# 리서치와 학습을 위한 핵심 개념

> AI와 함께 공부하고 조사할 때 더 잘 활용하기 위해 알아야 할 핵심 개념들

## Tier 1: 반드시 알아야 할 것

### 1차 자료 vs 2차 자료

- **1차 자료 (Primary Source)**: 직접 만들어진 원본 정보
  - 논문, 공식 통계, 인터뷰 원문, 법령 원본, 직접 실험 결과
  - **비유**: 직접 목격한 사람의 증언
- **2차 자료 (Secondary Source)**: 1차 자료를 해석하거나 요약한 정보
  - 뉴스 기사, 책, 블로그, 리뷰, AI의 답변
  - **비유**: 목격자에게 들은 이야기를 전해주는 사람의 말
- **왜 중요한가**: AI의 답변은 항상 2차 자료. 중요한 결정일수록 1차 자료를 직접 확인해야 함
- **AI 활용법**: "이 내용의 원본 자료(1차 자료)는 뭐야? 어디서 찾을 수 있어?"

### 비판적 사고 (Critical Thinking)

- 정보를 받을 때 "이게 맞나?", "왜 그렇지?", "다른 관점은?"을 자동으로 묻는 태도
- 무조건 의심하는 게 아니라, **근거를 확인하는 습관**
- **비유**: 좋은 기자처럼 생각하기. 발표된 내용을 그대로 쓰지 않고 사실 확인을 먼저 함
- 비판적 사고의 4단계:
  1. **이해**: 이 정보가 무슨 말인지?
  2. **질문**: 근거는 뭔지? 누가 말했는지?
  3. **비교**: 다른 관점이나 반론은?
  4. **판단**: 이 정보를 어느 정도 신뢰할 수 있는지?

### 출처 평가 방법 (CRAAP 테스트)

정보의 신뢰도를 판단하는 5가지 기준:

| 기준 | 질문 | 예시 |
|------|------|------|
| **통화성 (Currency)** | 얼마나 최신 정보인가? | 2015년 기술 트렌드 자료는 지금과 다를 수 있음 |
| **관련성 (Relevance)** | 내 질문에 실제로 관련이 있나? | 미국 데이터가 한국 상황에 그대로 적용될까? |
| **권위 (Authority)** | 누가 썼고 신뢰할 수 있나? | 익명 블로그 vs 학술지 논문 |
| **정확성 (Accuracy)** | 검증 가능하고 다른 자료와 일치하나? | 같은 내용이 다른 신뢰할 수 있는 곳에서도 나오나? |
| **목적 (Purpose)** | 왜 이 정보가 만들어졌나? | 광고성 콘텐츠, 특정 의견 홍보 목적은 아닌지? |

- **AI 활용법**: "이 출처가 CRAAP 기준으로 신뢰할 만한지 평가해줘"

### 편향 (Bias) 인식

- **편향**: 정보를 만들거나 해석할 때 한쪽으로 치우치는 현상
- **비유**: 안경 렌즈가 색깔이 있으면, 세상이 다른 색으로 보임. 편향은 보이지 않는 색안경
- 주요 편향 유형:

| 편향 유형 | 의미 | 예시 |
|-----------|------|------|
| **확증 편향** | 내 믿음을 지지하는 정보만 수용 | 좋아하는 식품이 건강하다는 정보만 기억 |
| **선택 편향** | 특정 집단만 조사해서 전체인 것처럼 일반화 | 대학생만 조사하고 "모든 사람이..." |
| **생존자 편향** | 성공한 사례만 보고 패턴을 찾음 | 성공한 창업자 스토리만 보고 창업 법칙 도출 |
| **AI 편향** | AI 학습 데이터의 편향이 답변에 반영됨 | 특정 언어권, 시대의 관점이 과도하게 반영 |

- **AI 활용법**: "이 조사 결과에 어떤 편향이 있을 수 있는지 알려줘"

---

## Tier 2: 알면 소통이 좋아지는 것

### 연구 질문 설계

좋은 리서치는 좋은 질문에서 시작합니다. 모호한 질문은 모호한 답을 낳습니다.

**좋은 연구 질문의 조건**:
- **구체적**: "AI가 좋은가?" → "중소기업이 AI 도구를 도입할 때 비용 대비 효과는?"
- **답 가능한**: 너무 광범위하거나 주관적이지 않음
- **의미 있는**: 결론이 어떤 결정이나 행동으로 이어지는지 명확

**질문 설계 템플릿**:
```
[대상]이 [상황]에서 [무엇을 하는가/어떻게 되는가]?
그리고 이것이 [결과]에 어떤 영향을 미치는가?
```

**AI 활용법**: "내 질문 '[원래 질문]'을 더 구체적이고 조사 가능한 연구 질문으로 다듬어줘"

### 문헌 검토 방법 (Literature Review)

- 어떤 주제를 공부하기 전에 이미 알려진 내용을 체계적으로 훑어보는 과정
- **비유**: 여행 가기 전에 가이드북과 여행 블로그를 미리 읽는 것
- 문헌 검토의 목적:
  1. 이미 알려진 것과 모르는 것 파악
  2. 나의 질문이 어떤 맥락에 있는지 이해
  3. 중복 조사 방지

**AI 활용법**: "[주제]에 대해 현재 알려진 주요 연구나 논의를 문헌 검토 형식으로 정리해줘. 합의된 내용과 아직 논쟁 중인 부분을 구분해줘"

### 요약 vs 분석의 차이

| 구분 | 요약 | 분석 |
|------|------|------|
| **정의** | 있는 정보를 짧게 정리 | 정보를 분해하고 해석하여 의미 도출 |
| **비유** | 책의 줄거리 | 책의 주제와 작가 의도 해석 |
| **질문** | "무슨 내용이야?" | "왜 그런 거야? 어떤 의미야?" |
| **결과** | 정보 압축 | 새로운 이해와 통찰 |
| **AI 요청** | "요약해줘" | "이 데이터가 무엇을 의미하는지 분석해줘" |

- **주의**: AI에게 "요약해줘"를 요청하면 분석 없이 압축만 해줌. 깊은 이해가 필요하면 "분석해줘"로 요청

### 정량 데이터 vs 정성 데이터

- **정량 데이터 (Quantitative)**: 숫자로 표현되는 데이터
  - 예: "응답자의 73%가 불만족", "평균 구매 금액 3만 5천 원"
  - 강점: 비교와 통계 분석 가능, 객관적
  - 약점: 숫자 뒤의 이유와 맥락을 설명하지 못함

- **정성 데이터 (Qualitative)**: 텍스트, 의견, 이야기로 표현되는 데이터
  - 예: "사용자들은 UI가 복잡하다고 느꼈다", 인터뷰 내용
  - 강점: 이유, 감정, 맥락을 파악 가능
  - 약점: 개인 해석이 들어가고, 일반화하기 어려움

- **비유**: 정량은 온도계 수치(32도), 정성은 체감 표현("겨울 같이 춥다")
- **AI 활용법**: "이 주제를 정량적으로 측정하는 방법과 정성적으로 파악하는 방법 각각 알려줘"

---

## Tier 3: 이해하면 더 깊은 리서치를 할 수 있는 것

### 메타 분석 (Meta-Analysis)

- 같은 주제로 진행된 여러 연구들의 결과를 통합하여 더 강력한 결론을 도출하는 방법
- **비유**: 한 사람의 평가보다 수백 명의 평가를 모아 평균 낸 별점이 더 신뢰할 만한 것처럼
- 언제 유용한가: "연구마다 결과가 달라요. 어느 걸 믿어야 해요?" → 메타 분석 결과를 찾아보면 됨
- **AI 활용법**: "[주제]에 대한 메타 분석 결과가 있어? 여러 연구들의 종합적 결론은 뭐야?"

### 체계적 문헌 고찰 (Systematic Review)

- 특정 연구 질문에 대해 존재하는 모든 관련 연구를 투명하고 체계적인 방법으로 검토하는 과정
- 메타 분석보다 더 엄격한 절차를 따름
- **비유**: 판사가 판결 전에 모든 관련 증거를 빠짐없이 검토하는 것
- 의학, 정책, 교육 분야에서 가장 신뢰할 수 있는 근거로 여겨짐
- **AI 활용법**: "이 주제에 대해 체계적 문헌 고찰(systematic review)이 있어? 그 결론은 뭐야?"

### 삼각검증 (Triangulation)

- 같은 질문을 **서로 다른 방법**으로 조사하여 결론의 신뢰도를 높이는 방법
- **비유**: 길을 모를 때 지도, 주민 질문, 표지판을 모두 활용하는 것
- 삼각검증의 종류:
  - **자료 삼각검증**: 다양한 출처에서 같은 결론이 나오는지 확인
  - **방법 삼각검증**: 정량적 + 정성적 방법 모두 사용
  - **전문가 삼각검증**: 서로 다른 배경을 가진 전문가들의 견해 비교
- **AI 활용법**: "이 결론을 삼각검증하려면 어떤 다른 방법으로 검증할 수 있어?"

### 반증 가능성 (Falsifiability)

- 칼 포퍼가 제안한 과학적 지식의 핵심 기준: **틀릴 수 있는 가능성이 있어야** 과학적 주장이라 할 수 있음
- **비유**: "귀신이 있다"는 어떤 증거로도 반박이 불가능하기 때문에 과학적 주장이 아님
- 왜 중요한가: AI가 제시한 주장이나 내가 세운 가설이 검증 가능한지 확인하는 기준
- **질문 패턴**: "이 주장이 틀렸다는 것을 어떻게 알 수 있어? 어떤 증거가 나오면 이 결론을 버려야 해?"

---

## 용어 사전 (Quick Reference)

| 용어 | 한줄 설명 | 비유 |
|------|-----------|------|
| **가설 (Hypothesis)** | 아직 검증되지 않은 잠정적 설명 | "아마 이래서 그런 거 아닐까?" |
| **상관관계 (Correlation)** | 두 가지가 같이 변하는 관계 (원인-결과는 아님) | 아이스크림 판매와 익사 사고는 같이 늘어나지만 원인은 아님 (둘 다 여름이 원인) |
| **인과관계 (Causation)** | 한쪽이 다른 쪽의 실제 원인인 관계 | 흡연이 폐암의 원인 |
| **표본 (Sample)** | 전체 중 조사한 일부 | 전국민 조사 대신 1,000명 설문 |
| **일반화 (Generalization)** | 일부를 전체로 확장하는 것 | 조심해야 하는 추론 |
| **객관성 (Objectivity)** | 개인 감정·이익 없이 사실에 기반 | 과학 연구의 목표 |
| **주관성 (Subjectivity)** | 개인의 관점·경험에 의한 해석 | 음식 리뷰, 예술 평가 |
| **맥락 (Context)** | 정보를 이해하는 데 필요한 배경 | 숫자 "80%"의 맥락 없이 높은지 낮은지 모름 |
| **추론 (Inference)** | 알고 있는 것으로부터 모르는 것을 도출 | 형사가 단서로 범인을 추리하는 것 |
| **반론 (Counter-argument)** | 주장에 대한 반대 의견 | 좋은 리서치는 반론까지 포함 |
| **합의 (Consensus)** | 전문가 집단이 대체로 동의하는 결론 | 기후변화가 인간 활동으로 인한다는 과학적 합의 |
| **아웃라이어 (Outlier)** | 전체 패턴에서 크게 벗어난 사례 | 평균 수명 90세인데 한 사람이 110세 |