인문학 연구를 위한 AI 확장: 증거 기반 학술 활동을 위한 멀티 에이전트 프레임워크

LLM(Large Language Model) 기반의 연구 에이전트들은 실행 가능한 실험, 코드, 그리고 정량적 신호(quantitative signals)를 중심으로 연구가 이루어지는 과학 및 공학 분야에서 빠르게 발전해 왔습니다. 그러나 인문학적 학술 활동은 이와 다른 추론 방식을 요구합니다. 즉, 학술적 가치가 충실한 인용, 검증 가능한 출처(provenance), 그리고 정독(close reading)에 달려 있는, 1차 사료에 기반한 해석적이고 증거 중심적인 논증이 필요합니다. 기존의 연구 에이전트들은 증거 기반의 해석적 추론이 아닌, 실행과 검색(retrieval)에 주로 최적화되어 있습니다. 이러한 격차를 해소하기 위해, 우리는 증거 기반의 인문학 학술 활동을 위한 멀티 에이전트 프레임워크인 SPIRE (Scholarly-Primitives-Inspired Research Engine)를 소개합니다. 학술적 프리미티브(Scholarly Primitives) 이론을 바탕으로, SPIRE는 반복되는 인문학적 작업들을 협력하는 에이전트 역할(출처 발견, 증거 주석 달기, 비교, 출처 확인, 샘플링, 인용 결합, 그리고 논증적 합성)로 설정하며, 이는 구절(passages), 문맥 내 그래프 커뮤니티(intra-context graph communities), 그리고 문맥 간 의미론적 클러스터(cross-context semantic clusters)로 구성된 다중 규모의 정독 기질(close-reading substrate) 위에서 작동합니다. 고전 중국어 및 그리스-로마 라틴어 학술 연구에 대한 피어 리뷰 논문 벤치마크에서, SPIRE는 Naive LLM, Text RAG, 그리고 GraphRAG보다 인용된 1차 사료 증거를 더 신뢰성 있게 복구하며, 답변의 정확성, 깊이, 범위 및 증거 품질 측면에서 더 높은 블라인드 심사(blind-judge) 점수를 받았습니다. 절제 연구(Ablations) 결과, 학술 작업 에이전트와 정독 검색(close-reading retrieval) 모두가 증거 기반 에세이 작성에 기여함을 보여줍니다. 코드, 데이터 카탈로그 및 재현 스크립트는 https://github.com/YatingPan/SPIRE 에서 공개됩니다.