우리는 독립적인 학술 연구자 및 박사 과정 학생들을 위해, AI 자동화를 활용한 인용 관리, 문헌 공백(Literature Gap) 식별, 그리고 초안 개요 생성 방법을 다루는 400-500단어 분량의 간결한 Dev.to 교육용 기사를 작성해야 합니다. 하지만 주어진 특정 주제는 다음과 같습니다: "Gap-Finding Engine: 미해결 질문을 식별하기 위한 체계적인 프롬프트(Systematic Prompts)". 전자책인 'Prompt Frameworks 1-6'의 사실 관계와 체크리스트 불렛 포인트를 사용해야 합니다. 반드시 포함해야 할 사항: 매력적인 제목, "AI" 또는 주제 포함. 서론: 공감할 수 있는 고통(Pain hook) 제시 (최대 2-3문장). 본론: 하나의 핵심 원칙 또는 프레임워크를 명확하게 설명. 특정 도구 이름 1개와 그 목적을 포함(사실 관계에 근거). 미니 시나리오: 원칙이 실제로 작동하는 모습을 보여주는 2문장. 구현: 3단계의 상위 수준 단계(정확한 프롬프트가 아닌 방식). 결론: 핵심 요점만 요약(전자책 홍보, URL 또는 할인 코드 제외). 어조는 전문적이고, 대화 중심적이며, 도움이 되고, 권위가 있어야 합니다. # 제목, ## 소제목, 단락을 사용하여 마크다운(Markdown)으로 출력하세요. 플레이스홀더는 사용하지 마십시오. 반드시 400-500단어 사이여야 합니다. 단어 수를 계산하세요.

우리는 명확하게 설명할 단 하나의 핵심 원칙 또는 프레임워크를 선택해야 합니다. 아마도 프롬프트 프레임워크 중 하나를 선택하는 것이 좋을 것입니다. 예를 들어, "Prompt Framework 1: 합의 및 모순 스캔(The Consensus and Contradiction Scan)"을 선택하여 이를 설명합니다. 사실 관계에 포함된 특정 도구 이름과 그 목적을 포함해야 합니다. 예: Paperguide (사실 관계에 언급됨). 따라서 Paperguide와 그 목적을 언급해야 합니다. 예: "Paperguide는 문헌 검토(Literature Review), 인용 관리(Citation Management), 그리고 공백 식별(Gap Identification)을 돕는 AI 연구 보조 도구입니다." 정확한 프롬프트나 상세한 설정을 공개할 필요는 없습니다. 따라서 Paperguide와 같은 AI 어시스턴트와 함께 해당 프레임워크를 사용하는 방식만 언급하면 됩니다.

원칙이 실제로 작동하는 모습을 보여주는 2문장의 미니 시나리오가 필요합니다.

구현: 3단계의 상위 수준 단계(정확한 프롬프트가 아닌 방식). 예: 1) 최근 논문 수집, 2) AI를 통한 합의 및 모순 스캔 실행, 3) 체크리스트를 사용하여 공백 평가.

결론: 핵심 요점만 요약합니다.

단어 수 400-500. 약 440단어를 목표로 합시다.

우리는 어떠한 사고 과정이나 서문도 포함해서는 안 됩니다. 오직 기사만 출력하십시오.

초안을 작성해 봅시다.

제목: # Gap-Finding Engine: AI를 사용하여 미해결 질문을 식별하는 방법

그 다음 소제목들: ## 서론, ## 핵심 프레임워크: 합의 및 모순 스캔, ## 미니 시나리오, ## 실행 단계, ## 결론.

단어 수를 확인해야 합니다.

약 440단어로 작성하겠습니다.

수동으로 계산하겠습니다.

초안:

서론

박사 과정 연구원들은 종종 수많은 PDF 파일에 파묻혀, 기존의 논의가 어디에서 끝나고 자신의 기여가 어디서부터 시작될 수 있는지 파악하는 데 어려움을 겪습니다. 수십 편의 논문 전반에 걸쳐 합의(Consensus)와 모순(Contradictions)을 수동으로 추적하는 것은 지루하고 오류가 발생하기 쉽습니다. AI 기반의 공백 식별(Gap-finding)은 이러한 탐색 과정을 체계적이고 반복 가능한 프로세스로 전환합니다.

핵심 프레임워크: 합의 및 모순 스캔

Gap-Finding Engine의 첫 번째 단계는 AI에게 학자들이 무엇에 동의하는지, 그리고 어디에서 의견이 갈리는지를 매핑하도록 요청하는 것입니다. 일련의 최신 논문들을 모델에 입력하고 주장(Claims), 방법론(Methods), 결론(Conclusions)을 추출하도록 프롬프트를 작성하면, AI는 두 가지 목록을 생성합니다. 즉, 광범위한 합의 지점과 주목할 만한 불일치 지점입니다. 이 스캔은 지적 지형을 드러내어, 확립된 지식과 새로운 질문이 뿌리 내릴 수 있는 균열을 강조합니다. 단순한 키워드 검색과 달리, 이 스캔은 텍스트 전반의 미묘한 차이(Nuance)를 종합하여 흩어진 언급들을 해당 분야의 현재 상태에 대한 일관된 지도로 변환합니다.

미니 시나리오

배터리 전해질에 관한 지난 12개월간의 학술지 논문을 업로드한 재생 에너지 저장 장치 연구자를 가정해 봅시다. AI는 리튬 이온(Lithium-ion)이 성능 지표를 지배한다는 합의를 반환하는 한편, 전고체(Solid-state) 대안의 안전성 트레이드오프(Trade-offs)를 둘러싼 모순을 도출합니다. 이러한 대조는 즉각적으로 하나의 공백을 가리킵니다. 바로 안전성을 희생하지 않으면서 고출력 애플리케이션을 위한 전고체 전해질을 최적화하는 것입니다.

실행 단계

1. 집중된 코퍼스 (Corpus) 수집 – 레퍼런스 관리자나 Paperguide와 같은 도구를 사용하여 가장 관련성이 높은 최신 논문(예: 최근 12~24개월 이내)을 수집하고 이를 깨끗한 텍스트로 내보냅니다.
2. 합의 및 모순 프롬프트 (Consensus and Contradiction Prompt) 실행 – AI 어시스턴트에게 코퍼스를 읽고, 합의된 결과들을 나열하며, 상충하는 결과나 방법론적 차이를 표시하도록 지시합니다.
3. 갭 체크리스트 (Gap Checklist)로 출력물 평가 – 5가지 질문 루브릭(그래서 무엇인가(so what), 관련성(relevant), 연구 가능성(researchable), 중요성(significant), 진정한 공백(true gap))을 사용하여 식별된 각 모순의 관련성, 연구 가능성, 중요성 및 진정한 참신함을 평가함으로써 가장 유망한 미해결 질문의 우선순위를 정합니다.

결론 (Conclusion)

합의 및 모순 스캔을 자동화하면 박사 과정 후보생들에게 진정한 문헌 공백(literature gaps)을 발견할 수 있는 빠르고 신뢰할 수 있는 방법을 제공합니다. 이러한 AI 기반의 관점을 규율 있는 평가 체크리스트와 결합함으로써, 연구자들은 압도적인 독서 목록에서 벗어나 훨씬 적은 시간 내에 명확하고 실행 가능한 연구 질문으로 나아갈 수 있습니다.

이제 단어 수를 세어보세요.

수동으로 세어봅시다.

제목 줄: "The Gap-Finding Engine: Using AI to Spot Unanswered Questions" (이것은 11단어인가요? 세어봅시다: The(1) Gap-Finding(2) Engine:(3) Using(4) AI(5) to(6) Spot(7) Unanswered(8) Questions(9). 사실 "Gap-Finding"은 하나의 단어로 계산되나요? 보통 하이픈으로 연결된 단어는 하나로 계산됩니다. 따라서 9단어입니다.

하지만 전체 기사 단어 수는 400~500단어가 되어야 합니다. 모든 것을 세어보겠습니다.

텍스트를 복사해서 세어보겠습니다.

직접 써서 세어보겠습니다.

"The Gap-Finding Engine: Using AI to Spot Unanswered Questions" (9)

빈 줄.

"## Introduction" (2개? 사실 "##"은 단어로 계산되지 않나요? 마커 뒤의 단어들을 세겠습니다. 보통 단어만 셉니다. "Introduction"을 1단어로 세겠습니다. 하지만 안전해야 합니다. 마크다운 기호를 무시하고 모든 단어를 세겠습니다. 내용 단어들을 세겠습니다.

제목을 포함한 일반 텍스트로 기사를 작성하되, #와 ##은 무시하고 단어를 세겠습니다.

전체 기사 초안을 작성하겠습니다:

The Gap-Finding Engine: Using AI to Spot Unanswered Questions

서론

박사 과정 연구원들은 종종 수많은 PDF 파일에 파묻혀, 기존의 논의가 어디에서 끝나고 자신의 기여가 어디서부터 시작될 수 있는지 파악하는 데 어려움을 겪습니다. 수십 편의 논문에 걸쳐 합의점(consensus)과 모순점(contradictions)을 수동으로 추적하는 작업은 지루하며 오류가 발생하기 쉽습니다. AI 기반의 격차 발견(gap-finding)은 이러한 탐색 과정을 체계적이고 반복 가능한 프로세스로 전환합니다.

핵심 프레임워크: 합의 및 모순 스캔 (Consensus and Contradiction Scan)
Gap-Finding Engine의 첫 번째 단계는 AI에게 학자들이 무엇에 동의하는지, 그리고 어디에서 의견이 갈리는지를 매핑하도록 요청하는 것입니다. 최근 논문 세트를 모델에 입력하고 주장(claims), 방법론(methods), 결론(conclusions)을 추출하도록 프롬프트를 작성하면, AI는 두 가지 목록, 즉 광범위한 합의 지점과 주목할 만한 불일치 지점을 생성합니다. 이 스캔은 지적 지형을 드러내어, 이미 확립된 지식과 새로운 질문이 뿌리 내릴 수 있는 균열을 강조합니다. 단순한 키워드 검색과 달리, 이 스캔은 텍스트 전반의 미묘한 차이(nuance)를 종합하여 흩어진 언급들을 해당 분야의 현재 상태를 보여주는 일관된 지도로 변환합니다.

미니 시나리오
재생 에너지 저장 장치를 연구하는 한 연구자가 배터리 전해질에 관한 지난 12개월간의 학술지 논문을 업로드한다고 가정해 봅시다. AI는 리튬 이온(lithium-ion)이 성능 지표를 지배한다는 합의를 반환하는 동시에, 전고체(solid-state) 대안의 안전성 트레이드오프(safety trade-offs)를 둘러싼 모순을 찾아냅니다. 이러한 대비는 즉각적으로 하나의 격차(gap)를 가리킵니다. 즉, 안전성을 희생하지 않으면서 고출력 애플리케이션을 위한 전고체 전해질을 최적화하는 것입니다.

구현 단계

1. 집중된 코퍼스 (Corpus) 수집 – 레퍼런스 관리자나 Paperguide와 같은 도구를 사용하여 가장 관련성이 높은 최신 논문(예: 최근 12~24개월 이내)을 수집하고 이를 깨끗한 텍스트로 내보냅니다.
2. 합의 및 모순 프롬프트 (Consensus and Contradiction Prompt) 실행 – AI 어시스턴트에게 코퍼스를 읽고, 합의된 결과들을 나열하며, 상충하는 결과나 방법론적 차이를 표시하도록 지시합니다.
3. 격차 체크리스트 (Gap Checklist)로 출력물 평가 – 5가지 질문 루브릭(그래서 무엇인가(so what), 관련성(relevant), 연구 가능성(researchable), 중요성(significant), 진정한 격차(true gap))을 사용하여 식별된 각 모순의 관련성, 연구 가능성, 중요성 및 진정한 신규성을 평가함으로써 가장 유망한 미해결 질문의 우선순위를 정합니다.

결론 (Conclusion)
합의 및 모순 스캔을 자동화하면 박사 과정 후보생들이 진정한 문헌 격차(literature gaps)를 발견할 수 있는 빠르고 신뢰할 수 있는 방법을 얻게 됩니다. 이러한 AI 기반의 관점을 규율 있는 평가 체크리스트와 결합함으로써, 연구자들은 압도적인 독서 목록에서 벗어나 훨씬 적은 시간 안에 명확하고 실행 가능한 연구 질문으로 나아갈 수 있습니다.

이제 단어 수를 세어보겠습니다.

각 단어를 세겠습니다.

한 줄씩 진행하겠습니다.

제목 줄: The(1) Gap-Finding(2) Engine:(3) Using(4) AI(5) to(6) Spot(7) Unanswered(8) Questions(9)

서론 (Introduction)
박사(PhD)(10) 과정(candidates)(11) 후보생들은(often)(12) 종종(drown)(13) PDF들(in)(14) 속에서(PDFs)(15) 허우적거리며(struggling)(16), 대화가(to)(17) 어디서(see)(18) 끝나는지(where)(19) 그리고(the)(20) 그들의(conversation)(21) 기여가(ends)(22) 어디서(and)(23) 시작될(their)(24) 수(could)(25) 있는지(begin)(26) 파악하는(27) 데 어려움을 겪습니다(Manually)(28). 수십(tracing)(29) 편의(consensus)(30) 논문(and)(31) 전반에(contradictions)(32) 걸친(across)(33) 합의와(dozens)(34) 모순을(of)(35) 수동으로(papers)(36) 추적하는(is)(37) 것은(tedious)(38) 지루하고(and)(39) 오류가(error‑prone)(40) 발생하기 쉽습니다. AI 기반의(AI‑driven)(41) 격차 발견(gap‑finding)(42)은(turns)(43) 이러한(this)(44) 탐색을(hunt)(45) 체계적이고(into)(46) 반복 가능한(a)(47) 프로세스로(systematic)(48) 바꿉니다(repeatable)(49) (process)(50).

핵심(Core)(51) 프레임워크(Framework)(52): 합의(Consensus)(53) 및(and)(54) 모순(Contradiction)(55) 스캔(Scan)(56)

Gap-Finding(62) 엔진(Engine)(63)의(in)(60) 첫 번째(first)(58) 단계(step)(59)는(is)(64) AI(68)에게(to)(65) 학자들이(scholars)(72) 무엇에(what)(71) 합의(agree)(73)하고(and)(75) 어디에서(where)(76) 의견이 갈리는지(diverge)(77)를(on)(74) 매핑(map)(70)하도록(to)(65) 요청하는(ask)(66) 것입니다(is)(64). 최근(recent)(84) 논문(articles)(85) 세트(set)(82)를(a)(81) 모델(model)(88)에(into)(86) 입력하고(feeding)(80), 주장(claims)(94), 방법론(methods)(95), 그리고(and)(96) 결론(conclusions)(97)을(to)(92) 추출(extract)(93)하도록(prompting)(90) 프롬프트(it)(91)를(to)(92) 제공함으로써(by)(79), AI(99)는(produces)(100) 두(two)(101) 가지(lists)(102) 목록을(of)(103) 생성합니다(produces)(100): 광범위한(broad)(105) 합의(agreement)(106) 지점(points)(103)과(and)(107) 주목할 만한(notable)(108) 불일치(discrepancies)(109)입니다(is)(102). 이러한(This)(110) 스캔(scan)(111)은(reveals)(112) 지적(intellectual)(114) 영역(terrain)(115)을(the)(113) 드러내며(reveals)(112), 확립된(settled)(117) 지식(knowledge)(118)과(and)(119) ~가 발생하는(where)(120) 균열(fissures)(121)을(the)(113) 강조합니다(highlighting)(116).