SHAPR: A Solo Human-Centred and AI-Assisted Practice Framework for Research Software Development

논문 요약: SHAPR 프레임워크

1. 문제 정의 (Problem Statement)

• 연구 소프트웨어의 중요성 증가: 고등 연구 (HDR, 석사/박사 과정) 에서 연구 소프트웨어는 단순한 도구를 넘어 연구 방법론의 핵심 산출물 (지식 생성의 매개체) 로 자리 잡았습니다.
• 솔로 (Solo) 개발자의 한계: 산업계와 달리 연구 소프트웨어는 주로 단일 연구자 (솔로) 가 개발합니다. 이 연구자는 도메인 전문가, 설계자, 개발자, 평가자, 성찰적 분석가 등 다양한 역할을 동시에 수행해야 하며, 이는 인지적 부하와 방법론적 엄격성 유지의 어려움을 초래합니다.
• 생성형 AI 의 도입과 새로운 도전: 생성형 AI(LLM 등) 는 코드 생성, 요구사항 작성 등을 통해 개발 속도를 높여주지만, 솔로 연구자에게는 책임 소재 (Accountability), 투명성, 방법론적 엄격성에 대한 새로운 도전을 제기합니다.
• 기존 방법론의 부재: 행동 설계 연구 (Action Design Research, ADR) 는 사회기술적 산출물 연구의 기초를 제공하지만, 솔로 연구자가 AI 와 협력하며 일상적인 개발을 수행할 때 구체적인 실천 가이드 (Operational Guidance) 를 제공하지 못합니다. 특히 AI 와 인간의 역할 분담, 책임 소재, 그리고 학습 과정을 어떻게 구조화할지에 대한 지침이 부족합니다.

2. 연구 방법론 (Methodology)

• 연구 패러다임: 실용주의적 설계 지향 연구 (Design-oriented Research) 패러다임을 채택했습니다.
• 주요 방법론: 행동 설계 연구 (Action Design Research, ADR) 를 상위 방법론으로 활용했습니다.
• 분석 단위 (Unit of Analysis): 본 연구의 핵심 분석 대상은 특정 소프트웨어 시스템이 아니라, 제안된 SHAPR 프레임워크 자체입니다.
• 평가 방식: 경험적 검증 (Empirical Validation) 대신 형성적 평가 (Formative Evaluation) 와 반성적 분석 (Reflective Analysis) 을 통해 프레임워크의 내부 일관성, ADR 원칙과의 정합성, 솔로 연구 맥락에서의 적용 가능성을 평가했습니다.
• 접근 방식: ADR 의 고수준 원칙을 솔로 연구자의 AI 지원 개발 맥락에서 실행 가능한 실천 수준 (Practice-level) 으로 구체화하는 개념적 프레임워크를 설계했습니다.

3. 주요 기여 및 SHAPR 프레임워크 (Key Contributions & SHAPR Framework)

논문의 핵심 기여는 SHAPR (Solo, Human-centred, AI-assisted PRactice) 프레임워크를 제안하는 것입니다. 이는 ADR 을 보완하는 실천 수준의 운영 프레임워크입니다.

SHAPR 의 핵심 구성 요소:

• 개념적 역할 분리 (Conceptual Role Separation): 솔로 연구자가 여러 역할을 수행할 때, 물리적 분리가 아닌 인지적/개념적 역할 분리를 강조합니다.
  • 역할: 연구 문제 정의자 (Problem Framer), 시스템 설계자 (System Designer), 개발자 (Developer), 평가자 (Evaluator), 성찰적 분석가 (Reflective Analyst).
  • 목적: 역할 전환을 명시화하여 의사결정 근거를 투명하게 하고, AI 와의 협력에서 인간의 책임 소재를 명확히 합니다.
• 인간 중심 거버넌스 (Human-Centred Governance):
  • AI 는 의사결정자가 아닌 인지적 협력자 (Cognitive Collaborator) 로 간주됩니다.
  • 모든 연구 결정, 해석, 책임, 윤리는 인간 연구자에게 남아야 합니다.
• 반복적 BIE 사이클 (Iterative BIE Cycles):
  • Building (구축): 요구사항 정의, 아키텍처 탐색, 구현 (AI 도구 활용).
  • Intervention (개입): 연구 맥락에서 산출물 사용.
  • Evaluation (평가): 기술적 평가 및 성찰적 분석.
  • 이 과정에서 성찰 (Reflection) 과 추상화 (Abstraction) 가 각 단계에 내재됩니다.
• 산출물 및 증거 관리 (Artefact & Evidence Management):
  • 최종 코드뿐만 아니라 프롬프트, 버전 기록, 설계 노트, 성찰 일지 등을 연구 증거로 간주합니다.
  • 버전 관리와 추적 가능성 (Traceability) 을 통해 AI 가 생성한 내용과 인간의 판단이 어떻게 결합되었는지 투명하게 기록합니다.
• 도구 중립성 (Tool Agnosticism): 특정 AI 도구나 플랫폼에 종속되지 않으며, 빠르게 진화하는 도구 생태계에 유연하게 대응할 수 있도록 설계되었습니다.

주요 설계 원칙 (Design Principles):

1. 인간 책임 우선: 자동화보다 인간 연구자의 책임과 판단을 우선시합니다.
2. 개념적 역할 분리: 솔로 개발자의 역할 혼선을 방지하기 위해 인지적 분리를 장려합니다.
3. 산출물 중심의 반성적 학습: 개발 과정 자체가 학습 과정이며, 산출물의 진화를 통해 학습이 발생합니다.
4. 명시적 추적 가능성: 코드, 프롬프트, 변경 이력 등을 연구 증거로 체계화합니다.
5. 경량 거버넌스: 과도한 행정적 부담 없이 학습과 책임성을 지원하는 경량 체크포인트를 도입합니다.

4. 결과 및 성과 (Results)

• 개념적 프레임워크 정립: ADR 의 이론적 기반을 솔로 연구자가 AI 를 활용하는 구체적인 개발 실천에 적용할 수 있는 구조로 변환했습니다.
• 역할 다중화 (Role Multiplexing) 해결: 솔로 연구자가 겪는 역할 혼란과 인지적 부하를 해결하기 위한 '역할 인식 (Role Awareness)' 메커니즘을 제시했습니다.
• AI 협력의 구조화: AI 를 단순한 코드 생성기가 아닌, 인간의 판단을 보조하는 도구로 위치 짓고, 그 협력 관계를 관리하는 가이드라인을 제시했습니다.
• 학습 및 방법론적 엄격성 동시 달성: 기술적 생산성과 연구 방법론적 엄격성 (Rigor), 그리고 연구자의 학습 (Learning) 을 동시에 지원하는 구조를 제안했습니다.

5. 의의 및 중요성 (Significance)

• 연구 방법론의 확장: 기존 ADR 이 조직적 맥락에 치중했다면, SHAPR 은 솔로 연구자와 AI 지원이라는 현대적 맥락을 반영하여 방법론을 확장했습니다.
• 고등 연구 (HDR) 교육 지원: 박사 및 석사 과정 연구자들이 소프트웨어 개발을 통해 지식을 생성하고, 동시에 연구자로서의 성찰적 사고와 AI 리터러시를 함양할 수 있는 교육적 프레임워크를 제공합니다.
• 책임 있는 AI 사용 촉진: 연구 윤리, 저자성 (Authorship), 투명성 문제를 해결하기 위해 인간 중심의 거버넌스 구조를 제안하여, AI 시대의 연구 무결성을 보장합니다.
• 미래 연구의 기반: 본 논문은 SHAPR 을 하나의 완성된 솔루션이 아닌, 다양한 분야에서 실증적으로 검증되고 정제될 수 있는 기초 설계 지식 (Design Knowledge) 으로 위치시켜, 향후 AI 지원 연구 소프트웨어 개발에 대한 누적적 연구의 토대를 마련했습니다.

결론적으로, SHAPR 은 솔로 연구자가 생성형 AI 를 활용하여 연구 소프트웨어를 개발할 때, 방법론적 엄격성을 유지하면서도 인간 중심의 학습과 책임을 보장하기 위한 필수적인 실천 가이드라인을 제공합니다.