, Andrew Dombrowski 컴팩스
Compecs Inc., Seoul, Korea
Large language models (LLMs) are increasingly used to write and edit scientific manuscripts; however, their fluency can obscure mismatches between linguistic claim strength and evidential support. This tutorial examines such mismatches through the lens of epistemic integrity, defined as accurate alignment of scientific statements with the quality, strength, and scope of the underlying evidence. It presents sentence-level epistemic markers that require careful human judgment, including reporting verbs, hedges, tense choices, evaluative adjectives and adverbs, and local scope markers. Inappropriate modification of these features can overstate or understate certainty, strengthen or weaken a claim beyond what the evidence warrants, or distort an author’s intended emphasis. The tutorial also addresses discourse-level issues, including the need to clearly distinguish between results and interpretation, shifts in certainty across manuscript sections, consistency in scope limitations, and cumulative changes in evaluative tone. Because LLMs cannot independently assess study design, methodological limitations, disciplinary conventions, or evidential sufficiency, polished revisions may introduce epistemic miscalibration even when they are grammatically correct. Editors should therefore evaluate not only local wording but also the consistency of claims across the manuscript. Human editorial expertise remains essential for preserving rhetorical coherence, evidential accuracy, and scientific integrity in artificial intelligence–assisted academic writing, alongside attention to grammar, style, clarity, and readability.
대규모 언어 모델(large language models, LLMs)은 과학 논문의 작성과 편집에 점점 더 널리 활용되고 있다. 그러나 LLM의 높은 언어적 유창성은 연구 주장이 언어적으로 제시되는 방식과 이를 실제로 뒷받침하는 근거 사이의 불일치를 가릴 수 있다. 본 튜토리얼에서는 이러한 문제를 ‘인식적 무결성(epistemic integrity)’의 관점에서 살펴본다. 인식적 무결성이란 과학적 진술이 이를 뒷받침하는 근거의 질, 강도 및 범위에 적절히 부합하는 상태를 의미한다. LLM을 활용한 수정과정에서 동사, 헤지(hedges), 시제, 평가적 수식어, 범위 표지 등의 인식적 표지(epistemic markers)가 부적절하게 변경되면 주장의 확실성, 범위 및 해석 수준이 근거와 어긋날 수 있다. 이러한 인식적 오조율(epistemic miscalibration)은 개별 문장뿐 아니라 논문 전체에 누적되어 결과와 해석의 경계를 흐리거나 섹션 간 인식적 입장의 표류(stance drift)를 초래할 수 있다. 따라서 인공지능(artificial intelligence)를 활용한 학술 글쓰기에서 편집인은 문법과 문체뿐 아니라, 논문 전체에서 주장의 확실성, 범위 및 해석 수준이 연구 근거에 의해 정당화되는지를 검토함으로써 근거와 주장 간의 정합성(alignment)과 인식적 무결성을 확보해야 한다.
