대규모 언어 모델 (LLMs)에 의해 생성된 기계 생성 텍스트 (MGTs)는 다양한 애플리케이션에서 점점 더 널리 퍼지고 있으며, 가짜 뉴스 전파 및 피싱에서의 잠재적 오용은 심각한 우려를 불러일으켜 MGT 탐지의 필요성을 강조하고 있습니다. 기존의 문단 수준 탐지 방법들은 일반적으로 MGT를 완전히 기계적인 것으로 취급하며, 기계 생성 텍스트의 숨겨진 인간 유사성 (human-like nature)을 간과합니다. 즉, 완전히 기계에 의해 생성된 텍스트라 할지라도 인간의 글쓰기와 매우 일치하는 구간 (spans)을 포함할 수 있습니다. 이를 위해, 본 연구에서는 먼저 이러한 숨겨진 인간 유사 구간의 존재를 밝히고, 탐지에 미치는 영향을 이론적으로 분석합니다. 우리의 분석에 따르면, 이러한 구간들은 탐지를 위한 문장 복잡성 (sentence complexity)을 증가시켜 MGT 탐지를 본질적으로 더 어렵게 만듭니다. 이러한 발견을 바탕으로, 우리는 숨겨진 인간 유사 구간의 영향을 줄임으로써 기존 탐지기를 개선하는 모델 불가지론적 (model-agnostic) 스택 강화 프레임워크를 제안합니다. 구체적으로, 우리는 구간 수준의 유지 결정 (span-level retention decisions)을 잠재 변수 문제 (latent-variable problem)로 모델링하고, 하드 EM (hard-EM)에서 영감을 얻은 절차를 통해 최적화를 구현합니다. 여기서 탐지기는 확신 있게 인간과 유사한 하위 시퀀스 (subsequences)를 반복적으로 필터링하고 남은 텍스트를 바탕으로 스스로를 정교화합니다. 다양한 LLMs 및 실제 시나리오에 걸친 광범위한 실험을 통해 제안된 프레임워크가 기존 탐지기를 일관되게 향상시킨다는 것을 입증했습니다. 특히, 이 프레임워크는 훈련이 필요 없는 (training-free) 방식으로도 작동할 수 있어, 실제 배포를 위한 유연성과 확장성을 제공합니다.