과학적 방법론은 오랫동안 소프트웨어 공학 (SE) 분야의 경험적 연구를 안내해 왔으나, 현대 소프트웨어 시스템의 복잡성은 종종 그 체계적인 적용을 방해합니다. 본 논문은 가설 생성부터 분석 및 해석에 이르기까지 과학적 프로세스의 모든 단계에 대규모 언어 모델 (LLMs)을 통합하는 인과 기반 AI 프레임워크인 _ECLAIR_를 소개합니다. _ECLAIR_는 _LLMs_를 인과 추론 (causal inference) 원칙에 따라 작동하는 능동적인 **과학적 에이전트 (scientific agents)**로 취급하며, 부적절한 자동 추론의 위험으로부터 보호하기 위해 인간 참여형 (human-in-the-loop) 설계 내에서 작동합니다. 본 연구는 두 가지 _LLMs_에서 프롬프트 설계가 코드 생성 정확도에 어떻게 영향을 미치는지 조사하는 사례 연구를 통해 이 프레임워크를 입증합니다. 결과에 따르면, 두 모델 모두에서 지시어 스타일 (instruction-style), 더 긴 퓨샷 (few-shot), 그리고 시그니처 증강 (signature-augmented) 프롬프트가 정확도에 작은 부정적 인과 효과를 미치는 것으로 나타났으며, 이는 인과 추론이 소프트웨어 현상이 '왜' 발생하는지를 설명하기 위한 원칙적인 토대를 어떻게 제공하는지를 보여줍니다. 본 연구는 경험적 SE 연구의 인식론적 요구 사항을 중심으로 설계되어, SE의 과학적 방법론 내에 _LLMs_를 임베딩하기 위한 최초의 인과 기반 구조적 방법론을 제시하며, 엄격한 AI 지원 연구를 위한 기초를 확립합니다.