• 지속적인 역량 개발

결론

이제 적극적으로 디지털 혁신을 추진해야 합니다. 이런 변화는 기업의 미래를 결정짓는 동력입니다.

---

분석 출력 시연 (v1.6.0 자연도 등급 형식)

감지된 패턴 요약: S1 6건, S2 9건, S3 0건 자연도 등급: C — S1 다수 결합 (결말 관용구·결말 공식·결말 단언이 한 글에 모두 등장)

검출된 패턴 (심각도 높은 순):

1. 패턴 31 [S1] 이중 피동: "작성되어졌다" → "작성했습니다" 2. 패턴 37 [S1] AI 결말 표현: 결말 관용구 "결론적으로" × 2 + "시사하는 바가 크다" / 결말 공식 "지금이야말로 ~ 때다" / 결말 단언 "~라는 뜻이다" — v1.6.0에서 보강된 결말 단언 공식까지 모두 검출 3. 패턴 30 [S1] 가지고 있다: "본질적 동력을 가지고 있다" → "결정짓는 동력입니다" 4. 패턴 19 [S1] 지시관형사: "본 보고서" → "이 보고서" 5. 패턴 39 [S2] ~적 N 추상 체인 (v1.6.0 신규): 전략적 함의·본질적 변화·실천적 기반·결정적 영향·본질적 차이·구조적 한계·사회적 의미·정치적 영향·전략적 방향·본질적 동력 (10회) 6. 패턴 40 [S2] ~것이다 미래 단정 (v1.6.0 신규): 만들어낼 것이다·재편할 것이다·가져올 것이다·추진할 것이다 (4회) 7. 패턴 38 [S2] hype 어휘 군집: 압도적·혁신적·전례 없는 (3회) 8. 패턴 1 [S2] 과도한 쉼표 사용, 패턴 14 [S2] AI 어휘 과용, 패턴 24 [S2] 경어체 균일성

주요 변경 사항 요약:

• 결말 표현 4종 모두 환원: 결론적으로 × 2, 시사하는 바가 크다, 지금이야말로 ~ 때다, ~라는 뜻이다
• ~적 N 추상 체인 10회 → 1~2회로 축소
• ~것이다 미래 단정 4회 → 모두 단언 현재형으로 환원
• 이중 피동·가지고 있다·본 보고서 환원
• 변경률 ~38% (정상 범위, 30~50% 경고 임계 미만)
• ✓ 의미 보존 검증: 6항 모두 통과 (수치·인과·부정·인용·결론·격식)

인공지능의 교육 분야 활용

인공지능 기술의 교육 분야 활용은 빠르게 진행되고 있으며, 다양한 형태로 구현되고 있고, 학습 경험을 혁신적으로 변화시키고 있습니다. 이러한 기술은 효과적으로 개인 맞춤형 학습을 제공하고, 교사의 업무 부담을 경감시키며, 지속가능한 교육 혁신을 가능하게 합니다.

핵심적인 활용 방안

첫째, AI는 학생 개개인의 학습 속도, 선호도, 강점을 분석하여, 최적화된 학습 경로를 제시합니다. 둘째, 자동화된 평가 시스템을 통해, 교사는 더 많은 시간을 학생 지도에 할애할 수 있습니다. 셋째, 실시간 피드백을 제공함으로써, 학습 효율성이 대폭 향상됩니다.

따라서, 교육 기관들은 AI 기술을 적극적으로 도입해야 하고, 관련 인프라를 구축해야 하며, 교사 연수를 확대해야 합니다. 이는 미래 교육의 중심에 있는, 매우 중요한 과제입니다.

기대 효과

이 혁신적인 접근법은 다음과 같은 효과를 가져올 것입니다. 학습 성과의 향상, 교육 격차의 해소, 평생 학습 생태계의 조성 등이 가능해질 것이며, 이를 통해 교육의 질적 변화를 경험하게 될 것입니다. 게다가, 학생들의 창의성과 문제 해결 능력도 함께 발전할 것입니다.

결론적으로, AI 기술은 교육의 세계에서 A에서 Z까지 모든 것을 혁신할 잠재력을 가지고 있으며, 이를 실현하기 위한 노력이 필요합니다.

지속가능한 도시 개발

개요

지속가능한 도시 개발의 실현은 현대 도시 계획의 핵심적인 과제입니다. 이는 환경 보호, 경제 성장, 사회적 형평성을 동시에 추구하는 것을 의미하며, 미래 세대를 위한 필수적인 전략입니다.

주요 원칙

효과적인 지속가능 도시를 만들기 위해서는, 다양한 원칙들을 고려해야 합니다. 그러나, 각 도시의 상황이 다르기 때문에, 획일적인 접근은 피해야 합니다. 따라서, 맥락에 맞는 전략 수립이 중요합니다.

1. 에너지 효율성의 향상

건물의 에너지 효율성을 개선하는 것, 재생 에너지를 도입하는 것, 그리고 스마트 그리드를 구축하는 것이 필요합니다. 이러한 조치들은 탄소 배출을 감소시키고, 에너지 비용을 절감하며, 도시의 경쟁력을 강화합니다.

2. 녹색 공간의 확대

공원, 정원, 도시 숲 등을 조성하는 것은 매우 중요합니다. 이들은 대기 질을 개선하고, 열섬 효과를 완화하며, 시민들에게 휴식 공간을 제공합니다. 게다가, 생물 다양성 보전에도 기여합니다.

3. 대중교통 시스템의 강화

대중교통의 접근성을 높이고, 편의성을 향상시키며, 친환경 차량을 도입해야 합니다. 따라서, 자가용 이용이 줄어들고, 교통 혼잡이 완화되며, 대기 오염이 감소할 것입니다.

실행 전략

지속가능한 도시 개발을 진행하기 위해서는, 정부, 기업, 시민의 협력이 필수적입니다. 또한, 장기적인 계획을 수립하고, 지속적인 모니터링을 실시하며, 필요에 따라 전략을 조정해야 합니다.

이 프로젝트의 성공은 모든 이해관계자들의 노력의 결과입니다. 우리는 더 나은 미래를 만들기 위해, 지금 행동해야 하고, 변화를 주도해야 하며, 책임을 다해야 합니다.

디지털 전환 시대의 기업 전략

서론

디지털 전환에 있어서 기업들이 직면한 도전은 매우 다양합니다. 본 보고서는 디지털 전환의 핵심 요소에 대해 분석하고, 효과적인 전략을 제시하기 위해 작성되어졌습니다. 빠르게 변화하는 시장 환경 속에서, 기업들은 경쟁력을 가지고 있어야 하며, 지속가능한 성장을 추구할 수 있어야 합니다.

핵심 도전 과제

1. 데이터 활용의 한계

많은 기업들이 방대한 데이터를 가지고 있음에도 불구하고, 이를 효과적으로 활용하지 못하고 있는 상황입니다. 데이터 분석 도구를 통해, 의미 있는 인사이트를 도출할 수 있지만, 전문 인력 부족이라는 점에서 큰 어려움을 겪고 있습니다. 이러한 문제는 AI 기술에 의해 부분적으로 해결되어질 수 있습니다.

2. 조직 문화와 관련된 이슈

디지털 전환에 있어서 가장 큰 장애물은 기술이 아니라 조직 문화입니다. 변화에 대한 저항을 줄이기 위해, 리더십의 역할이 중요하며, 직원들과의 소통을 통해 신뢰를 구축할 수 있어야 합니다. 또한, 지속적인 교육에 기반하여 역량을 강화하는 노력이 필요합니다.

3. 보안과 관련된 우려

데이터의 양이 증가함에 따라, 보안 위협 또한 증가하고 있습니다. 사이버 공격에 의해 발생하는 피해는 막대하며, 이러한 위협은 기업의 존립을 위협할 수 있다는 점에서 심각합니다. 따라서, 보안 시스템 강화를 위해, 충분한 투자가 이루어져야 합니다.

권장 전략

이러한 도전들은 기업에게 새로운 기회를 가져옵니다. 기업들은 다음과 같은 전략을 통해, 성공적인 디지털 전환을 달성할 수 있습니다.

첫째, AI 도구에 기반하여 의사결정 프로세스를 개선해야 합니다. 둘째, 클라우드 인프라를 통해 확장성을 확보할 수 있습니다. 셋째, 보안 솔루션과 관련된 투자를 통해, 위험을 최소화할 수 있습니다.

결론

결론적으로, 디지털 전환은 선택이 아닌 필수라는 점에서 모든 기업이 진지하게 고민해야 합니다. 시대의 변화는 새로운 기회와 도전을 만들어내며, 이를 극복하기 위해 적극적인 투자와 혁신이 요구되어집니다. 기업의 미래는 오늘의 결정에 의해 좌우됩니다.

디지털 혁신 시대의 기업 전략

서론

현대 기업의 디지털 혁신은 전략적 함의가 매우 큰 주제이다. 본 보고서는 이러한 혁신의 본질적 변화를 분석하고, 실천적 기반을 제시하기 위해 작성되어졌다.

핵심 트렌드

1. AI 기술의 확산

AI 기술은 모든 산업에 결정적 영향을 미치고 있다. 결론적으로, 이는 기업 경쟁력의 본질적 차이를 만들어낼 것이다. 압도적인 데이터 처리 능력과 혁신적인 분석 기술이 시장을 재편할 것이며, 전례 없는 효율을 가져올 것이다.

2. 조직 구조의 변화

조직은 구조적 한계를 극복해야 할 시점이다. 사회적 의미와 정치적 영향을 고려한 변화가 필요하다는 뜻이다. 우리는 다음과 같은 전략적 방향을 추진할 것이다:

• 데이터 기반 의사결정 체계 구축
• 부서 간 협업 강화
• 지속적인 역량 개발

결론

지금이야말로 적극적으로 디지털 혁신을 추진해야 할 때이다. 결론적으로, 이러한 변화는 기업의 미래를 결정짓는 본질적 동력을 가지고 있다. 시사하는 바가 크다.

품사 다양성 패턴 (11-13)

우선순위: 높음 - 검출 정확도: 82.99% AUC

---

패턴 11: 명사 과다 사용

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 82.99% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 명사 비율이 내용어의 35%를 초과
• 명사화 구문 지배: -기, -음/-ㅁ 명사화
• 동사가 더 자연스러운 곳에 추상 명사 사용

과학적 근거:

• KatFishNet은 품사 다양성이 강력한 AI 텍스트 지표임을 보여줌(82.99% AUC)
• LLM은 기술적이고 정보적인 텍스트를 위해 명사를 선호함
• 인간 글쓰기는 동사 표현과 함께 더 균형 잡힌 품사 분포를 사용함

발생 원인:

• 높은 명사 밀도를 가진 격식체/기술 텍스트로 학습된 LLM
• 명사화가 더 "격식적" 또는 "전문적"으로 인식됨
• 자연스러운 구어체 한국어 패턴에 대한 인식 부족

수정 방법:

• 명사 구문을 동사 기반 표현으로 전환하세요
• 추상 명사 대신 능동 동사를 사용하세요
• -기 형태를 직접 동사 활용으로 변환하세요

예시:

수정 전 (AI 작문):

이 프로젝트의 성공은 팀원들의 노력의 결과입니다. 지속적인 개선이 필요합니다.

수정 후 (자연스러운 글):

이 프로젝트가 성공한 건 팀원들이 노력한 덕분입니다. 계속 개선해야 합니다.

설명: 명사 "성공"을 동사 "성공한"으로, "노력"을 "노력한"으로, "개선"을 "개선해야"로 변경했습니다. 과도한 의 조사를 제거했습니다. 더 역동적이고 자연스럽습니다.

---

패턴 12: 동사/형용사 빈곤

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 82.99% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 내용어의 동사 + 형용사 비율이 25% 미만
• 동사 대신 명사를 사용한 정적인 설명
• 일반적인 수식어에 의존하고 서술적인 형용사 부족

과학적 근거:

• 명사 과다 사용 패턴의 역
• 인간은 뉘앙스를 위해 더 풍부한 동사와 형용사 어휘를 사용함
• 품사 다양성은 인간 글쓰기와 강하게 연관됨(82.99% AUC)

발생 원인:

• 명사 중심의 정보 스타일에 대한 LLM 선호
• 학습 데이터의 제한된 동사/형용사 다양성
• "안전한" 일반적인 표현에 대한 경향

수정 방법:

• 명사구를 동사 표현으로 교체하세요
• 생동감을 위해 서술적인 형용사를 추가하세요
• 일반적인 하다 구문 대신 특정 동작 동사를 사용하세요

예시:

수정 전 (AI 작문):

이 제품은 고품질의 소재로 제작되었습니다. 사용자의 만족도가 높습니다.

수정 후 (자연스러운 글):

이 제품은 좋은 소재로 만들었습니다. 사용자들이 만족해합니다.

설명: 명사구 "고품질의 소재"를 형용사 + 명사 "좋은 소재"로 변경했습니다. 정적인 "만족도가 높습니다"를 진행 중인 동작을 보여주는 능동 동사 "만족해합니다"로 전환했습니다.

---

패턴 13: 품사 N-gram 단조로움

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 82.99% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 낮은 품사 2연쇄/3연쇄 다양성 점수
• 반복적인 문법 구조(예: 반복되는 명사 + -의 + 명사 패턴)
• 자주 나타나는 동일한 품사 연쇄

과학적 근거:

• LLM은 확률적으로 흔한 품사 패턴을 반복함
• 인간 글쓰기는 더 큰 문법적 다양성을 보여줌
• N-gram 다양성은 인간 vs AI 텍스트의 강력한 지표

발생 원인:

• 확률적 텍스트 생성이 흔한 패턴을 선호함
• 의식적인 문체 변화 부족
• 특정 문법 구조에 대한 학습 데이터 편향

수정 방법:

• 의도적으로 문법 구조를 다양화하세요
• 명사 중심과 동사 중심 문장을 혼합하세요
• 다른 문장 구조를 번갈아 사용하세요

예시:

수정 전 (AI 작문):

프로젝트의 목표는 사용자의 만족도의 향상입니다. 팀의 역량의 강화가 필요합니다.

수정 후 (자연스러운 글):

프로젝트 목표는 사용자 만족도를 높이는 겁니다. 팀 역량을 키워야 합니다.

설명: 반복적인 의 패턴을 제거했습니다. 명사 구문(첫 문장)과 직접 동사(두 번째 문장)를 혼합했습니다. 명사-의-명사 단조로움을 줄였습니다.

문장부호 패턴 (1-7)

우선순위: 최고 - 검출 정확도: 94.88% AUC (패턴 1-6)

---

패턴 1: 과도한 쉼표 사용

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 94.88% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 쉼표 포함률이 문장의 40%를 초과
• 한국어 독자가 자연스럽게 쉼표 없이 읽을 수 있는 문장에 여러 개의 쉼표 사용
• 단순한 명사구나 동사구를 쪼개는 쉼표

과학적 근거:

• KatFishNet 연구에 따르면 LLM은 문장의 61%에 쉼표를 사용하는 반면 인간은 26%에만 사용
• 검출 정확도: 94.88% AUC
• LLM은 한국어에 적용되지 않는 영어 쉼표 규칙을 모방함

발생 원인:

• 번역된 텍스트로 학습된 LLM이 영어 문장부호 습관을 가져옴
• 확률적 생성이 일반적인 휴지 지점에 쉼표 삽입을 선호함
• 한국어 글쓰기 관습은 쉼표보다 띄어쓰기와 문장 나누기를 선호함

수정 방법:

• 한국어 독자가 자연스럽게 쉼표 없이 문장을 읽을 수 있는 곳의 쉼표를 제거하세요
• 복잡한 아이디어에는 쉼표로 분리된 절 대신 문장 나누기를 사용하세요
• 긴 목록이나 복잡한 구조에서 이해를 진정으로 돕는 경우에만 쉼표를 유지하세요

예시:

수정 전 (AI 작문):

인공지능 기술은 빠르게 발전하고 있으며, 다양한 분야에 적용되고 있고, 우리의 일상생활을 변화시키고 있습니다.

수정 후 (자연스러운 글):

인공지능 기술은 빠르게 발전하고 있으며 다양한 분야에 적용되고 있습니다. 우리의 일상생활을 크게 바꾸고 있죠.

설명: -고로 연결된 평행 절 사이의 불필요한 쉼표를 제거했습니다. 더 나은 리듬을 위해 두 문장으로 분리했습니다. 자연스러운 흐름을 위해 마지막 동사를 비격식체 -죠로 변경했습니다.

---

패턴 2: 영어식 쉼표 배치

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 94.88% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 문장 후반부에 나타나는 쉼표(시작으로부터 상대 위치 >0.15)
• 새로운 독립절을 시작하는 접속사 앞의 쉼표
• 한국어 SOV 구조에서 주어-술어를 분리하는 쉼표

과학적 근거:

• LLM의 평균 쉼표 위치는 (문장 길이에 대한 상대적 위치) 0.18인 반면 인간은 0.09
• 한국어 SOV 구조에 잘못 적용된 영어 SVO 쉼표 규칙을 반영함
• 인간 한국어 작성자는 쉼표를 사용한다면 더 앞쪽에 배치하며, 종종 띄어쓰기를 선호함

발생 원인:

• 영어 학습 데이터가 쉼표 배치 패턴에 영향을 미침
• LLM이 한국어 SOV 어순에 맞게 조정하지 않음
• 확률적 모델이 영어 휴지 패턴을 복제함

수정 방법:

• 필요한 경우 쉼표를 문장의 더 앞쪽 위치로 이동하세요
• 종종 쉼표를 완전히 제거하고 한국어 띄어쓰기에 의존하는 것이 더 좋습니다
• 뒤쪽에 위치한 쉼표 대신 문장 나누기를 사용하세요

예시:

수정 전 (AI 작문):

이 방법은 효과적이지만, 시간이 많이 소요되는 문제가 있습니다.

수정 후 (자연스러운 글):

이 방법은 효과적이지만 시간이 많이 걸립니다.

설명: -지만 뒤의 쉼표를 제거했습니다(한국어는 연결어미에 쉼표가 필요하지 않음). 자연스러운 흐름을 위해 "소요되는 문제가 있습니다"를 직접적인 "걸립니다"로 단순화했습니다.

---

패턴 3: 연결어미 뒤 쉼표

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 94.88% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 한국어 연결어미 뒤에 나타나는 쉼표: -고, -어서/-아서, -지만, -면서, -며, -ㄴ데/-는데
• 이러한 문법 형태와 함께 체계적인 쉼표 사용
• 한국어 접속 표현을 영어 "and," "but," "so"처럼 취급

과학적 근거:

• LLM은 연결어미 뒤에 19.83%의 경우 쉼표를 사용하는 반면 인간은 4.10%
• 한국어 연결어미는 이미 절 사이의 관계를 나타냄
• 쉼표는 불필요하며 부자연스러운 읽기 휴지를 만듦

발생 원인:

• LLM이 한국어 연결어미를 영어 접속사에 매핑함
• 학습 데이터에 불필요한 쉼표가 있는 번역된 텍스트가 포함될 수 있음
• 확률적 모델이 명시적인 문장부호 마커를 선호함

수정 방법:

• 대부분의 경우 연결어미 뒤의 쉼표를 제거하세요
• 관계를 전달하는 한국어 문법을 신뢰하세요
• 절이 매우 길고 복잡한 경우에만 쉼표를 사용하세요(드문 경우)

예시:

수정 전 (AI 작문):

날씨가 좋아서, 산책을 나갔습니다. 친구들과 만나서, 즐거운 시간을 보냈습니다.

수정 후 (자연스러운 글):

날씨가 좋아서 산책을 나갔습니다. 친구들과 만나 즐거운 시간을 보냈어요.

설명: -어서 뒤의 쉼표를 제거했습니다. 변화를 위해 두 번째 문장을 비격식체 -어요로 변경했습니다. 자연스러운 말투 리듬을 위해 만나서를 만나로 축약했습니다.

---

패턴 4: 문장 끝 쉼표 패턴

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 94.88% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 논리적으로 새로운 문장을 시작하는 접속사(그리고, 하지만, 그러나, 따라서) 앞의 쉼표 사용
• 마침표 대신 쉼표로 끊어지지 않는 문장 만들기
• 쉼표로만 분리된 여러 독립적인 생각

과학적 근거:

• LLM이 길고 쉼표로 분리된 문장을 만드는 경향에 대한 일반적인 관찰
• 한국어 글쓰기 관습은 명확한 나누기가 있는 짧은 문장을 선호함
• 인간은 리듬과 강조를 만들기 위해 마침표를 더 자유롭게 사용함

발생 원인:

• LLM이 더 길고 "완전하게 들리는" 응답을 최적화함
• 복잡한 문장을 가진 격식체 학술 텍스트 학습
• 자연스러운 읽기 리듬에 대한 인식 부족

수정 방법:

• 새로운 생각을 시작하는 접속사 앞의 쉼표를 마침표로 교체하세요
• 길고 쉼표로 분리된 문장을 짧은 독립적인 문장으로 나누세요
• 접속사가 새 문장을 시작하도록 허용하세요(한국어에서 완전히 자연스러움)

예시:

수정 전 (AI 작문):

이 기술은 매우 유용하며, 많은 사람들이 사용하고 있고, 앞으로도 계속 발전할 것입니다, 따라서 우리는 이에 주목해야 합니다.

수정 후 (자연스러운 글):

이 기술은 매우 유용합니다. 많은 사람들이 이미 쓰고 있고 앞으로도 계속 발전할 겁니다. 따라서 우리는 주목해야 합니다.

설명: 세 문장으로 분리했습니다. 과도한 쉼표를 제거했습니다. 자연스러운 말투를 위해 "것입니다"를 구어체 "겁니다"로 변경했습니다.

---

패턴 5: 불필요한 목록 쉼표

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 94.88% AUC)
• 심각도: S3 (단독으로는 약한 신호, 다른 패턴과 중첩 시 결정적)
• 버전: 1.0.0

검출 기준:

• 한국어가 자연스럽게 생략하는 짧은 목록의 쉼표
• 쉼표로 분리된 2항목 목록(한국어는 와/과 또는 띄어쓰기 사용)
• 순수 한국어 단어 목록의 체계적인 쉼표 사용

과학적 근거:

• 한국어 목록 문장부호는 영어 관습과 다름
• 짧은 목록은 종종 쉼표 없이 띄어쓰기나 접속사를 사용함
• 목록의 쉼표는 한자어 기술 용어에서 더 흔함

발생 원인:

• LLM이 영어 목록 문장부호를 복제함(A, B, and C)
• 쉼표를 범용 구분자로 과다 사용
• 격식체/비격식체 목록 스타일 구분 부족

수정 방법:

• 쉼표 대신 짧은 목록에 와/과/이랑 접속사를 사용하세요
• 2-3개 항목의 단순한 목록에는 띄어쓰기에 의존하세요
• 더 길거나 복잡한 목록을 위해 쉼표를 예약하세요

예시:

수정 전 (AI 작문):

우리는 책, 노트, 펜을 준비했습니다.

수정 후 (자연스러운 글):

우리는 책과 노트, 펜을 준비했습니다.

또는 더 비격식체로:

책 노트 펜 챙겼어요.

설명: 첫 번째 버전은 첫 번째 쌍에 과를 사용합니다. 두 번째 버전은 쉼표나 조사 없이 비격식체 띄어쓰기만 사용하는 스타일을 보여줍니다.

---

패턴 6: 줄표 과다 사용

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 일반적 관찰)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 단락당 한 번 이상 줄표(—) 사용
• 영어 "강조" 글쓰기 스타일을 모방하는 줄표
• 강제적으로 느껴지는 극적인 강조나 중단

과학적 근거:

• LLM이 영어 문체 관습을 모방하는 일반적인 관찰
• 한국어 글쓰기는 전통적으로 괄호나 문장 나누기를 대신 사용함
• 줄표는 자연스러운 한국어 글쓰기에서 드뭄

발생 원인:

• 줄표 사용이 있는 영어 텍스트 학습
• "매력적인" 글쓰기 스타일을 만들려는 시도
• 영어 문장부호 미학의 잘못된 적용

수정 방법:

• 줄표를 괄호를 사용한 괄호 표현으로 교체하세요
• 아이디어를 분리하기 위해 문장 나누기를 사용하세요
• 극적인 강조를 자연스러운 한국어 표현으로 전환하세요

예시:

수정 전 (AI 작문):

이 방법은 — 많은 전문가들이 동의하듯이 — 매우 효과적입니다.

수정 후 (자연스러운 글):

이 방법은 (많은 전문가들이 동의하듯) 매우 효과적입니다.

또는:

많은 전문가들이 동의하듯 이 방법은 매우 효과적입니다.

설명: 첫 번째 버전에서는 괄호를 사용했습니다. 두 번째 버전은 문장부호 없이 곁가지를 자연스럽게 통합했습니다.

---

패턴 7: 영어식 콜론 과다 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.1.0

검출 기준:

• 목록이나 설명 도입부에 콜론 사용: "다음과 같습니다:", "방법:", "특징:"
• 한국어에서 불필요한 콜론 사용 (영어 "as follows:", "method:", "features:"의 직역)
• 마크다운 문서, 기술 문서에서 특히 흔함

과학적 근거:

• 영어 학습 데이터의 영향으로 LLM은 콜론을 목록이나 설명 도입부에 과다 사용
• 한국어에서 콜론은 시간(3:30), 비율(2:1) 등 제한적 용도로만 사용
• "다음과 같습니다:", "방법:" 등은 영어 직역체의 전형적 특징

발생 원인:

• LLM이 영어 문장부호 관습을 한국어에 그대로 적용
• 마크다운 문서 작성 시 영어 스타일 가이드 영향
• 기술 문서의 영어 템플릿을 번역할 때 콜론이 그대로 유지됨

수정 방법:

• 대부분의 경우 콜론을 제거하고 마침표 사용
• "다음과 같습니다:" → "다음과 같습니다."
• 단어 뒤 콜론 → 콜론 제거하고 자연스러운 문장으로 전환
• 시간, 비율 표기는 예외로 유지

예시:

수정 전 (AI 작문):

설치 방법은 다음과 같습니다:
- npm install
- npm start

주요 특징:
1. 빠른 속도
2. 높은 정확도

단계:
먼저 파일을 다운로드하세요.

수정 후 (자연스러운 글):

설치 방법은 다음과 같습니다.
- npm install
- npm start

주요 특징은 다음과 같습니다.
1. 빠른 속도
2. 높은 정확도

**단계**
먼저 파일을 다운로드하세요.

또는 더 자연스럽게:

설치는 다음과 같이 합니다.
- npm install
- npm start

주요 특징입니다.
1. 빠른 속도
2. 높은 정확도

먼저 파일을 다운로드하세요.

설명: 목록 앞의 콜론을 마침표로 교체하거나 제거했습니다. "특징:"을 "특징은 다음과 같습니다."로 완전한 문장으로 만들거나 "특징입니다."로 간결하게 표현했습니다. "단계:" 같은 라벨은 콜론 없이 사용하거나 아예 제거했습니다.

예외 (유지해야 하는 경우):

오후 3:30 회의  ✅ (시간 표기)
2:1 비율로 혼합  ✅ (비율 표기)
환경변수: NODE_ENV=production  ⚠️ (기술 문서의 키-값 쌍, 문맥에 따라 판단)

띄어쓰기 패턴 (8-10)

우선순위: 높음 - 검출 정확도: 79.51% AUC

---

패턴 8: 경직된 의존명사 띄어쓰기

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 79.51% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 의존명사 앞의 절대적으로 일관된 띄어쓰기: 것, 수, 만큼, 뿐, 등
• 모든 인스턴스에서 띄어쓰기의 표준 편차 <0.05
• 띄어쓰기 결정의 로봇 같은 균일성

과학적 근거:

• KatFishNet 연구에 따르면 LLM 띄어쓰기 SD=0.02인 반면 인간은 유연성과 변동을 보임
• 검출 정확도: 79.51% AUC
• 인간은 가독성, 맥락, 개인적 선호에 따라 띄어쓰기를 다양하게 함

발생 원인:

• LLM이 학습 데이터에서 단일 "올바른" 띄어쓰기 규칙을 학습함
• 가독성에 대한 맥락적 판단 부족
• 인간의 직관 vs 알고리즘적 일관성

수정 방법:

• 의존명사 띄어쓰기에 자연스러운 변동을 도입하세요
• 가독성과 자연스러운 파싱에 기반하여 띄어쓰기를 하세요
• 일부 인스턴스는 띄어쓰기를 하고, 다른 인스턴스는 하지 않도록 허용하세요

예시:

수정 전 (AI 작문):

할 수 있는 것, 해야 하는 것, 원하는 것을 모두 이루었다.

수정 후 (자연스러운 글):

할 수 있는것, 해야 하는 것, 원하는것을 모두 이뤘다.

설명: 것 앞의 띄어쓰기를 혼합했습니다(일부는 띄어쓰기, 일부는 붙여쓰기) 자연스러운 변동을 위해. 비격식체 흐름을 위해 "이루었다"를 축약형 "이뤘다"로 변경했습니다.

---

패턴 9: 과도한 보조용언 띄어쓰기

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 79.51% AUC)
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 보조용언 앞의 체계적인 띄어쓰기: -아/어 주다, -고 있다, -아/어 보다
• 읽기 흐름에 관계없이 매 인스턴스마다 띄어쓰기
• 보조용언을 항상 별도의 단어로 취급

과학적 근거:

• 일반적인 띄어쓰기 경직성 패턴과 관련됨
• 인간은 동사 복잡도와 가독성에 따라 띄어쓰기를 조정함
• 자연스러운 글쓰기는 띄어쓰기와 붙여쓰기 보조용언을 혼합함

발생 원인:

• LLM이 띄어쓰기 규칙을 균일하게 적용함
• 읽기 리듬에 대한 민감성 부족
• 자연스러운 흐름 vs 문법 규칙에 대한 과도한 의존

수정 방법:

• 동사 길이와 복잡도에 따라 보조용언을 더 자연스럽게 붙이세요
• 강조나 명확성을 위해 띄어쓰기를, 흐름을 위해 붙여쓰기를 하세요
• 인스턴스 간 자연스러운 변동을 허용하세요

예시:

수정 전 (AI 작문):

그는 열심히 공부하고 있습니다. 친구를 도와 주었습니다.

수정 후 (자연스러운 글):

그는 열심히 공부하고있습니다. 친구를 도와줬습니다.

설명: 자연스러운 흐름을 위해 하고있습니다와 도와줬습니다를 붙여 썼습니다. 비격식체 톤을 위해 축약형 과거 시제 줬을 사용했습니다.

---

패턴 10: 숫자-의존명사 띄어쓰기

메타데이터:

• 검증: ✅ 과학적 (KatFishNet, 79.51% AUC)
• 심각도: S3 (단독으로는 약한 신호, 다른 패턴과 중첩 시 결정적)
• 버전: 1.0.0

검출 기준:

• 숫자 + 단위/수량 조합의 경직된 띄어쓰기
• 한국어 관습과 불일치(10개 vs 10 개)
• 격식에 관계없이 모든 숫자를 동일하게 취급

과학적 근거:

• 일반적인 띄어쓰기 균일성 패턴의 일부
• 한국어 숫자 띄어쓰기는 격식과 맥락에 따라 다양함
• 인간은 단위의 유형과 읽기 맥락에 따라 유연하게 띄어쓰기함

발생 원인:

• LLM이 격식 수준에 대한 맥락적 인식이 부족함
• 보편적으로 적용되는 단일 띄어쓰기 규칙
• 격식체 문서와 비격식체 글쓰기의 구분 없음

수정 방법:

• 비격식체 맥락에는 띄어쓰기 없음: 10개, 3명, 5시
• 격식체 맥락이나 큰 숫자에는 선택적 띄어쓰기: 100 명, 1,000 원
• 가독성에 기반한 자연스러운 변동

예시:

수정 전 (AI 작문):

우리는 5 명이 참여했고, 10 개의 프로젝트를 완성했습니다.

수정 후 (자연스러운 글):

우리는 5명이 참여했고 10개 프로젝트를 완성했습니다.

설명: 자연스러운 비격식체 띄어쓰기를 위해 5명, 10개의 띄어쓰기를 제거했습니다. 자연스러운 흐름을 위해 의를 제거했습니다.

문장 구조 패턴 (21-24)

우선순위: 중간

---

패턴 21: 문장 리듬 부족

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 균일한 문장 길이(표준 편차가 평균의 15% 미만)
• 변화 없는 단조로운 리듬
• 연속된 문장에 반복되는 유사한 구조

과학적 근거:

• AI 글쓰기 단조로움에 대한 일반적인 관찰
• 인간 글쓰기는 강조와 리듬을 위해 자연스럽게 문장 길이를 다양화함
• 리듬 변화가 참여를 만듦

발생 원인:

• LLM이 전체 리듬을 고려하지 않고 문장을 독립적으로 생성함
• 확률적 모델이 "평균" 문장 길이로 수렴함
• 독자 경험과 페이싱에 대한 인식 부족

수정 방법:

• 짧고 강렬한 문장과 긴 흐르는 문장을 혼합하세요
• 의도적으로 문장 구조를 다양화하세요
• 길이 대비를 통해 리듬 강조를 만드세요

예시:

수정 전 (AI 작문):

이 프로젝트는 성공적이었습니다. 팀원들이 열심히 노력했습니다. 좋은 결과를 얻을 수 있었습니다. 앞으로도 계속 발전할 것입니다.

수정 후 (자연스러운 글):

이 프로젝트는 성공적이었습니다. 왜냐고요? 팀원들이 정말 열심히 했거든요. 덕분에 좋은 결과를 얻었고 앞으로도 쭉 발전할 겁니다.

설명: 문장 길이를 혼합했습니다(짧은 질문, 중간 설명, 긴 결론). 대화적 요소를 추가했습니다(왜냐고요, 거든요). 리듬 변화를 만들었습니다.

---

패턴 22: 3박자 과다 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 자주 나타나는 3개 항목이나 구문의 목록
• 연속된 문장의 3개 평행 절
• 반복되는 명백한 "3요소" 구조

과학적 근거:

• LLM이 효과적인 수사적 장치로 "3박자 규칙"을 학습함
• 과다 사용이 패턴을 명백하고 인위적으로 만듦
• 인간 글쓰기는 목록 길이를 더 자연스럽게 다양화함

발생 원인:

• 설득적/수사적 텍스트 학습
• "3"이 균형 있고 완전한 것으로 인식됨
• 문체 변화 인식 부족

수정 방법:

• 2항목 또는 4항목 목록을 사용하세요
• 평행 요소의 수를 다양화하세요
• 3항목 패턴을 분해하세요

예시:

수정 전 (AI 작문):

이 솔루션은 빠르고, 효율적이며, 안전합니다. 우리는 계획하고, 실행하고, 평가했습니다.

수정 후 (자연스러운 글):

이 솔루션은 빠르고 효율적입니다. 우리는 계획하고 실행했으며, 평가하고, 개선했습니다.

설명: 첫 문장을 2항목으로 줄였습니다. 두 번째 문장을 4항목으로 확장했습니다. 반복적인 3항목 패턴을 깨뜨렸습니다.

---

패턴 23: 접속사 과다 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 연속된 문장의 명시적 접속사: 그러나, 또한, 따라서, 게다가, 그리고, 하지만
• 논리적 관계를 과도하게 표시
• 접속사로 시작하거나 포함하는 모든 문장

과학적 근거:

• 접속사 사용이 많은 학술/격식체 텍스트로 학습된 LLM
• 인간의 비격식체 글쓰기는 암묵적 논리 흐름을 허용함
• 과도한 접속사가 부자연스럽고 교과서 같은 느낌을 만듦

발생 원인:

• 명시적 응집 표지를 강조하는 학습 데이터
• 암묵적 논리 흐름에 대한 신뢰 부족
• 명확성에 대한 과도한 보상

수정 방법:

• 명시적 접속사 없이 논리 흐름을 허용하세요
• 강조를 위해 접속사를 드물게 사용하세요
• 독자가 관계를 추론하도록 신뢰하세요

예시:

수정 전 (AI 작문):

이 방법은 효과적입니다. 그러나 비용이 많이 듭니다. 따라서 신중하게 고려해야 합니다. 게다가 시간도 오래 걸립니다.

수정 후 (자연스러운 글):

이 방법은 효과적입니다. 하지만 비용이 많이 들고 시간도 오래 걸려요. 신중하게 고려해야겠죠.

설명: 첫 번째 하지만을 유지하고, 따라서와 게다가를 제거했습니다. 관련된 아이디어를 결합했습니다. 자연스러운 흐름을 위해 비격식체 어미를 추가했습니다.

---

패턴 24: 경어체 균일성

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 변화 없이 전체에 걸친 경직된 -습니다/-ㅂ니다
• 또는 변화 없이 전체에 걸친 경직된 -다 어미
• 맥락이나 리듬에 따른 어투 수준 혼합 없음
• 단조로운 격식 수준

과학적 근거:

• 맥락적 인식이 부족한 AI에 대한 일반적인 관찰
• 인간 한국어 화자는 리듬과 강조를 위해 자연스럽게 어투 수준을 다양화함
• 완전한 균일성이 로봇 같은 느낌을 줌

발생 원인:

• LLM이 단일 어투 수준을 선택하고 유지함
• 한국어의 자연스러운 어투 수준 혼합에 대한 인식 부족
• 격식 규칙에 대한 지나치게 경직된 해석

수정 방법:

• 강조나 리듬을 위해 격식체 어미에 가끔 비격식체 어미를 혼합하세요
• 격식체 맥락에서도 덜 중요한 문장에 -어요/-아요를 사용하세요
• 문장 기능에 따른 자연스러운 어투 수준 변화를 허용하세요

예시:

수정 전 (AI 작문):

이 프로젝트는 중요합니다. 팀원들이 협력해야 합니다. 좋은 결과를 기대합니다. 열심히 노력하겠습니다.

수정 후 (자연스러운 글):

이 프로젝트는 중요합니다. 팀원들이 협력해야 해요. 좋은 결과를 기대하고 있고요, 열심히 해보겠습니다.

설명: 자연스러운 리듬 변화를 위해 -습니다를 -해요 및 -하고요와 혼합했습니다. 더 부드럽고 자연스러운 약속을 위해 마지막 문장을 -해보겠습니다로 변경했습니다.

관련 패턴 — style-guide 어조 일관성과의 차이:

style-guide의 어조 일관성 카테고리는 같은 단락 안에서 ~합니다와 ~해요가 무작위로 혼용되는 경우를 비일관으로 봅니다. 이 패턴 24는 반대 방향 — 글 전체가 너무 균일하면 AI 신호로 봅니다.

두 검사는 다른 층을 봅니다:

• 패턴 24 (humanizer): 글 단위 변주 — 글 전체에 어조 변화가 전혀 없으면 신호
• 어조 일관성 (style-guide): 단락 단위 일관 — 한 단락 안에서 무작위 혼용이면 비일관

충돌 회피 흐름: humanizer로 의도적 변주를 도입(예: 단락 사이 마지막 문장만 ~죠로 마침)한 뒤, style-guide로 각 단락 안 일관성을 검증하세요. 이 순서로 적용하면 두 검사가 보완 관계로 작동합니다.

번역투 패턴 (25-36, 40)

우선순위: 높음 — 검출 정확도: 경험적 (korean-skills community)

영어 번역투(Translation-ese)는 한국어 LLM 텍스트의 가장 결정적인 신호 중 하나입니다. KatFishNet 논문이 밝힌 문장부호·띄어쓰기·품사 다양성 패턴이 통계적 분포에 기반한다면, 번역투는 개별 어절·구문 차원에서 즉시 식별 가능한 결정적 마커입니다. 영어 학습 데이터의 통사 구조가 한국어로 매핑되며 발생하며, 한국어 원어민이 자연스럽게 쓰지 않는 표현 패턴을 만듭니다.

이 카테고리는 12개 패턴을 4개 하위 그룹으로 분류합니다:

• 조사 번역투 (25~29): ~에 대해, ~를 통해, ~에 있어서, ~와 관련하여, ~에 기반하여
• 동사 잉여·피동 (30~32): 가지고 있다, 이중 피동 ~되어진다, ~에 의해 영어식 피동
• 가능·목적 표현 남발 (33~34): ~할 수 있다, ~을 위해 목적절
• 통사 구조 번역투 (35~36): 추상 주어 + 만능 동사, ~라는 점에서 인과

---

패턴 25: "~에 대해(서)" 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• 목적격 조사(을/를)로 직결 가능한 자리에 ~에 대해(서) 사용
• 흔한 패턴: "X에 대해 논의하다", "X에 대해 분석하다", "X에 대해 설명하다", "X에 대해 알아보다"
• 같은 단락에 2회+ 등장 시 매우 강한 신호

과학적 근거:

• 영어 전치사 "about/regarding/concerning"의 직접 번역
• 한국어 원어민은 목적어를 동사에 직결하는 것을 선호함 (X를 논의 > X에 대해 논의)
• LLM 학습 데이터의 번역체 영향으로 영어 전치사 패턴이 한국어로 전이됨

발생 원인:

• 영어 학술·비즈니스 글의 번역체에 노출된 학습 데이터
• "직접 목적어"보다 "간접 표현"을 격식적·완곡적이라고 인식하는 편향
• 영어 원문의 통사 구조를 그대로 보존하려는 번역 관성

수정 방법:

• X에 대해 V → X를 V: "이 문제에 대해 논의" → "이 문제를 논의"
• 의미가 진정한 "~에 관하여"라면 맥락에 맞게 환원하거나 생략
• 문맥상 자명하면 통째로 제거

예시:

수정 전 (AI 작문):

이 보고서는 인공지능의 미래에 대해 분석합니다. 우리는 다양한 가능성에 대해 검토하고, 시장 동향에 대해 설명합니다.

수정 후 (자연스러운 글):

이 보고서는 인공지능의 미래를 분석합니다. 다양한 가능성을 검토하고 시장 동향을 설명합니다.

설명: 세 곳의 ~에 대해를 모두 목적격 조사로 환원했습니다. 두 번째 문장에서는 주어("우리는")도 함께 생략해 한국어다운 흐름을 만들었습니다.

`에 대해` 사용이 자연스러운 경우:

• 진정한 의견·태도 표명: "이 문제에 대해 어떻게 생각하세요?" (✅ 의견 표명 대상)
• 추상적 사고의 대상: "그는 정의에 대해 깊이 고민했다" (✅ 사고의 대상)
• 토론·논쟁의 대상으로 명시될 때: "기후 변화에 대한 대응 방안" (✅ 명사구 수식)

---

패턴 26: "~를 통해/통하여" 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• 같은 단락에 3회+ 등장
• 도구·수단을 표현하는 자리에 ~를 통해만 반복
• 흔한 패턴: "X를 통해 Y를 달성", "X를 통해 분석", "X를 통해 개선"

과학적 근거:

• 영어 전치사 "through/via/by means of"의 직접 번역
• 한국어는 도구·수단 표현이 다양함: ~로, ~해서, ~함으로써, ~을 거쳐, ~로써
• 단일 표현의 반복은 어휘 다양성 결핍을 드러내는 신호

발생 원인:

• LLM이 "통해"를 만능 도구 조사로 학습한 편향
• 다른 도구 표현으로 분산하는 능력 부족
• 영어 원문의 단조로운 전치사 패턴이 그대로 전이됨

수정 방법:

• ~로로 환원: "도구를 통해 측정" → "도구로 측정"
• ~해서로 환원: "분석을 통해 알아냈다" → "분석해서 알아냈다"
• ~함으로써: 격식이 필요할 때 대안
• 1회는 자연스럽고 2회+면 의도적으로 분산

예시:

수정 전 (AI 작문):

AI를 통해 데이터를 수집하고, 모델을 통해 분석하며, 시각화 도구를 통해 결과를 표시합니다.

수정 후 (자연스러운 글):

AI로 데이터를 수집하고, 모델로 분석한 뒤, 시각화 도구에 결과를 띄웁니다.

설명: 세 번의 ~를 통해를 각각 도구 조사 ~로(2회)와 처소 조사 ~에(시각화 동작)로 분산했습니다. 동사 "표시한다"도 더 한국어다운 "띄운다"로 바꿨습니다.

`통해` 사용이 자연스러운 경우:

• 1회 단독 사용: "교육을 통해 인식이 바뀌었다" (✅ 자연스러움)
• 추상적 매개체: "예술을 통해 사회를 비판한다" (✅ 매개 강조)

---

패턴 27: "~에 있어(서)" 격식 차용

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.4.0

검출 기준:

• "X에 있어서 Y하다" 형식
• 흔한 패턴: "이 분야에 있어서", "교육에 있어서", "AI 시대에 있어서"
• 1회만 등장해도 결정적 신호

과학적 근거:

• 일본어 「において」의 차용으로, 한국어 자연 발달 표현이 아님
• 한국어 원어민은 ~에서, ~의 경우, ~을 볼 때를 선호
• 국립국어원과 한국어 작문 지침에서도 자제 권고하는 표현
• AI 텍스트의 격식체 마커로 거의 결정적

발생 원인:

• 격식체·학술 일본어 번역에 노출된 학습 데이터
• LLM이 격식 톤을 흉내낼 때 가장 먼저 도달하는 표현
• 한국어 자연 표현(~에서) 대신 차용 형태가 격식적이라고 잘못 학습됨

수정 방법:

• ~에서로 환원: "교육에 있어서" → "교육에서"
• ~의 경우: "이 사안에 있어서" → "이 사안의 경우"
• ~을 볼 때: 분석적 맥락일 때
• 통째로 제거: "AI 시대에 있어서 우리는" → "AI 시대에 우리는"

예시:

수정 전 (AI 작문):

현대 사회에 있어서 데이터의 중요성은 매우 크다. 이 점에 있어서 모든 기업이 동의한다.

수정 후 (자연스러운 글):

현대 사회에서 데이터는 중요하다. 이 점은 모든 기업이 동의한다.

설명: 두 번의 ~에 있어서를 각각 ~에서와 생략으로 환원했습니다. "중요성은 매우 크다"의 명사화 + 강조도 형용사 "중요하다"로 단순화했습니다(패턴 13 명사화 구문 참조).

`있어서` 사용이 자연스러운 경우:

• 사실상 거의 없음. 한국어 원어민이 자연스럽게 쓰는 자리가 매우 드물어 거의 모든 경우 환원 대상.

---

패턴 28: "~와 관련하여/관련된" 격식 잉여

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• "X와 관련하여 Y하다" 또는 수식어 "X와 관련된 N"
• 같은 단락에 3회+ 등장 시 신호
• 흔한 패턴: "보안과 관련하여 강화", "교육과 관련된 정책", "이번 안건과 관련하여"

과학적 근거:

• 영어 "in relation to / regarding / related to"의 직접 번역
• 한국어는 ~에, ~의, ~에 대한, ~와의로 다양하게 표현
• 직접 관계로 표현하지 않고 거리를 두는 격식체 잉여

발생 원인:

• 격식체 비즈니스·법률 번역체 노출
• 객관성·중립성을 표현하려는 과도한 우회
• 직접적 표현을 피하려는 격식 흉내

수정 방법:

• X에 V: "보안과 관련하여 강화하다" → "보안을 강화하다"
• X의 N 또는 X N: "교육과 관련된 정책" → "교육 정책"
• X에 대한 N: "기술과 관련된 우려" → "기술에 대한 우려"

예시:

수정 전 (AI 작문):

이번 발표는 기후 변화와 관련하여 진행됐고, 이어서 정책과 관련된 논의가 이뤄졌으며, 시민 참여와 관련하여 제안이 나왔다.

수정 후 (자연스러운 글):

이번 발표는 기후 변화를 다뤘고, 이어서 정책 논의가 진행됐으며, 시민 참여 제안이 나왔다.

설명: 세 번의 "관련" 표현을 각각 능동 동사("다루다"), 명사구 직결("정책 논의"), 명사구 직결("시민 참여 제안")로 환원했습니다. 피동 "이뤄졌으며"도 능동 "진행됐으며"로 바꿨습니다.

`관련` 사용이 자연스러운 경우:

• 정확히 "관계가 있는" 의미일 때: "이 사건과 관련된 인물" (✅ 관계 자체가 핵심 정보)
• 법률·공적 정형 표현: "본 안건과 관련하여 통지드립니다" (✅ 격식체 정형)

---

패턴 29: "~에 기반하여/바탕으로" 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• 같은 단락에 2회+ 등장 시 신호
• 흔한 패턴: "X에 기반하여 결정", "X를 바탕으로 분석", "사실에 기반한 판단"

과학적 근거:

• 영어 "based on / grounded in / drawing on"의 직접 번역
• 한국어는 ~로, ~을 보고, ~을 토대로, ~을 근거로 등으로 다양화
• 학술 번역체에서 과도하게 흡수된 표현

발생 원인:

• 학술 논문 번역체 노출
• LLM이 객관성·근거성 신호로 인식해 남용
• 영어 합성어 "evidence-based" 같은 구조의 모방

수정 방법:

• ~로: "데이터에 기반하여 결정" → "데이터로 결정"
• ~을 보고: "사실에 기반하여 판단" → "사실을 보고 판단"
• ~을 토대로: 격식이 필요한 경우 대안
• 통째로 생략: 이미 인과가 자명하면

예시:

수정 전 (AI 작문):

이번 결정은 시장 조사에 기반하여 이뤄졌으며, 사용자 데이터를 바탕으로 검증됐고, 전문가 의견에 기반해 보완됐다.

수정 후 (자연스러운 글):

이번 결정은 시장 조사로 내렸고, 사용자 데이터로 검증했으며, 전문가 의견을 보고 보완했다.

설명: 세 번의 "기반하여/바탕으로"를 각각 도구 조사 ~로(2회)와 ~을 보고(1회)로 분산했습니다. 피동 "이뤄졌으며", "검증됐고", "보완됐다"도 모두 능동으로 환원했습니다(패턴 32 참조).

`기반/바탕` 사용이 자연스러운 경우:

• 진정한 토대·기반을 강조할 때: "이 이론은 실험에 기반한다" (✅ 토대성 자체가 핵심)
• 전문 용어 합성어: "근거 기반 의학", "데이터 기반 의사결정" (✅ 정착된 합성 용어)

---

패턴 30: "가지고 있다" 잉여 동사

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.4.0

검출 기준:

• "X을/를 가지고 있다" 형식
• 형용사 또는 ~이/가 있다로 환원 가능한 모든 경우
• 흔한 패턴: "강한 경쟁력을 가지고 있다", "다양한 기능을 가지고 있다", "큰 영향력을 가지고 있다"

과학적 근거:

• 영어 "have / possess"의 직접 번역
• 한국어는 소유·속성을 형용사 또는 ~이/가 있다로 표현
• 잉여 동사로 분류되는 결정적 영어식 마커
• 한국어 원어민은 형용사 환원을 선호

발생 원인:

• 영어 "have"의 만능적 용법을 한국어로 매핑
• LLM이 한국어 형용사 활용 능력이 부족함
• "있다"의 다양한 용법(존재·소유) 대신 영어식 소유 동사 선호

수정 방법:

• 형용사로 환원: "강한 경쟁력을 가지고 있다" → "경쟁력이 강하다"
• ~이/가 있다로: "다양한 기능을 가지고 있다" → "기능이 다양하다" 또는 "다양한 기능이 있다"
• 동사로 통합: "큰 영향력을 가지고 있다" → "크게 영향을 미친다"

예시:

수정 전 (AI 작문):

이 제품은 우수한 성능을 가지고 있고, 다양한 옵션을 가지고 있으며, 합리적인 가격을 가지고 있습니다.

수정 후 (자연스러운 글):

이 제품은 성능이 우수하고 옵션이 다양하며 가격도 합리적입니다.

설명: 세 번의 "가지고 있다"를 모두 ~이/가 + 형용사 구조로 환원했습니다. 마지막은 보조사 "도"를 추가해 자연스럽게 마무리했습니다.

`가지고 있다` 사용이 자연스러운 경우:

• 구체적 물건의 일시적 소유: "지금 책을 가지고 있다" (✅ 손에 들고 있음, 영어 'hold'에 가까움)
• 추상적 신념·태도(제한적): "강한 신념을 가지고 있다" (자연스러우나 "신념이 강하다"가 더 한국어다움)

---

패턴 31: 이중 피동 "~되어진다"

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.4.0

검출 기준:

• 피동 접미사 -되-와 피동 보조용언 -어지-의 중복 결합: 생성되어지다, 판단되어지다, 결정되어지다, 분석되어집니다
• ~되다 자체가 이미 피동 의미를 가지므로 ~되어지다는 피동의 이중 적용
• 한국어 어문 규범상 비문(非文)으로 분류되는 결정적 오류

과학적 근거:

• 한국어 표준 문법: 되다는 자동사 또는 피동 의미를 이미 내포한 동사 어간 (예: "결정되다" = "결정이 되다" 또는 "결정 당하다")
• 여기에 피동 보조용언 -아/어지다를 다시 결합하면 피동의 중복 적용으로 비문이 됨
• 국립국어원 표준국어대사전 및 한국어 어문 규정에서 명시적으로 지양 권고
• 한국어 원어민은 격식체 글에서도 이 형태를 거의 쓰지 않으며, AI 텍스트의 가장 강력한 단일 마커

발생 원인:

• 영어 수동태 "is being V-ed"의 진행형·이중 피동 구조 직역
• LLM이 격식체·학술적 어조를 흉내내려다 피동을 과도하게 강조
• "~된다"보다 "~되어진다"가 더 객관적·격식적이라고 잘못 학습된 편향
• 한국어 어문 규범에 대한 학습 데이터의 부정확성

수정 방법:

• 단순 피동으로 환원: ~되어진다 → ~된다 ("판단되어진다" → "판단된다")
• 가능하면 능동으로 전환: "AI에 의해 생성되어진 텍스트" → "AI가 만든 텍스트"
• 행위자가 명확하면 능동을 우선, 행위자가 불명일 때만 단일 피동 사용

예시:

수정 전 (AI 작문):

본 연구에서 데이터는 신중하게 분석되어집니다. 결과는 통계적으로 검증되어진 후 보고되어집니다.

수정 후 (자연스러운 글):

이 연구에서는 데이터를 신중하게 분석합니다. 결과는 통계적으로 검증한 뒤 보고합니다.

설명: 세 곳의 이중 피동(분석되어집니다, 검증되어진, 보고되어집니다)을 모두 능동으로 전환했습니다. "본 연구"의 격식체 한자어도 "이 연구"로 자연스럽게 환원했습니다(패턴 19 지시관형사 참조).

비교:

예외: 거의 없음. 이중 피동은 표준 한국어에서 비문으로 간주되므로 격식체·학술 글이라도 단일 피동 또는 능동으로 환원하는 것이 원칙.

---

패턴 32: "~에 의해" 영어식 피동

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• "X가 Y에 의해 V되다" 형식
• 행위자를 주어로 환원 가능한 모든 경우
• 흔한 패턴: "AI에 의해 생성된", "정부에 의해 제정된", "연구팀에 의해 분석된"

과학적 근거:

• 영어 수동태 "be V-ed by"의 직접 번역
• 한국어 원어민은 행위자를 주어로 능동화하는 것을 선호
• 학술 피동에서만 제한적으로 자연스럽고, 일상·비즈니스 글에서는 부자연스러움

발생 원인:

• 영어 학술 번역체 노출
• LLM이 객관성·격식을 표현할 때 피동 우선
• 주어를 행위자가 아닌 대상으로 두는 영어 통사 구조의 직접 전이

수정 방법:

• 능동으로 전환: "AI에 의해 생성된 텍스트" → "AI가 만든 텍스트"
• 행위자 강조: "X에 의해 분석" → "X가 분석"
• 도구 조사로: "연구에 의해 발견" → "연구로 발견"
• 행위자가 모호하면 주어 생략하고 능동: "최근 연구에 의해 밝혀진 사실" → "최근 연구로 밝혀낸 사실"

예시:

수정 전 (AI 작문):

이 알고리즘은 연구팀에 의해 개발됐고, 데이터에 의해 학습됐으며, 사용자 피드백에 의해 개선됐다.

수정 후 (자연스러운 글):

연구팀이 이 알고리즘을 개발했고, 데이터로 학습시켰으며, 사용자 피드백으로 개선했다.

설명: 세 곳의 ~에 의해 피동을 모두 능동으로 전환했습니다. 첫 번째는 행위자(연구팀)를 주어로, 둘째와 셋째는 도구 조사 ~로로 환원했습니다.

`~에 의해` 사용이 자연스러운 경우:

• 학술 논문의 객관적 진술: "이 효과는 X에 의해 매개된다" (✅ 학술 격식 정형)
• 행위자가 정말로 핵심일 때: "이 작품은 김 작가에 의해 완성됐다" (✅ 작가 강조)

---

패턴 33: "~할 수 있다" 가능 표현 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• 단언 가능한 사실에 가능 표현 사용
• 흔한 패턴: "효율을 높일 수 있다" (단언 가능), "결과를 분석할 수 있다" (능력 hedging)
• 같은 단락에 3회+ 신호, 다중 hedging("~할 수 있을 것이다") 1회만으로도 강한 신호

과학적 근거:

• 영어 modal verb "can / may / be able to"의 직접 번역
• 한국어는 단언이 더 자연스럽고 강한 인상을 줌
• 영어식 hedging이 한국어에서는 모호함·자신 없음으로 읽힘

발생 원인:

• 영어 modal verb의 안전한 직역
• 단정적 진술을 회피하려는 객관성 흉내
• LLM의 "안전한 hedging" 학습 편향(과도한 책임 회피)

수정 방법:

• 단언으로: "효율을 높일 수 있다" → "효율을 높인다"
• 가능성이 진짜 핵심일 때만 유지
• 다중 hedging은 반드시 단언으로: "개선될 수 있을 것이다" → "개선된다" 또는 "개선될 것이다"

예시:

수정 전 (AI 작문):

AI는 작업을 자동화할 수 있다. 이를 통해 시간을 절약할 수 있고, 효율도 높일 수 있다.

수정 후 (자연스러운 글):

AI는 작업을 자동화한다. 시간을 줄이고 효율도 높인다.

설명: 세 번의 "~할 수 있다"를 모두 단언으로 전환했습니다. "이를 통해"(패턴 26)도 함께 제거하고 "절약" → "줄이다"로 일상 어휘로 환원했습니다.

`~할 수 있다` 사용이 자연스러운 경우:

• 진정한 가능성·잠재력: "이 약은 부작용을 일으킬 수 있다" (✅ 가능성 자체가 정보)
• 능력 표현: "그는 5개 국어를 할 수 있다" (✅ 화자의 능력)
• 허가·허용: "여기서는 사진을 찍을 수 있다" (✅ 규칙상 허가)

---

패턴 34: "~을 위해" 목적절 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• 같은 단락에 2회+ 등장
• 흔한 패턴: "X를 위해 Y한다", "성장을 위해 노력", "효율을 위해 도입"
• 연결어미(~려고, ~기 위해)나 직접 결합으로 환원 가능

과학적 근거:

• 영어 "in order to / for the purpose of / for"의 직접 번역
• 한국어는 목적 표현이 다양함: ~려고, ~고자, ~기 위해, 직접 동사 결합
• 단일 표현 반복은 어휘 다양성 결핍 신호

발생 원인:

• 영어 학술·비즈니스 번역체 노출
• "목적절을 항상 명시해야 한다"는 영어식 통사 사고
• 한국어의 함축적 목적 표현 능력 부족

수정 방법:

• ~려고: "효율을 위해 도구를 도입했다" → "효율을 높이려고 도구를 도입했다"
• ~기 위해 1회만: 첫 등장만 유지하고 나머지는 분산
• 명사+조사 직결: "성장을 위해 투자한다" → "성장에 투자한다"

예시:

수정 전 (AI 작문):

회사는 매출 증대를 위해 마케팅을 강화했고, 비용 절감을 위해 구조조정을 단행했으며, 효율 개선을 위해 시스템을 교체했다.

수정 후 (자연스러운 글):

회사는 매출을 늘리려고 마케팅을 강화했고, 비용을 줄이려고 구조조정을 했으며, 효율을 높이려고 시스템을 바꿨다.

설명: 세 번의 ~을 위해를 모두 ~려고 연결어미로 분산했습니다. 명사화된 "증대", "절감", "개선"도 동사로 환원하고(패턴 13 참조), "단행했으며", "교체했다" 같은 한자어도 일상 어휘로 풀었습니다(패턴 15 참조).

`~을 위해` 사용이 자연스러운 경우:

• 목적이 정말 핵심 정보일 때: "이 행사는 평화를 위해 마련됐다" (✅ 목적 강조)
• 격식체 공적 문서: "안전을 위해 협조 부탁드립니다" (✅ 격식체 정형)

---

패턴 35: 추상 주어 + 만능 동사

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.4.0

검출 기준:

• 추상명사 주어 + 만능 동사("가져오다", "만들다", "일으키다", "제공하다", "이끌다")
• 흔한 패턴: "이러한 변화는 X를 가져온다", "이 기술은 미래를 만든다", "AI는 변화를 일으킨다"
• 1회만 나와도 영어식 통사 결정적 마커

과학적 근거:

• 영어 "X brings / makes / creates / drives Y" 통사의 직접 번역
• 한국어 원어민은 구체 주어로 사건을 서술하거나 부사구로 환원
• 추상 주어 + 만능 동사는 영어식 의인화·인과 통사로, 한국어에서는 부자연스러움

발생 원인:

• 영어 학술·비즈니스 번역체 노출
• LLM이 영향력을 표현할 때 추상명사를 주어로 두는 영어 패턴 흡수
• 사건의 행위자를 모호하게 두는 영어식 객관 서술 흉내

수정 방법:

• 구체 주어로 환원: "이러한 변화는 효율을 가져온다" → "이렇게 바꾸면 효율이 높아진다"
• 추상 주어를 부사구로: "이 기술은 미래를 만든다" → "이 기술로 미래가 바뀐다"
• 만능 동사를 구체 동사로: "기술은 변화를 일으킨다" → "기술이 사회를 바꾼다"

예시:

수정 전 (AI 작문):

이러한 트렌드는 새로운 기회를 가져오고, 지속적인 혁신은 산업 전반에 변화를 일으킨다. AI는 우리 삶을 바꾼다.

수정 후 (자연스러운 글):

이런 흐름에서 새 기회가 열리고, 끊임없는 혁신이 산업 전반을 바꾼다. AI는 우리 삶의 모습을 바꾼다.

설명: 추상 주어 + 만능 동사 패턴을 세 곳에서 환원했습니다. "트렌드는 기회를 가져온다" → "흐름에서 기회가 열리다"(장소 부사구로 전환), "혁신은 변화를 일으킨다" → "혁신이 산업을 바꾼다"(직접 목적어로 환원). 마지막 문장은 동사("바꾼다")는 유지하되 목적어를 "삶 → 삶의 모습"으로 구체화해 만능 동사 느낌을 줄였습니다.

자연스러운 사용:

• 사실상 드뭄. 한국어 원어민은 추상 주어 + 만능 동사 결합을 거의 쓰지 않음.
• 격식체 학술 정의: "이 이론은 X를 설명한다" (✅ 학술 정형 표현)

---

패턴 36: "~라는 점에서" 인과 결합

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.4.0

검출 기준:

• "X라는 점에서 Y하다" 형식
• 같은 단락에 3회+ 등장 시 신호
• 인과·이유를 표현하는 자리에 형식명사 결합 잉여

과학적 근거:

• 영어 "in that / in the sense that / given that"의 직접 번역
• 한국어는 인과 표현이 다양함: ~서, ~기 때문에, ~라는 이유로, 단순 연결어미
• 명사구 + 형식명사 + 조사의 결합은 영어식 통사 의존 신호

발생 원인:

• 영어 학술 번역체 노출
• 인과 표현의 객관화 흉내
• 단순 연결어미 대신 격식체 형식명사 결합 선호

수정 방법:

• ~서 연결어미로: "효율적이라는 점에서 우수하다" → "효율적이어서 우수하다"
• ~기 때문에: 격식이 필요할 때 대안
• 통째로 생략: 문맥상 인과가 자명하면

예시:

수정 전 (AI 작문):

이 방법은 빠르다는 점에서 효율적이고, 비용이 적게 든다는 점에서 경제적이며, 적용이 쉽다는 점에서 실용적이다.

수정 후 (자연스러운 글):

이 방법은 빨라서 효율적이고, 비용이 적게 들어서 경제적이며, 적용이 쉬워서 실용적이다.

설명: 세 번의 ~라는 점에서를 모두 연결어미 ~서로 환원했습니다. 인과 의미는 그대로 살아있고 문장 무게가 훨씬 가벼워졌습니다.

`~라는 점에서` 사용이 자연스러운 경우:

• 진정한 한 측면에서의 평가일 때: "비용이라는 점에서는 비싸지만 품질은 좋다" (✅ 한 측면 vs 다른 측면 대비)
• 격식체 학술 평가: "이론적이라는 점에서는 옳다" (✅ 평가 영역 한정)

---

패턴 40: "~것이다 / ~할 것이다" 미래 단정 남발

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.6.0

검출 기준:

• 사실 진술 자리에 미래 단정 표현 사용: 결과가 좋아질 것이다, 매출이 증가할 것이다, 상황이 개선될 것이다
• 같은 단락에 3회+ 등장 시 강한 신호
• 단정 가능한 문맥인데도 ~것이다 형식의 hedging 효과

과학적 근거:

• 영어 미래 시제·조동사(will, would, is going to)의 직접 번역
• 한국어는 미래 진술도 단언형(현재형)으로 표현하는 게 자연스러움 ("증가한다", "개선된다")
• LLM이 영어 미래 시제 패턴을 한국어로 매핑하면서 발생하는 hedging
• 패턴 33(~할 수 있다 가능 표현 남발)과 결이 다름 — 33은 능력/가능성, 40은 미래 시제 hedging

발생 원인:

• 영어 비즈니스·예측 글의 번역체 노출
• 단정을 회피하려는 안전한 hedging 학습 편향
• ~것이다가 더 격식적·예측적이라고 잘못 학습됨

수정 방법:

• 단언으로: 매출이 증가할 것이다 → 매출이 증가한다
• 의지·계획 표현으로: 노력할 것이다 → 노력한다 (단언) 또는 노력하겠다 (의지)
• 진정한 미래 가능성만 유지: 진짜 불확실성이 있는 곳에만 ~할 것이다 사용

예시:

수정 전 (AI 작문):

이번 정책으로 시장이 활성화될 것이다. 기업들의 투자가 늘어날 것이며, 고용이 증가할 것이다. 결과적으로 경제 성장률이 높아질 것이다.

수정 후 (자연스러운 글):

이번 정책으로 시장이 활성화됩니다. 기업 투자가 늘어나고 고용이 증가합니다. 결과적으로 경제 성장률이 높아집니다.

설명: 4개의 미래 단정(~것이다 × 4)을 모두 단언 현재형으로 전환했습니다. 영어 will의 직역에서 벗어나 한국어다운 단언 어조로 환원했습니다.

`~것이다` 1회 사용이 자연스러운 경우:

• 진정한 미래 예측·불확실성: 내일 비가 올 것이다 (✅ 일기예보적 진술)
• 추정·짐작: 그는 늦을 것이다 (✅ 화자의 추정)
• 강한 의지·약속: 반드시 해낼 것이다 (✅ 의지 표명)
• 1~2회 단발 사용은 자연스러움

어휘 패턴 (14-20, 37-39)

우선순위: 중간

---

패턴 14: AI 어휘 과다 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.0.0

검출 기준:

• 일반적인 서술어 빈번한 사용: 중요하다, 핵심적, 효과적, 지속가능한, 혁신적, 다양한, 필수적
• 같은 단락에 여러 AI 유행어
• 구체적인 세부 사항 없는 모호한 최상급

과학적 근거:

• AI 글쓰기 감지 연구 전반에 걸친 일반적인 관찰
• 이러한 단어는 LLM 출력에서 불균형적으로 나타남
• 인간 글쓰기는 더 구체적이고 맥락에 적합한 서술어를 사용함

발생 원인:

• 비즈니스/기술 어휘에 대한 학습 데이터 편향
• LLM이 구체적인 도메인 지식이 부족하여 일반적인 용어로 대체함
• 확률적 생성이 흔한 서술어를 선호함

수정 방법:

• 일반적인 서술어를 구체적이고 명확한 세부 사항으로 교체하세요
• 맥락에 적합한 어휘를 사용하세요
• 불필요한 최상급을 제거하세요

예시:

수정 전 (AI 작문):

이 혁신적인 솔루션은 효과적으로 다양한 문제를 해결하며, 지속가능한 발전에 핵심적인 역할을 합니다.

수정 후 (자연스러운 글):

이 솔루션은 여러 문제를 잘 풀어내며 장기적 발전에 도움이 됩니다.

설명: "혁신적", "효과적으로", "핵심적인"을 제거했습니다. "다양한"을 "여러"로, "지속가능한"을 "장기적"으로 교체했습니다. 더 근거 있고 구체적입니다.

---

패턴 15: 불필요한 한자어

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.0.0

검출 기준:

• 순수 한국어가 더 자연스러운 곳에 격식체 한자어 사용
• 흔한 패턴: 진행하다 → 하다, 실시하다 → 하다, 수행하다 → 하다
• 비격식체 맥락에 지나치게 격식적인 어투

과학적 근거:

• 격식체 문서로 학습된 LLM이 한자어 어휘를 선호함
• 인간의 비격식체 글쓰기는 순수 한국어 대응어를 사용함
• 어투 불일치가 부자연스러운 느낌을 만듦

발생 원인:

• 격식체 문어 한국어로 치우친 학습 데이터
• 구어체/비격식체 한국어 규범에 대한 인식 부족
• 한자어가 더 "세련된" 것으로 인식됨

수정 방법:

• 한자어를 순수 한국어 대응어로 교체하세요
• 어휘를 적절한 격식 수준에 맞추세요
• 비격식체 맥락에는 일상 한국어를 사용하세요

예시:

수정 전 (AI 작문):

우리는 프로젝트를 진행하고, 테스트를 실시하며, 결과를 분석했습니다.

수정 후 (자연스러운 글):

우리는 프로젝트를 하고, 테스트하고, 결과를 분석했습니다.

또는 더 비격식체로:

프로젝트 하고 테스트하고 결과 분석했어요.

설명: "진행하다"와 "실시하다"를 간단한 "하다"로 교체했습니다. 두 번째 버전은 조사 생략과 함께 완전히 비격식체 어투를 보여줍니다.

---

패턴 16: 영어 관용구 직역

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.0.0

검출 기준:

• 영어 관용구의 직접 번역인 한국어 구문
• 흔한 패턴: "~의 중심에", "~를 통해", "X에서 Y까지", "~의 세계"
• 한국어 말하기 패턴과 맞지 않는 부자연스러운 표현

과학적 근거:

• 번역된 텍스트로 학습된 LLM
• 영어 관용구가 한국어로 문자 그대로 매핑됨
• 인간 한국어는 다른 관용 표현을 사용함

발생 원인:

• 번역을 포함하는 학습 데이터
• 영어 패턴으로부터의 교차 언어 전이
• 한국어 고유 표현법에 대한 인식 부족

수정 방법:

• 영어 직역을 한국어 고유 표현으로 교체하세요
• 자연스러운 한국어 관용구와 표현법을 사용하세요
• 한국어 사고 패턴에 맞게 문장을 재구성하세요

예시:

수정 전 (AI 작문):

이 기술은 산업의 중심에 있으며, 혁신을 통해 미래를 만들어갑니다. A에서 Z까지 모든 것을 다룹니다.

수정 후 (자연스러운 글):

이 기술은 산업에서 핵심이며 혁신으로 미래를 만듭니다. 모든 걸 다룹니다.

설명: "중심에"("at the center"의 직역), "통해"("through"의 직역), "A에서 Z까지"("from A to Z"의 직역)를 제거했습니다. 더 자연스러운 한국어 표현법입니다.

관련 패턴: 조사·동사·통사 구조 차원의 번역투(~에 대해, ~를 통해, 이중 피동, ~할 수 있다 남발 등)는 translation-ese-patterns.md의 패턴 25~36을 참조하세요. 패턴 16은 관용구·표현법 차원의 직역에 한정합니다.

---

패턴 17: 불필요한 복수형 '-들' 과다 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.2.0

검출 기준:

• 수량 표현과 '-들'의 중복 사용: "많은 학생들", "세 권의 책들"
• 일반적 복수 맥락에서 불필요한 '-들' 강조: "기능들", "서비스들"
• 문맥상 복수가 명확한데도 '-들' 추가

과학적 근거:

• 영어 훈련 데이터의 영향으로 AI가 복수를 명시적으로 표현하려는 경향
• 한국어는 복수형이 문법적으로 필수가 아니며, 문맥으로 복수를 표현
• 인간의 한국어 글쓰기는 '-들'을 강조나 명확화가 필요할 때만 선택적으로 사용

발생 원인:

• 영어 복수형 문법(필수)의 직접 전이
• LLM이 복수를 명시하려는 과도한 시도
• 한국어 복수 표현의 선택적 특성에 대한 인식 부족

수정 방법:

• 수량사가 있으면 '-들' 제거: "책들 세 권" → "책 세 권"
• 수식어와 '-들' 중복 해소: "많은 학생들" → "많은 학생"
• 문맥상 복수가 명확하면 '-들' 생략: "기능들을 개선" → "기능을 개선"
• 복수 강조가 필요한 경우에만 '-들' 유지

'-들' 사용이 자연스러운 경우:

• 복수 강조 필요: "아이들이 놀고 있다" (여러 명임을 강조)
• 불특정 다수: "사람들은 모두 안다" (일반화된 집단)
• 대비/구분: "학생들은 교실에, 선생님들은 교무실에" (두 그룹 대비)
• 호격: "여러분들" (문법적으로는 중복이나 관용적 표현)

예시:

수정 전 (AI 작문):

많은 사용자들이 새로운 기능들을 요청했고, 우리는 세 가지 기능들을 추가했습니다. 이 기능들은 여러 서비스들에서 사용할 수 있습니다.

수정 후 (자연스러운 글):

많은 사용자가 새 기능을 요청했고, 우리는 세 가지 기능을 추가했습니다. 이 기능은 여러 서비스에서 쓸 수 있습니다.

설명: "많은 사용자들" → "많은 사용자" (수식어와 중복), "새로운 기능들" → "새 기능" (일반적 복수), "세 가지 기능들" → "세 가지 기능" (수량사와 중복), "여러 서비스들" → "여러 서비스" (수식어와 중복)을 수정했습니다.

부분적으로 자연스러운 예:

학생들이 책 세 권을 샀다. (✅ 학생들 - 복수 강조 자연스러움)
학생이 책들 세 권을 샀다. (❌ 책들 - 수량사와 중복 부자연스러움)

---

패턴 18: 불필요한 대명사 반복

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.3.0

검출 기준:

• 대명사의 과도한 반복: "그것은", "이것은", "저것은"
• 문맥상 명확한 대상을 대명사로 다시 지칭
• 선행사가 바로 앞 문장에 있는데도 대명사 사용

과학적 근거:

• 영어는 대명사 사용이 필수적이나 한국어는 생략이 자연스러움
• 영어 "it is", "this is", "that is" 패턴의 직접 전이
• 한국어 원어민은 문맥이 명확하면 대명사를 생략하고 바로 서술함

발생 원인:

• 영어 문법 구조의 직접 번역
• LLM이 영어 훈련 데이터의 대명사 패턴을 한국어에 적용
• 한국어가 대명사 생략이 자연스러운 pro-drop 언어임을 간과

수정 방법:

• 선행사가 명확하면 대명사 제거하고 바로 서술: "그것은 중요하다" → "중요하다"
• 지시대명사를 지시관형사+명사로 교체: "이것은" → "이 문제는"
• 문맥상 불필요한 대명사 생략

예시:

수정 전 (AI 작문):

이 프로젝트는 성공적이었습니다. 그것은 팀원들의 노력 덕분입니다. 그것은 앞으로도 계속될 것입니다.

수정 후 (자연스러운 글):

이 프로젝트는 성공적이었습니다. 팀원들의 노력 덕분이죠. 앞으로도 계속될 거예요.

설명: 두 개의 "그것은"을 제거했습니다. 첫 번째는 바로 서술하고, 두 번째는 문맥상 명확하므로 생략했습니다.

추가 예시:

❌ "새로운 기능을 추가했습니다. 그것은 사용자 경험을 개선합니다."
✅ "새로운 기능을 추가했습니다. 사용자 경험을 개선하죠."

❌ "문제가 발생했습니다. 이것은 버그 때문입니다."
✅ "문제가 발생했습니다. 버그 때문이에요."

---

패턴 19: 과도한 지시관형사 사용

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.3.0

검출 기준:

• 동일한 지시관형사의 반복: "해당 기능", "해당 결과", "해당 문서"
• 격식체 지시관형사 과다: "본(本)", "당(當)", "동(同)"
• 일반 지시관형사로 충분한데 격식체 사용

과학적 근거:

• 격식체 문서(법률, 행정 문서)로 훈련된 LLM의 편향
• "해당"은 법률/행정 용어로 일상적 글쓰기에서는 부자연스러움
• 한국어 원어민은 "이/그/저" 또는 관형사 생략을 선호

발생 원인:

• 격식체 문어 한국어 훈련 데이터 편향
• 구어체/비격식체 한국어 규범에 대한 인식 부족
• "해당"을 중립적 지시어로 과도하게 사용

수정 방법:

• "해당"을 "이/그" 또는 명사만으로 교체: "해당 기능" → "이 기능" 또는 "기능"
• 격식체 관형사를 일반형으로: "본 문서" → "이 문서"
• 문맥상 명확하면 지시관형사 생략

예시:

수정 전 (AI 작문):

해당 기능을 사용하면 해당 결과를 얻을 수 있습니다. 해당 방법은 매우 효과적입니다.

수정 후 (자연스러운 글):

이 기능을 쓰면 결과를 얻을 수 있어요. 방법이 아주 효과적이에요.

설명: 세 번째 "해당"을 "이", 생략, 생략으로 수정했습니다. 반복을 피하고 자연스러운 흐름을 만들었습니다.

추가 예시:

❌ "본 문서에서 해당 내용을 확인하시기 바랍니다."
✅ "이 문서에서 내용을 확인해 주세요."

❌ "해당 문제는 해당 팀이 해결할 것입니다."
✅ "이 문제는 팀에서 해결할 거예요."

---

패턴 20: 주어 생략 미흡

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.3.0

검출 기준:

• 연속된 문장에서 동일 주어 반복: "나는... 나는... 나는..."
• 문맥상 명확한 주어를 계속 명시
• 영어식 주어 필수 패턴

과학적 근거:

• 한국어는 pro-drop 언어로 주어 생략이 문법적으로 허용되고 자연스러움
• 영어는 주어가 필수이나 한국어는 문맥으로 파악 가능하면 생략
• 주어 반복은 한국어 원어민에게 어색하고 장황하게 느껴짐

발생 원인:

• 영어 문법 구조(SVO 필수)의 직접 전이
• LLM이 영어 훈련 데이터의 주어 필수 패턴을 한국어에 적용
• 한국어 주어 생략 규칙에 대한 인식 부족

수정 방법:

• 문맥상 명확하면 주어 생략: "나는 갔다. 나는 샀다." → "갔다. 샀다."
• 첫 문장에만 주어 명시하고 이후 생략
• 주어 전환 시에만 명시

주어 생략 가능한 경우:

• 선행 문장과 주어가 동일할 때
• 대화나 비격식체 글에서 화자가 명확할 때
• 일반적 진리나 경험을 서술할 때

주어 유지해야 하는 경우:

• 주어가 바뀔 때 (대비/전환)
• 여러 주어가 교차할 때 (혼동 방지)
• 강조가 필요할 때

예시:

수정 전 (AI 작문):

나는 아침에 일어났습니다. 나는 커피를 마셨습니다. 나는 출근했습니다.

수정 후 (자연스러운 글):

아침에 일어났어요. 커피 마시고 출근했어요.

설명: 세 문장 모두 주어가 "나"로 동일하고 문맥상 명확하므로 생략했습니다. 문장도 자연스럽게 연결했습니다.

주어 전환 예시:

✅ "철수는 학교에 갔다. 영희는 집에 있었다." (주어 바뀜 - 유지)
✅ "나는 영화 봤어. 친구는 게임 했고." (대비 - 유지)
❌ "나는 밥 먹었어. 나는 설거지했어. 나는 쉬었어." (반복 - 생략 필요)
✅ "밥 먹고 설거지하고 쉬었어." (생략)

격식체에서도 생략 가능:

❌ "연구팀은 실험을 진행했다. 연구팀은 데이터를 분석했다. 연구팀은 결과를 발표했다."
✅ "연구팀은 실험을 진행하고 데이터를 분석한 뒤 결과를 발표했다."

---

패턴 37: AI 결말 표현 (관용구 + 결말 공식 + 단언 공식)

메타데이터:

• 검증: 📊 경험적
• 심각도: S1 (한 번만 나와도 결정적)
• 버전: 1.5.0

검출 기준:

• 결말 관용구: 결론적으로, 요약하면, 정리하면, 시사하는 바가 크다, 주목할 만하다, 본질적으로, 핵심적으로
• 결말 공식: ~할 때다, 지금이야말로, ~해야 한다 결말, 이제는 ~할 시점이다
• 결말 단언 공식 (v1.6.0 추가): ~라는 뜻이다, ~다는 뜻이다, ~인 셈이다 — 결론적 단언으로 글을 닫는 형태
• 문단·글의 끝에 등장 시 매우 강한 신호. 1회만 나와도 결정적.

과학적 근거:

• 영어 학술·오피니언 글의 결론 정형 표현(In conclusion, It is worth noting, It is time to ~)의 직접 번역
• 한국어 원어민은 결론을 평서로 닫거나 본문에 흡수하는 것을 선호
• LLM이 글의 마무리에 안전한 형식 표현을 우선 학습한 결과로 가장 강력한 단일 마커 중 하나

발생 원인:

• 영어 글쓰기 교본의 결론 패턴이 학습 데이터에 다수 포함됨
• 격식·완결성을 표현하려는 LLM의 안전한 선택
• 한국어 글의 자연스러운 마무리 방식(평서 결말, 함축적 결론)에 대한 인식 부족

수정 방법:

• 결말 관용구는 통째로 삭제: "결론적으로 X는 중요하다" → "X는 중요하다"
• 본문에 흡수: "시사하는 바가 크다" → 구체적 함의 진술로 환원
• 결말 공식은 평서로 닫기: "지금이야말로 투자해야 할 때다" → "지금 투자하자" 또는 "투자가 필요하다"

예시:

수정 전 (AI 작문):

이번 분기 실적은 우수했습니다. 결론적으로, 이는 우리 전략이 옳았음을 시사하는 바가 큽니다. 지금이야말로 더 적극적으로 투자해야 할 때입니다.

수정 후 (자연스러운 글):

이번 분기 실적이 우수했습니다. 우리 전략이 옳았다는 뜻이죠. 이제 더 적극적으로 투자해야 합니다.

설명: "결론적으로", "시사하는 바가 큽니다", "지금이야말로 ~ 때입니다" 세 결말 표현을 모두 자연스러운 평서 또는 직접 진술로 환원했습니다.

`결론적으로` 같은 표현이 자연스러운 경우:

• 사실상 거의 없음. 이 표현들은 한국어 원어민 글에서 매우 드물고, 사용되더라도 대개 번역체로 인식됨.
• 학술 논문의 결론 섹션 헤딩(## 결론)은 예외 — 헤딩과 본문은 별개.

---

패턴 38: hype 어휘 군집

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.5.0

검출 기준:

• hype 어휘: 혁신적, 획기적, 압도적, 치명적, 전례 없는, 강력한, 파격적, 엄청난, 놀라운
• 같은 단락에 3회+ 등장 시 강한 신호 (단독 1~2회는 자연스러울 수 있음)
• 구체 수치·사실 없이 추상적 강조만 반복되는 경우

과학적 근거:

• LLM이 마케팅·뉴스 헤드라인 데이터에서 학습한 강조 표현
• 안전한 hype 어휘로 객관성·임팩트를 흉내내려는 경향
• 인간 작성자는 한 단락에 강조 어휘를 1개 이내로 제한하고 구체성으로 임팩트를 만듦

발생 원인:

• 마케팅·홍보 텍스트의 학습 데이터 비중
• 강조의 어휘 다양화 능력 부족 — 같은 단락에 비슷한 의미의 hype 어휘 반복
• 구체적 수치·사실 대신 추상적 형용사로 대체하는 패턴

수정 방법:

• 구체 수치·사실로 환원: "압도적 성장" → "전년 대비 47% 성장"
• 한 단락당 1개로 제한, 나머지는 평이한 형용사로 다양화
• 정말 압도적·치명적이라면 그 사실을 보여주는 데이터 인용

예시:

수정 전 (AI 작문):

이번 신제품은 혁신적인 디자인과 압도적인 성능, 전례 없는 사용자 경험을 제공합니다. 강력한 AI 기술이 탑재되어 치명적인 경쟁 우위를 가져옵니다.

수정 후 (자연스러운 글):

이번 신제품은 새로운 디자인과 향상된 성능을 갖췄습니다. 사용자 경험은 이전 모델 대비 30% 빨라졌고, 탑재된 AI는 경쟁 제품보다 정확도가 높습니다.

설명: 5개의 hype 어휘(혁신적/압도적/전례 없는/강력한/치명적)를 모두 환원했습니다. "혁신적·압도적" 두 개는 평이한 형용사("새로운, 향상된")로, 나머지는 구체 수치(30%, 정확도 비교)로 대체해 같은 임팩트를 더 신뢰성 있게 전달.

hype 어휘 1회 사용이 자연스러운 경우:

• 진정으로 분류상 새로운 것: "이 발견은 의학사상 전례가 없다" (✅ 사실 진술)
• 측정 가능한 강조 + 데이터 함께: "압도적 1위 — 시장 점유율 73%" (✅ 수치 동반)
• 정말 결정적인 평가: "이 결정은 회사의 미래에 치명적이었다" (✅ 사후 평가)

---

패턴 39: "~적 N" 추상 체인

메타데이터:

• 검증: 📊 경험적
• 심각도: S2 (1~2회 허용, 3회+ 반복 시 신호)
• 버전: 1.6.0

검출 기준:

• ~적 접미사로 만든 한자어 + 명사 결합 패턴: 전략적 함의, 실천적 기반, 구조적 한계, 본질적 변화, 근본적 차이, 사회적 의미, 정치적 영향
• 같은 단락에 3회+ 등장 시 강한 신호
• 명사화 + 한자어 추상화의 조합으로 의미가 흐려지는 경우

과학적 근거:

• LLM이 학술·정책 글쓰기에서 학습한 한자어 추상 결합 패턴
• 한국어 원어민은 ~적 접미사 사용을 자제하고 풀어쓰기를 선호 ("전략적 함의" → "전략 차원의 의미")
• 한자어 추상 체인이 글의 구체성을 떨어뜨려 결국 무의미한 격식체로 남음

발생 원인:

• 학술·정책 번역체에 노출된 학습 데이터
• 격식·심오함을 표현하려는 LLM의 안전한 추상화 선택
• 영어 형용사+명사(strategic implication, structural limitation)의 직접 번역

수정 방법:

• 풀어쓰기: 전략적 함의 → 전략 차원의 의미 또는 전략적으로 의미하는 바
• 명사+명사로: 실천적 기반 → 실천의 기반 또는 실천 토대
• 통째로 단순화: 구조적 한계 → 구조의 한계, 본질적 변화 → 근본 변화
• 한 단락에 1개 이내로 제한, 나머지는 일상 어휘로 대체

예시:

수정 전 (AI 작문):

이번 정책의 전략적 함의는 매우 크며, 구조적 변화를 일으킬 본질적 동력을 가지고 있다. 실천적 기반이 마련되어야 근본적 효과를 기대할 수 있다.

수정 후 (자연스러운 글):

이번 정책은 전략적으로 큰 의미가 있고, 구조의 변화를 일으킬 동력이 있습니다. 실천 토대가 마련되어야 근본적인 효과를 기대할 수 있습니다.

설명: 5개의 ~적 N 추상 체인(전략적 함의, 구조적 변화, 본질적 동력, 실천적 기반, 근본적 효과)을 풀어쓰기 또는 단순 명사구로 환원했습니다. 마지막 "근본적 효과"는 1회 유지(자연스러움). "가지고 있다"(패턴 30)도 함께 정리.

`~적 N` 1회 사용이 자연스러운 경우:

• 정착된 학술·정책 용어: 전략적 파트너십, 구조적 조정 (✅ 표준 용어)
• 강조가 필요한 한 군데: 이건 본질적 차이다 (✅ 핵심 강조)
• 1~2회 산발적 사용은 자연스러움