Writing in Symbiosis: Mapping Human Creative Agency in the AI Era

논문 요약: 공생적 글쓰기 - AI 시대의 인간 창작 주체성 매핑

이 논문은 대규모 언어 모델 (LLM) 의 확산으로 인해 인간과 기계 간의 관계가 어떻게 변모하고 있는지, 특히 창의적 글쓰기 영역에서 인간의 주체성 (Agency) 이 어떻게 적응하고 진화하는지를 탐구합니다. 저자들은 인간과 AI 의 관계가 단순한 일방적인 영향이 아닌, 역동적인 공진화 (Coevolution) 과정임을 주장하며, 이를 실증적으로 분석하기 위해 새로운 프레임워크를 제시합니다.

1. 연구 문제 (Problem)

• 기존 연구의 한계: 기존 연구들은 LLM 이 인간의 글쓰기 스타일을 획일화 (Homogenization) 시켜 창의적 다양성을 훼손한다는 'AI 스타일'의 확산에 주로 초점을 맞추었습니다. 또한, 인간과 AI 의 관계를 일방적인 영향으로만 보거나, 주제 (Topic) 와 스타일 (Style) 의 변화를 구분하지 못했습니다.
• 핵심 질문: LLM 이 보편화된 환경에서 인간 창작자는 어떻게 적응하며, 인간의 창의적 주체성은 어떻게 재정의되고 있는가?
• 가설: 인간의 창의적 반응은 단일한 경향이 아니라, 주제적 수렴과 스타일적 분화가 동시에 일어나는 "이중 궤도 진화 (Dual-Track Evolution)" 패턴을 보일 수 있다.

2. 방법론 (Methodology)

이 연구는 2021 년 1 월부터 2024 년 12 월까지의 데이터를 기반으로 한 대규모 종단적 (Longitudinal) 분석을 수행했습니다.

• 데이터 수집 (Corpus Curation):
  • 형식적 담화: arXiv 의 컴퓨터 과학 프리랜트 (CS preprints).
  • 비형식적 담화: Discord 의 공개 서버 메시지 (Discord Unveiled 데이터셋).
  • 기준점: 2022 년 11 월 30 일 (ChatGPT 공개) 을 전후로 'LLM 이전 (Pre-LLM)'과 'LLM 이후 (Post-LLM)' 시기로 구분.
  • 참고 데이터: ShareGPT-90k 및 Dolly-15k 등 순수 AI 생성 텍스트를 스타일적 기준선으로 사용.
• 특성 공학 (Feature Engineering) 및 분석 도구:
  • Perplexity Gap Analysis (Perplexity 차이 분석):
    • Pre-LLM Judge: 2022 년 이전 데이터로만 학습된 GPT-2 Medium 모델.
    • Current Model: 최신 LLM 인 Llama-3-8B-base.
    • 지표: $\Delta ppl = \frac{-\ln(p_{GPT2}(x))}{|x|} - \frac{-\ln(p_{Llama}(x))}{|x|}$
    • 의미: 현재 모델에게는 쉽지만 (낮은 Perplexity), 과거 모델에게는 어려운 텍스트는 LLM 시대의 언어적 패턴을 따르는 것으로 간주합니다. 이를 통해 주제 변화와 스타일 변화를 분리하여 측정했습니다.
  • 기타 스타일 특성: TTR(유형 - 토큰 비율), FKGL(읽기 난이도), 수동태 비율, 1 인칭 대명사 빈도, 문장 길이 등.
• 분석 프레임워크:
  • 변화점 탐지 (Change-point Detection): PELT 알고리즘을 사용하여 주제와 스타일 변화의 시점을 통계적으로 식별.
  • 클러스터링: HDBSCAN 알고리즘을 사용하여 2,100 명의 저자에 대한 스타일 변화 벡터를 군집화하여 3 가지 '창작 아키타입 (Creative Archetypes)'을 도출했습니다.

3. 주요 기여 (Key Contributions)

1. 이중 궤도 진화 (Dual-Track Evolution) 가설의 실증: 인간 글쓰기는 AI 관련 주제에 대해서는 수렴 (Convergence) 하지만, 스타일적 측면에서는 분화 (Differentiation) 가 일어난다는 것을 처음 체계적으로 정량화했습니다.
2. 창작 아키타입 맵 (Creative Archetype Map) 개발: 저자들의 적응 전략을 3 가지 유형으로 분류하는 새로운 프레임워크를 제시했습니다.
3. 이분법적 검출 프레임워크의 한계 지적: 단순한 '인간 vs 기계' 분류가 실패할 수 있음을 보여주며, 인간과 AI 의 협력적 관계가 더 복잡하고 다층적임을 입증했습니다.

4. 연구 결과 (Results)

분석 결과, 2,100 명의 저자 데이터에서 3 가지 명확한 아키타입이 도출되었습니다 (그림 1 참조):

1. 저항자 (Resistors, 21%):
   • 특징: LLM 이후에도 Pre-LLM 시기의 언어적 복잡성을 유지하며, AI 생성 텍스트와 유사도가 낮거나 오히려 감소했습니다.
   • 의미: AI 보조 도구보다 진정성과 독창성을 우선시하며, 인간 고유의 스타일적 서명을 의도적으로 보존하는 그룹입니다.
2. 수용자 (Adopters, 18%):
   • 특징: Perplexity Gap 이 가장 높게 나타나, 현재 LLM 에게는 매우 쉽고 과거 모델에게는 어려운 텍스트를 생성합니다.
   • 의미: LLM 시대의 언어적 관습 (더 매끄러운 구문, 예측 가능한 어휘) 을 전략적으로 수용하며, 인간과 기계의 경계를 흐리게 하는 '공창작 (Co-creation)' 모델을 따릅니다.
3. 실용주의자 (Pragmatists, 41% - 가장 큰 그룹):
   • 특징: 스타일적 변화는 중간 정도이지만, AI 관련 주제 (Theme) 에 대한 참여도는 크게 증가했습니다.
   • 의미: AI 를 주제 탐구의 도구로 활용하되, 개인의 고유한 목소리 (Voice) 는 유지하는 '분업 (Division of Labor)' 전략을 취합니다.

시간적 동역학:

• 주제적 수렴: 2023 년 1 분기에 AI 관련 주제 언급이 급증했습니다.
• 스타일적 역동성: 2023 년 초에는 스타일이 AI 패턴으로 수렴했으나, 2023 년 말부터는 AI 특유의 패턴이 낙인찍히면서 (Stigmatization) 스타일적 회피 (Avoidance) 현상이 나타나 Perplexity Gap 이 다시 감소했습니다. 특히 형식적 글쓰기 (arXiv) 에서 이 경향이 두드러졌습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 창의성의 진화: AI 의 등장은 인간 표현의 종말이 아니라, 인간 창작 주체성의 재협상 (Renegotiation) 을 의미합니다. 인간은 수동적인 도구가 아닌 능동적인 적응자입니다.
• AI 탐지 및 윤리: 단순한 AI 탐지기는 '수용자'와 '저항자'를 구분하지 못해 편향된 결과를 낼 수 있습니다. 따라서 아키타입을 고려한 새로운 평가 프레임워크가 필요합니다.
• 다양성 보존: 대부분의 저자 (저항자 + 실용주의자) 가 비 AI 스타일적 서명을 유지하고 있어, 인간 고유의 창의적 다양성이 여전히 보호되고 있음을 시사합니다.
• 미래 방향: AI 도구 설계 시 인간의 창의성을 대체하기보다 증진 (Enhance) 시키고, 다양한 목소리를 보호할 수 있는 정책이 마련되어야 함을 강조합니다.

이 연구는 인간과 AI 의 공진화 과정을 정량적으로 매핑함으로써, 기술 발전 속에서 인간 창의성의 본질과 미래 방향에 대한 중요한 통찰을 제공합니다.