SHAPR 인간 AI 협업 연구의 구조화된 지식 생성 프레임워크

본 논문은 SHAPR(Solo Human‑Centred and AI‑Assisted Practice)라는 프레임워크를 구체적인 운영 모델로 전환함으로써, 인간‑AI 협업 연구 환경에서의 소프트웨어 개발을 체계화하고 지식 생성 과정을 명시한다. 서론에서는 생성형 AI, 특히 대형 언어 모델(LLM)의 급격한 발전이 연구자들의 설계·코딩·디버깅 방식을 변화시켰으며, 이로 인해 연구 과정의 투명성·추적성·재현성에 대한 새로운 과제가 부각된다고 지적한다. 기존 디자인 사이언스 리서치(DSR)와 액션 디자인 리서치(ADR)는 아티팩트 기반 지식 생성에 강점을 가지고 있지만, 협업형 개발 환경이 아닌 전통적인 팀 기반 개발을 전제로 하고 있어, 현재와 같은 개인 연구자와 AI 도구 간의 대화형 협업에는 적용이 어려운 점을 지적한다. 이에 대한 해결책으로 SHAPR는 두 가지 작업 공간을 도입한다. 첫 번째는 ‘상호작용 워크스페이스’로, 연구자가 AI와 대화형으로 아이디어를 탐색하고 코드를 생성·수정하는 공간이다. 두 번째는 ‘레포지터리 워크스페이스’로, 버전 관리와 메타데이터를 포함한 아티팩트와 연구 증거를 공식적으로 저장·관리하는 환경이다. AI와의 대화 내용 자체는 증거로 인정되지 않으며, 반드시 레포지터리 워크스페이스에 기록된 아티팩트 변화를 통해서만 연구 증거가 된다. 이는 AI‑주도 자동화가 연구의 투명성을 해치지 않도록 하는 ‘증거·추적성 교차 메커니즘’으로 작동한다. 핵심 운영 사이클은 Explore‑Build‑Use‑Evaluate‑Learn이다. 기존 ADR의 Build‑Intervene‑Evaluate 사이클에 ‘탐색(Explore)’과 ‘사용(Use)’ 단계를 추가해, 아이디어 발굴·프롬프트 설계·코드 실행·시연까지 포괄한다. 각 단계는 명시적인 입력(연구 질문, AI 프롬프트 등)과 출력(코드, 실험 결과 등)을 정의하고, 이를 기반으로 Structured Knowledge Units(SKUs)를 생성한다. SKU는 “특정 설계 결정이 아티팩트 행동에 미친 영향”을 서술하는 구조화된 지식 단위이며, 버전, 담당자, 사용된 AI 모델, 프롬프트 등 메타데이터를 포함한다. 순환이 반복될수록 SKU는 누적·통합돼 패턴, 설계 원칙, 혹은 방법론적 인사이트로 승격되며, 이는 연구 지식이 개발 과정 자체에서 체계적으로 축적된다는 점을 강조한다. 또한 SHAPR는 ‘AI‑Executable’ 연구 프레임워크로서, 구조화된 프로세스와 SKU 메타데이터를 LLM이 자동으로 해석·실행할 수 있게 설계한다. 예를 들어, 특정 SKU가 “데이터 전처리 단계에서 X 알고리즘이 성능을 5% 향상시킴”을 기록하면, AI는 이를 기반으로 새로운 실험 설계, 코드 스니펫 자동 생성, 혹은 기존 파이프라인에 대한 최적화 제안을 자동으로 수행한다. 이렇게 함으로써 인간 연구자는 반복적인 구현 작업에서 벗어나 고차원적인 설계·해석·지식 통합에 집중할 수 있다. 시스템 차원에서는 LLM 워크스페이스, 통합 개발 환경(IDE), 클라우드 스토리지, 버전 관리 시스템을 하나의 파이프라인으로 연결한다. 이는 개인 연구자든 다학제 팀이든 동일한 추적·재현 메커니즘을 적용할 수 있게 하며, 연구 산출물의 스케일러블한 관리와 공유를 가능하게 한다. 논문은 네 가지 주요 기여를 제시한다. 첫째, ADR를 AI‑보조 환경에 맞게 확장해 Explore‑Build‑Use‑Evaluate‑Learn 순환을 제시한다. 둘째, 인간‑AI 상호작용, 아티팩트 진화, 레포지터리 기반 문서를 연결하는 추적 가능한 작업 흐름을 도입한다. 셋째, SKU라는 구조화된 지식 단위를 통해 개발 인사이트를 재사용 가능하고 점진적으로 일반화된 지식으로 전환한다. 넷째, SHAPR를 AI‑Executable 및 시스템‑지향 프레임워크로 개념화해, LLM이 프로세스를 자동 실행하고, 클라우드·버전 관리와 연계해 확장 가능한 연구 시스템을 구현한다. 결론에서는 SHAPR가 인간 중심의 epistemic authority를 유지하면서도 AI의 생산성을 최대한 활용하는 균형 잡힌 연구 방법론을 제공한다는 점을 강조한다. 또한, AI 도구가 점점 더 복잡한 아티팩트를 생성함에 따라, 이러한 구조화·추적·지식 축적 메커니즘이 연구의 투명성·재현성·확장성을 보장하는 핵심 인프라가 될 것이라고 전망한다.