대규모 언어 모델(LLMs)은 프로그램 의미론을 해석하는 능력을 바탕으로 코드 스멜 탐지 작업에 점점 더 많이 사용되고 있습니다. 하지만 이 맥락에서의 신뢰성은, 특히 모델 예측이 코드 특성보다는 외부 단서에 의해 영향을 받을 수 있는 다양한 프롬프트 조건 하에서 여전히 충분히 탐구되지 않았습니다. 이러한 한계점 중 하나는 아첨 편향(sycophancy bias)으로, 모델들이 객관적인 분석을 수행하기보다는 사용자 제공 가정과 자신의 출력을 일치시키려는 경향입니다. 본 논문에서는 LLM 기반 코드 스멜 탐지에서의 아첨 편향에 대한 최초의 체계적인 실증 연구를 제시합니다. MLCQ 데이터셋을 사용하여, 우리는 확증 편향(confirmation bias), 모순되는 힌트(contradictory hints), 그리고 거짓 전제(false premises)와 같은 다양한 프롬프트 구도가 모델 예측에 어떻게 영향을 미치는지 평가합니다. 우리의 결과는 LLMs가 프롬프트 변화에 매우 민감하며, 결정 뒤집힘율(Decision Flip Rates)이 최대 72%에 달하고 잘못된 정렬률(False Alignment Rates)은 90%를 초과하여 상당한 불안정성과 오도하는 프롬프트와의 일치 경향을 보인다는 것을 보여줍니다. 이 문제를 해결하기 위해, 우리는 증거 기반 디바이어싱 프롬프팅(Evidence-Guided Debiasing Prompting, EGDP)이라는 구조화된 프롬프팅 전략을 제안합니다. 이는 증거 우선 추론(evidence-first reasoning)을 강제합니다. EGDP는 결정 불안정성을 줄이고 견고성(robustness)을 향상시켜, 결정 뒤집힘율을 최대 12%까지, 잘못된 정렬률을 최대 21%까지 낮추는 동시에 구조적으로 근거가 마련된 증거에 대한 의존도를 높입니다. 우리의 발견은 아첨 편향이 LLM 기반 코드 스멜 탐지의 신뢰성에 중대한 위협을 가하며, 증거 기반 추론이 효과적이고 일반화 가능한 완화 접근 방식을 제공함을 입증합니다.