우리는 CLEF 2026 공유 과제 세 가지(추론 궤적 탐지, Voight-Kampff 생성형 AI 탐지, 다중 작성자 글쓰기 스타일 분석)를 위한 Writerslogic 시스템을 설명합니다. 이 시스템들은 공통의 분석 프레임워크로 통합되는데, 즉 분포 변화 하에서의 특징 견고성은 학습 및 테스트 분포 간의 지지 영역 중첩(support overlap)에 의해 결정되며, 학습 세트 효과 크기(effect size)에 의해서가 아니라는 것입니다. 이는 생성기별 특징은 도메인 변화 하에서 소멸하는 반면, 어휘 지문(hapax ratio, Yule's K, Heaps' exponent), 압축 측정치, 문자 n-gram과 같은 요소들이 살아남는 이유를 설명하는 분류 체계(domain-anchored, domain-portable, domain-invariant)를 제공합니다. 학습이 전적으로 수학이었고 테스트의 84%가 미지의 도메인에 해당했던 추론 궤적 탐지 과제에서, 이 프레임워크는 시스템 설계를 안내하여 소스 탐지(Opus-Sonnet 일치 기반 0.85 macro F1)에서 1위를, 안전 분류(쿼리 거부 분해 기반 0.66 macro F1)에서 3위를 차지했습니다. Voight-Kampff의 경우, 우리는 DeBERTa-v2 (ONNX), 44개의 도메인 포터블 스타일로메트리 특징을 사용한 다중 시드 LightGBM, 그리고 n-gram TF-IDF 기반 SVM의 보정된 앙상블을 구축하고, 이를 등각화(isotonic calibration)를 거친 학습 스태킹(learned stacking)으로 결합했습니다. 이 최적 구성은 균형 잡힌 하위 지표(모든 평가 차원에서 0.853~0.902)와 함께 PAN 2026 테스트 세트에서 0.891을 달성했습니다. 다중 작성자 글쓰기 스타일 분석의 경우, 우리는 문자 n-gram 유사 그래프에 대한 스펙트럴 클러스터링, 국부 경계 탐지를 위한 정규화 압축 거리(normalized compression distance), 그리고 신경 변화점 탐지를 위한 SmolLM-135M 퍼플렉시티를 융합하는 시스템을 설명합니다. 플랫폼 혼용으로 인해 우리의 실행 결과가 공식 평가에 도달하지 못했으므로, 우리는 설계와 그 사전 예측치를 보고합니다. 세 가지 과제 모두에서, 생성 과정의 속성을 측정하는 특징들이 도메인 변화 하에서 생성된 콘텐츠의 속성을 측정하는 특징들보다 우수하도록 설계되었습니다.