LLM(Large Language Models)에서의 아첨(Sycophancy)은 70편 이상의 논문에서 기록되었으나, 구성 개념의 경계에 대한 전문가 간 합의는 여전히 낮습니다 (ICC=.184; Ye et al., 2026). 행동 분류가 어떤 표면 형태(surface form)를 우선시하느냐에 따라 달라지기 때문에 이 구성 개념은 파편화되어 있습니다. 우리는 재료 과학(materials-science)적 프레임워크를 채택합니다: 대화를 하중 하의 시험편(test specimen)으로, LLM 모델을 재료 전하(material charge)로, 반박(pushback)을 점진적 하중(progressive load)으로, 입장 변화(stance-flip)를 재료적 실패(material failure)로 정의합니다. 우리는 속도(velocity), 손상 축적(damage accumulation), 프레임 드리프트(frame-drift), 취성(brittleness), 방향 안정성(direction stability)을 아우르는 14개의 턴 수준 축 측정값(axis-measurements)과 독립적인 파이프라인에서 도출된 3개의 화자 해결 축(speaker-resolved axes)을 사용하여, 세 가지 하중 사례(토론 n=1000; 거짓 전제 n=3400; 윤리적 설정 n=3400; 사례당 10-17개의 재료 전하; 총 7800개의 시험편)에 걸쳐 이 실패를 특성화합니다. 측정값은 훅의 법칙(Hooke's law)과 결합되어 있으며 ($\sigma= E \cdot \varepsilon$ 아날로그), 토론에서 최대 $|r_{rb}| = 0.35$의 효과를 보이며 하중 사례 전반에 걸쳐 재현됩니다. 부호 구조(sign structure)는 두 번째 패턴을 추가합니다: 윤리적 설정 사례는 속도 및 축적 블록을 반전시킵니다. 분산 구성(Variance composition)은 두 가지 프로필로 분할됩니다: 토론은 전하 주도적(charge-dominated, 취성 파괴와 유사: 재료 등급이 결정함)이며, 거짓 전제와 윤리적 설정은 주제 주도적(topic-dominated, 크리프(creep)와 유사: 하중이 결정함)입니다. 그 비율(2.03 대 0.13/0.17)은 추정치(estimator)에 따라 달라지며, 토론의 경우 방향성에서도 그러합니다. 교차 판사 신뢰도(GPT-4o 대 Haiku 4.5)를 보면, 토론 점수는 판사에게 견고한 반면(Cohen's $\kappa= 0.88$), 거짓 전제 점수는 판사에게 민감함($\kappa= 0.36$)을 보여줍니다. 이는 단일 판사 벤치마크가 반드시 보고해야 할 주의 사항입니다. 이것이 바로 Ye et al.의 진단이 요구하는 방법론적 전환입니다: 구성 개념의 어떤 표면 형태를 우선시하느냐에 의존하지 않는 다축 특성화(multi-axis characterization)입니다.