경쟁 프로그래밍에서 AI 활용과 공정성: LLM 시대의 새로운 규칙

초록

본 논문은 대형 언어 모델(LLM)이 경쟁 프로그래밍에 미치는 영향을 실증적으로 조사한다. 37명의 인터뷰와 207명의 설문, 그리고 2022‑2025년 Codeforces 로그 분석을 통해 참가자, 문제 출제자, 코치, 플랫폼 운영자 네 역할의 작업 흐름 변화와 공정성 논쟁을 파악한다. 연구 결과를 바탕으로 체스 경기의 AI 규제 방식을 차용한 실시간 LLM 검사, 동료 감시·신고, 오프라인 성과와의 교차 검증 등 세 가지 구체적 거버넌스 방안을 제시한다.

상세 분석

이 연구는 경쟁 프로그래밍이라는 고유한 생태계에 LLM이 침투하면서 발생하는 다층적 변화를 정밀히 포착한다. 첫째, 작업 흐름 측면에서 참가자들은 문제 풀이 전 ‘프롬프트 설계·코드 스케치’ 단계에 LLM을 도입해 초기 아이디어 도출 시간을 크게 단축한다. 실시간 피드백을 제공하는 온라인 저지(OJ)와 결합되면서, “제출‑디버그‑재제출” 루프가 LLM 기반 자동 디버깅 및 테스트 케이스 생성으로 압축된다. 이는 특히 중·고수준 참가자에게는 전략적 문제 선택 순서를 재조정하게 만들며, 기존의 ‘시간‑패널티’ 균형을 흔든다.

둘째, 문제 출제자는 LLM을 활용해 기존 문제의 변형 버전을 자동 생성하거나, AI 회피용 트랩(예: 복잡한 메모리 관리, 비정형 입력) 설계에 착수한다. 그러나 자동 생성된 문제의 난이도와 독창성을 평가하기 위해 인간 전문가의 검증 단계가 필수적이며, 이는 출제 작업에 새로운 ‘AI‑검증’ 서브프로세스를 추가한다.

셋째, 코치는 훈련용 데이터셋을 LLM에게 제공해 맞춤형 피드백을 얻고, 학습자에게 ‘LLM 사용 가이드’를 제시한다. 이는 교육적 효율성을 높이는 동시에, 과도한 의존을 방지하기 위한 메타‑학습 전략을 요구한다.

넷째, 플랫폼 운영자는 AI‑지원 제출을 탐지하기 위해 두 가지 기술적 방식을 병행한다. 첫째, 실시간 LLM 호출 로그와 코드 스타일 메트릭을 비교하는 ‘행동 기반 탐지’; 둘째, 제출 후 오프라인에서 모델이 생성한 코드와 인간 제출 코드를 교차 검증하는 ‘결과 기반 검증’이다. 이러한 다중 레이어 탐지는 기존 플래그 기반 차단보다 높은 정밀도를 제공한다.

공정성 논쟁에서는 ‘허용된 AI 보조’와 ‘부정행위’ 사이의 경계가 역할에 따라 다르게 인식된다. 참가자는 “아이디어 단계에서의 LLM 사용은 허용”이라 주장하지만, 문제 출제자는 “코드 자체가 AI에 의해 생성되면 경쟁의 본질을 훼손”한다는 입장을 보인다. 코치는 ‘학습 목적’과 ‘대회 목적’을 구분해 사용 지침을 제시하고, 운영자는 ‘투명성’과 ‘신뢰성’ 확보를 위해 규칙을 공개하고 커뮤니티 피드백을 반영한다.

마지막으로, 저자들은 체스에서 AI 사용을 규제하는 ‘레벨‑별 제한’과 ‘실시간 감시’를 차용해 세 가지 거버넌스 방안을 제안한다. (1) 대회 중 실시간 LLM 호출을 감시하고, 일정 횟수 초과 시 자동 경고·제재; (2) 참가자 간 동료 감시 시스템을 도입해 의심 사례를 즉시 신고·검토; (3) 오프라인 연습·예선 성적과 대회 성적을 교차 검증해 비정상적인 성적 급증을 탐지한다. 이 접근법은 공정성을 유지하면서도 AI 활용의 교육적 가치를 완전히 배제하지 않는다.

전반적으로 논문은 정량적 로그 분석과 정성적 인터뷰를 결합해 LLM이 경쟁 프로그래밍에 미치는 구조적·문화적 영향을 다각도로 조명하고, 실용적인 정책 제안을 통해 학계·산업·교육 현장의 향후 대응 방향을 제시한다.