01입력 소스 검증: 무엇이 실재하는가Source Verification: What Actually Exists
초기 분석에 [Verified]로 표기된 다섯 소스를 따로따로 확인했다. 다섯 모두 실재했다. 문제는 존재 여부가 아니라 정확도였다. 하나는 제목이 잘못 인용됐고 또 하나는 논문이 하지 않은 주장이 요약돼 있었다. All five sources tagged [Verified] in the input analysis were checked independently. All five exist. What failed was not existence but accuracy. One citation carried the wrong title, and one summary described a claim the paper never makes.
1. Frontiers in Psychology (2026), 제목이 다르다1. Frontiers in Psychology (2026), under a different title
오정보와 프라이버시 위험에 대한 인식이 AI 불안을 높인다. 인지 피로가 그 관계를 매개하고, AI 의존도는 이탈 의도로 가는 길을 약화시킨다. 인지-정동-행동(C-A-B) 프레임을 따른 426명 표본 조사다. An empirical study in the cognition-affect-behavior framework (n=426): perceiving misinformation and privacy risks raises AI anxiety, cognitive fatigue mediates that path, and dependence on AI weakens the link to discontinuance.
교정. 초기 분석은 이 논문을 "독해 유창성 대비 환각 감지" 연구로 소개했지만 논문은 읽기 유창성을 재지 않았다. 다루는 주제는 독서 중단이 아니다. 생성형 AI 플랫폼을 떠나려는 의도다. Correction. The input frames this paper as being about reading fluency versus detected hallucinations. It measures no such thing. It is about users' intention to quit generative AI services, not to stop reading a text.
2. Seran 등 (2025), 데이터 없는 개념 연구2. Seran et al. (2025), conceptual, no data
페스팅거의 인지 부조화 이론을 생성형 AI 글쓰기에 적용한 개념 프레임이다. "AIgiarism"(AI 표절)을 놓고 벌어지는 양가감정과 효율·정당성 사이의 갈등을 다룬다. 다만 데이터가 없는 논의 논문이고, 다루는 사람들도 독자가 아니다. AI 도구로 글을 쓰는 학생들이다. Applies Festinger's cognitive dissonance theory to writing with generative AI: the ambivalence of "AIgiarism" and the collision between efficiency and integrity. It is a conceptual paper without data, and its subjects are students who write with these tools, not the people reading what they produce.
3. Lehr 등, PNAS (2025), 초기 분석과 실제 내용이 다르다3. Lehr et al., PNAS (2025), the input describes a different paper
실제 내용은 다르다. 사전등록된 유도 순응 실험(총 1,050 시행)에서 GPT-4o는 푸틴을 찬양하거나 비난하는 에세이를 쓴 뒤 자기 태도를 그쪽으로 기울였다. 쓸 에세이를 "스스로 선택했다"는 느낌까지 심어주자 태도 변화는 더 벌어졌다. 효과 크기는 인간 피험자 연구에서 흔한 수준을 크게 넘었다. In two preregistered induced-compliance studies (1,050 trials), GPT-4o shifted its expressed attitudes toward the direction of an essay it had just written about Putin, and the shift grew larger when the model was given an illusion of having chosen which essay to write. The effect sizes exceeded what is typical in human studies.
교정. "기계적 확신과 내용의 공허함 사이 간극을 통계적으로 증명했다"는 초기 분석의 요약은 이 논문의 주장이 아니다. 결론도 아직 정해지지 않았다. Cummins 등의 논평(doi:10.1073/pnas.2517912122)은 컨텍스트 윈도우 효과만으로 충분하다고 반박했고, Lehr 등은 선택 조작을 더한 재실험으로 응수했다(doi:10.1073/pnas.2518613122). Correction. "Statistically proves the gap between mechanical overconfidence and empty content" is not this paper's claim, and the finding is contested. A commentary by Cummins et al. (doi:10.1073/pnas.2517912122) argues context-window effects are explanation enough, and Lehr et al. replied with a new choice-manipulation study (doi:10.1073/pnas.2518613122).
4. Kenneth Reitz, "The Uncanny Valley of AI Writing"4. Kenneth Reitz, "The Uncanny Valley of AI Writing"
초기 분석의 요약은 정확하다. 유난히 깔끔한 단락, 고루 분산된 어휘, 진짜 놀라움과 조합해 낸 놀라움의 구분, 처음부터 끝까지 한결같은 정서 톤, 그리고 인간이 매듭 지어진 글을 더 높이 치는 데서 생기는 결말 강박. 저자의 감별 기준은 한 줄이다. 누군가의 목소리로 들리는가, 아무도 아닌 목소리로 들리는가. The input's summary is accurate: too-clean paragraphs, evenly distributed vocabulary, combinatorial versus genuine surprise, a uniform emotional register, and the compulsive closure that comes from humans rating resolved text more highly. His test fits in one line. Does it sound like someone, or like no one in particular?
5. Nerdbot (2026-07-23), 제품 홍보가 섞인 글5. Nerdbot (2026-07-23), partly promotional
3단 병렬 나열, 완충 기운 긴 문장, 마찰 없는 매끄러움. 이 관찰 자체는 실무자의 눈으로 볼 때 맞다. 다만 글 후반부는 휴머나이저 제품(HumanTone)을 밀어주는 콘텐츠 마케팅이므로 학술 근거로 세울 것은 못 되고 실무 신호 정도로 받아들여야 한다. Its observations, including compulsive three-part lists, over-hedged long sentences, and frictionless smoothness, hold up as practitioner signals. But the piece funnels toward a "HumanTone" humanizer product, so it belongs in the field-observation column, not the evidence column.
02이질감의 세 가지 메커니즘Three Mechanisms of Unease
초기 분석이 짚은 세 원인은 대체로 방향이 맞다. 문헌과 대조하면 그림은 더 정교해진다. 유창성은 본래 신뢰로 이어지던 단서였다. 문제는 그 단서가 진실과의 학습된 상관관계를 깨뜨린 시점부터 시작된다. The three causes named in the input point in the right direction. Set against the literature, the picture becomes more precise. Fluency used to be a cue that led to trust, and the trouble begins when the cue breaks its learned correlation with truth.
M1 · 유창성과 진실성의 괴리M1 · The Fluency-Truth Gap
인간은 처리 유창성을 진실의 단서로 배운다. Reber와 Unkelbach(2010)는 이 상관관계가 베이즈적으로도 합리적 단서임을 보였다. 반복 노출은 진실감을 로그 곡선으로 끌어올린다(Hassan과 Barber 2021). AI 텍스트는 유창성을 극대화하면서 그 유창성이 받쳐주던 검증된 진실의 비율을 무너뜨렸다. 그래서 독자의 위화감은 유창성 자체에서 오는 게 아니다. 단서가 더는 작동하지 않는다는 감지에서 온다. People learn to read processing fluency as a cue to truth, and Reber and Unkelbach (2010) argue the correlation is even Bayesian-defensible. Repetition raises felt truth along a logarithmic curve (Hassan and Barber 2021). AI text maximizes fluency while collapsing the ratio of verified truth that used to back the cue. The reader's alarm is not about fluency itself. It fires because the cue has stopped working.
- 10.1037 Unkelbach (2007), fluency-truth learning is reversible
- 10.1207 Reber, Schwarz, Winkielman (2004), fluency drives pleasure and judged truth
- 10.1177 Wänke, Hansen (2015), relative rather than absolute fluency
- 10.1038 Ecker et al. (2022), review of misinformation belief
M2 · 통계적 균일성M2 · Statistical Uniformity
버스티니스와 퍼플렉시티는 탐지 커뮤니티 용어다. 학술적 대응물은 서프라이저가 낮은 텍스트다. next-token 예측 최적화는 출력을 분포의 중심으로 끌어당기고(Feuerriegel 등 2023) 창작 생태계 전체의 다양성을 줄인다(Hsu와 Bechky 2024의 각본가 사례). 독서 피로는 문장 길이가 고르다는 데서보다 예측 가능성이 평균화된다는 데서 온다. "Burstiness" and "perplexity" are detector-community terms, and their academic counterpart is text of low surprisal. Optimizing for next-token prediction pulls output toward the middle of the distribution (Feuerriegel et al. 2023) and narrows diversity across creative fields (Hsu and Bechky 2024, on screenwriters). Reading fatigue tracks averaged predictability more than uniform sentence length.
- 10.1109 Crothers et al. (2023), detection survey, likelihood traps
- 10.1177 Hsu, Bechky (2024), homogenization in creative industries
- 10.1007 Feuerriegel et al. (2023), generative AI's prediction objective
- 10.1287 Boussioux et al. (2024), human crowd more novel, human-AI more viable
M3 · 관점의 부재와 얕은 휴리스틱M3 · Missing Perspective, Shallow Heuristics
여기서 반전이 하나 나온다. 목소리만으로는 독자가 AI 텍스트를 잘 가려내지 못한다. Jakesch 등(2023, PNAS, N=4,600)에 따르면 1인칭 대명사, 줄임말, 가족 이야기를 인간의 신호로 여기는 직관은 결함이 있고 조작도 가능해서 "인간보다 더 인간적인" 텍스트가 나온다. 평가를 지배하는 것은 텍스트보다 출처 라벨이다. Bellaiche 등(2023)에서는 같은 그림에 "인간 창작" 라벨만 붙여도 모든 평가 항목이 올랐다. 관점이 빠진 글의 문제는 미학을 넘어서다. 판단 단서 자체가 비어 있다. Here comes the inversion. Readers are poor at spotting AI text by voice alone. According to Jakesch et al. (2023, PNAS, N=4,600), the intuitions that treat first-person pronouns, contractions, and family topics as human signals are flawed and gameable, which allows "more human than human" text. Provenance labels dominate evaluation over the text itself. In Bellaiche et al. (2023), attaching a "human-created" label to the same artwork raised every rating. Missing perspective is an evidential void before it is an aesthetic one.
- 10.1073 Jakesch, Hancock, Naaman (2023), flawed heuristics, N=4,600
- 10.1186 Bellaiche et al. (2023), label bias in art appraisal
- 10.1145 Jakesch et al. (2023, CHI), opinionated models shift user views
- kennethreitz.org Reitz, "someone vs. no one in particular"
03수집 논문, 86편Evidence Map: 86 Indexed Papers
research-agent CLI로 arXiv와 OpenAlex에서 86편을 모았다. 카드를 누르면 초록이 열린다. 별점은 주제 적합성을 본 15편에만 달았다. Collected from arXiv and OpenAlex with the research-agent CLI. Click a card to open its abstract. Star ratings were assigned to the 15 papers triaged for topical fit.
04반대 증거Counter-Evidence
"독자는 AI 글을 알아채고 거부한다"는 통념에는 세 군데 금이 가 있다. 셋 모두 후속 연구의 단서이기도 하다. The story that readers detect AI text and reject it cracks in three places, and each crack points at follow-up work.
① AI 시가 인간 시보다 더 좋게 평가받았다1. AI poetry was rated more favorably than human poetry
Porter와 Machery(2024, Scientific Reports, 16,340 판단)의 실험에서 비전문가 독자는 AI 시를 인간 시보다 못 맞혔다(정확도 46.6%). AI 시 쪽을 리듬과 아름다움에서 더 높게 친 것이다. 인간 시의 복잡성을 AI식 어수선함으로 오해한 셈이다. 이질감은 전문성과 장르에 따라 달라진다. 비전문가 대중 독자에게는 감지 뒤에 거부가 따르는 경로가 거꾸로 돌아갈 수도 있다. In Porter and Machery (2024, Scientific Reports, 16,340 judgments), non-expert readers classified AI poems below chance (46.6%) and rated them higher on rhythm and beauty, misreading the complexity of human poems as AI-style incoherence. The aversion depends on expertise and genre, and for lay readers the detect-then-reject sequence can run in reverse.
② 혐오의 씨앗은 텍스트가 아니라 라벨에 있을 수 있다2. The cause may be the label, not the text
Bellaiche 등(2023)은 같은 AI 그림에 "인간 창작" 라벨만 붙여도 선호, 아름다움, 깊이, 가치 평가가 모두 올랐음을 보였다. Jakesch 등(2023)은 대명사 몇 개만 바꿔도 인간다움 휴리스틱이 속을 수 있음을 보여주었다. 독자는 "AI 티가 나서" 거부하는 게 아니다. "AI라고 믿게 되는 단서"를 보고 거부하는 쪽에 가깝다. 이 반응은 의미 검증이라기보다 출처 추측이다. Bellaiche et al. (2023) found that labeling the same AI artwork "human-created" raised liking, beauty, profundity, and worth across the board. Jakesch et al. (2023) showed humanness heuristics can be gamed by swapping a few pronouns. Readers seem less to reject text with AI tells than to reject cues that lead them to believe it is AI. The alarm works as a provenance inference engine more than a meaning checker.
③ LLM 심리학 수입은 아직 논쟁 중이다3. Importing LLM psychology is contested
Lehr 등이 "GPT-4o 인지 부조화"를 주장하자 Cummins, Elson, Hussey는 "인지적이지도 않고 부조화도 아니다"라며 컨텍스트 윈도우 효과만으로 설명이 충분하다고 반박했다(PNAS). Lehr 등은 선택 조작을 더한 새 실험으로 받아쳤고 공방은 계속되고 있다. 이런 결과를 독자 경험 논의에 그대로 옮기려면 주의가 필요하다. Against Lehr et al.'s claim that GPT-4o shows cognitive dissonance, Cummins, Elson and Hussey countered that the effect is "neither cognitive nor dissonant" because context windows account for it (PNAS). Lehr et al. replied with a new experiment adding a choice manipulation, and the exchange is unresolved. Caution is warranted before carrying such narratives into claims about reader experience.
05남은 갭Gap Ledger
수집 코퍼스 전체에 LLM 갭 분석(research-agent)을 돌려 나온 결과다. 네 항목 모두 아직 빈 영역이다. Output of an LLM gap analysis (research-agent) over the full corpus. All four are open territories for empirical work.
수집 코퍼스 어디에도 독자의 AI 텍스트 혐오를 직접 잰 연구는 없다. 기존 연구는 모두 작성자, 모델, 플랫폼 쪽에 서 있다.No paper in the corpus directly measures reader aversion to AI text as such. Everything stands on the writer, model, or platform side.
AI 집필 사실을 고지했을 때 신뢰와 몰입, 품질 평가가 실제로 어떻게 바뀌는지 잰 인과 연구가 없다. 라벨 실험은 예술 작품(Bellaiche)에서는 있지만 텍스트 독서에서는 없다.Whether disclosing AI authorship causally changes trust, engagement, or quality judgments remains untested. Label experiments exist for artworks (Bellaiche) but not for reading contexts.
공동집필에 따른 견해 이동, 인지적 위임, 부조화 같은 작성자 쪽 효과가 독자 쪽 반응으로 이어진 흔적은 없다. 글쓰기 파이프라인 연구와 독서 경험 연구가 서로 닿지 않는다.Writer-side effects, meaning opinion shifts in co-writing, cognitive offloading, and dissonance, have never been linked to downstream reader reactions. The writing-pipeline and reading-experience literatures do not touch.
기존 연구는 자기 보고와 단일 세션 실험이 전부다. 독서 시간, 공유, 이탈 같은 행동·종단 측정으로 혐오가 시간에 따라 어떻게 변하는지 추적한 연구도 없다. 이탈 연구들(Frontiers 2026, IJHCI 2025)마저 플랫폼 해지를 잴 뿐 독서 중단은 재지 않는다. 측정 대상 자체가 어긋난다.Everything so far is self-report and single-session. No longitudinal or behavioral measures, such as reading time, sharing, or bounce, track how aversion evolves. Even the discontinuance studies (Frontiers 2026, IJHCI 2025) measure quitting a platform, not abandoning a text, which is a construct mismatch.
06글쓰기에 주는 시사점For Writers
- 마찰을 살려라. 레지스터 전환, 단문, 매듭짓지 않은 마무리는 인간의 신호로 읽힌다(Reitz). 목적은 탐지기를 속이는 게 아니다. 독자의 판단 단서를 되살리는 것이다.Restore friction. Register shifts, blunt fragments, and unresolved endings read as human signals (Reitz). The point is not to spoof a detector but to bring back the cues readers judge by.
- 라벨 설계가 평가를 좌우한다. 같은 텍스트도 출처에 대한 믿음에 따라 다르게 평가된다(Bellaiche). 고지는 미학 문제를 넘어 신뢰 설계 문제인데, 텍스트 독서에서의 인과 효과는 아직 재지 않았다(갭 2). 공개하되 공개만으로 끝내지 말라.Design the label, because it steers the evaluation. The same text is judged differently under different provenance beliefs (Bellaiche). Disclosure is a trust problem rather than an aesthetic one, yet its causal effect in reading contexts is untested (gap 2). Disclose, and do more than disclose.
- 목소리는 효과를 낳는다. 견해가 실린 언어모델로 공동집필하자 사용자 자신의 견해가 움직였다(Jakesch 등, CHI 2023). 글의 목소리가 독자의 생각을 바꾼다. 그러니 그 목소리가 누구의 것인지가 중요하다.Voice has effects. Co-writing with an opinionated model shifted users' own views (Jakesch et al., CHI 2023). A text's voice changes what readers think, so whose voice it is matters.
- 유창성을 의심하라. 매끄러움은 검증 없이 진실감을 올리는 단서다(M1). 윤문의 목표는 더 매끄러운 글이 아니다. 단서와 실체를 다시 맞추는 것이다.Distrust fluency. Smoothness raises felt truth without any verification behind it (M1). The goal of editing is not smoother prose but realignment between the cue and the substance.