학술 무결성을 위한 인간·기계 텍스트 스타일리티 분석
📝 원문 정보
- Title: Stylometry Analysis of Human and Machine Text for Academic Integrity
- ArXiv ID: 2601.01225
- 발행일: 2026-01-03
- 저자: Hezam Albaqami, Muhammad Asif Ayub, Nasir Ahmad, Yaseen Ahmad, Mohammed M. Alqahtani, Abdullah M. Algamdi, Almoaid A. Owaidah, Kashif Ahmad
📝 초록 (Abstract)
본 연구는 표절, 데이터 위조, 저자 확인 등 학술 무결성에 직면한 핵심 문제들을 해결하고자, 자연어 처리(NLP) 기반 프레임워크를 제안한다. 이 프레임워크는 학생이 작성한 과제의 저자 귀속과 스타일 변화를 자동으로 감지함으로써, 콘텐츠의 진위와 저자를 검증한다. 기존 시도들이 제한적인 데이터와 단순한 특징에 의존한 반면, 본 연구는 다중 레벨의 언어 특징과 최신 딥러닝 모델을 결합하여 보다 정밀한 스타일리티 분석을 수행한다. 실험 결과, 제안된 시스템은 인간과 기계가 생성한 텍스트를 높은 정확도로 구분하고, 저자 변조 시에도 스타일 변화를 효과적으로 탐지한다.💡 논문 핵심 해설 (Deep Analysis)
프레임워크의 핵심은 다중 레벨 특징 추출이다. 표면적 통계(문장 길이, 어휘 다양성)뿐 아니라, 구문‑구조적 특징(의존 구문 트리, 문법 패턴)과 의미‑레벨 특징(주제 모델링, 임베딩 기반 군집)까지 포괄한다. 이러한 접근은 기존 연구가 주로 단일 레벨(예: n‑gram)에 의존해 발생한 과적합 문제를 완화한다는 점에서 의의가 크다. 또한, 최신 Transformer 기반 모델(BERT, RoBERTa 등)을 활용해 문맥 정보를 정교하게 캡처함으로써, 인간이 의도적으로 스타일을 변형했을 때도 높은 감지율을 유지한다는 점이 주목할 만하다.
실험 설계는 두 축으로 나뉜다. 첫 번째는 인간‑작성 텍스트와 AI‑생성 텍스트를 구분하는 이진 분류이며, 두 번째는 동일 저자의 텍스트 내에서 의도적인 스타일 변화를 탐지하는 변화 감지(task)이다. 데이터셋은 공개된 학술 과제 모음과 GPT‑4, Claude 등 최신 언어 모델이 생성한 텍스트를 포함해 다양성을 확보하였다. 결과는 …