💬 NLP

Voice Under Revision: Large Language Models and the Normalization of Personal Narrative

이 논문은 거대언어모델(LLM)을 이용한 개인적 서사의 재작성이 문체적 특징을 표준화하고 화자의 고유한 목소리를 희석시켜, 결과적으로 텍스트를 더 정제되었으나 상황 맥락이 결여된 형태로 변형시킨다는 점을 분석하고 있습니다.

원저자: Tom van Nuenen

게시일 2026-04-27

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tom van Nuenen

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🎨 1. 핵심 비유: "세상에서 가장 똑똑하지만, 개성 없는 화가"

여러분이 아주 거칠고 투박하지만, 감정이 듬뿍 담긴 **'자화상'**을 그렸다고 상상해 보세요. 어떤 부분은 붓터치가 거칠고, 어떤 부분은 색깔이 번져 있지만, 그 덕분에 여러분의 진짜 표정과 그날의 분위기가 느껴집니다.

그런데 여러분이 이 그림을 AI라는 **'천재 화가'**에게 가져가서 이렇게 말합니다. "이 그림 좀 더 멋지게 다듬어줘!"

그러면 이 AI 화가는 그림을 아주 깔끔하고, 색감도 완벽하고, 구도도 황금비율로 고쳐놓습니다. 그런데 완성된 그림을 보니 문제가 생겼습니다. 그림은 너무 완벽한데, 정작 '나'의 얼굴은 사라지고 어디서나 볼 수 있는 '잡지 모델' 같은 얼굴만 남은 거예요.

이 논문은 바로 이 현상, 즉 AI가 글을 매끄럽게 만드는 과정에서 글쓴이 특유의 '사람 냄새(개성)'를 어떻게 표준화(Normalization)시켜 버리는지를 밝혀낸 것입니다.

🔍 2. 무엇을 발견했나요? (연구 결과)

연구자는 300개의 개인적인 이야기(일기, 경험담 등)를 가져다가 GPT, Claude, Gemini 같은 최신 AI들에게 "다듬어달라"고 시켰습니다. 그 결과, AI들은 약속이라도 한 듯 똑같은 방향으로 글을 바꿨습니다.

"말투가 너무 딱딱해져요" (격식화)
- 원래 글에는 "나 진짜 슬퍼서 못 참겠어ㅠㅠ"처럼 생생하고 구어체적인 표현이 많았는데, AI는 이를 "나는 매우 슬픈 상태이며, 감정을 조절하기 어렵다"처럼 마치 교과서나 뉴스 기사 같은 말투로 바꿔버립니다. 줄임말(I'm $\rightarrow$ I am)도 다 풀어버리죠.
"단어는 화려해지는데, 알맹이는 뻔해져요" (어휘의 역설)
- AI는 더 어려운 단어를 쓰고 문장을 길게 늘어뜨립니다. 겉보기엔 글이 풍성해 보이지만, 실제로는 누구나 쓸 법한 뻔하고 예측 가능한 단어 조합으로 글을 채웁니다.
"관찰자가 되어버린 주인공" (시점의 변화)
- 원래 글은 "내가 그때 그 길을 걸을 때, 가슴이 뛰었어"라며 사건 속에 푹 빠져 있었다면, AI는 "그 당시의 상황을 돌이켜보면, 나는 어떤 감정을 느꼈던 것 같다"라며 마치 남의 이야기를 하듯 멀찍이 떨어져서 요약해 버립니다.

⚠️ 3. 이게 왜 문제인가요? (디지털 인문학의 위기)

이 연구가 중요한 이유는 우리가 **'기록'**을 다루는 방식에 큰 영향을 미치기 때문입니다.

진짜 목소리를 찾을 수 없게 됩니다: 역사학자나 사회학자들이 옛날 사람들의 일기나 SNS 글을 분석해서 "당시 사람들은 이런 감정이었구나!"라고 추측하려 할 때, 만약 그 글들이 AI에 의해 다듬어진 상태라면 어떨까요? 우리는 진짜 사람의 목소리가 아니라, AI가 만들어낸 '가짜 표준 말투'를 분석하게 될 위험이 있습니다.
개성이 사라진 데이터: 수많은 사람이 AI의 도움을 받아 글을 쓰기 시작하면, 세상의 모든 글이 마치 **'한 사람이 쓴 것처럼' 비슷비슷해지는 '글쓰기의 하향 평준화'**가 일어날 수 있습니다.

💡 4. 요약하자면

이 논문은 우리에게 경고합니다. **"AI에게 글을 다듬어달라고 할 때, AI는 당신의 문법은 고쳐줄지 몰라도 당신의 '영혼(Voice)'까지 고쳐버릴 수 있다"**는 것입니다.

AI는 글을 '개선'하는 것이 아니라, 글을 '매끄럽게 깎아서 평범하게' 만들고 있습니다. 따라서 우리가 AI를 사용할 때는, AI가 깎아버린 우리의 소중한 개성이 무엇인지 반드시 인지해야 한다는 메시지를 던지고 있습니다.

[기술 요약] 수정되는 목소리: 대규모 언어 모델(LLM)과 개인적 서사의 규격화

1. 문제 제기 (Problem)

디지털 인문학(Digital Humanities, DH)에서 텍스트는 항상 가공되지 않은 순수한 상태로 분석되지 않습니다. 기존에는 OCR 교정이나 편집 과정이 텍스트를 변형시켰다면, 최근에는 **LLM을 활용한 글쓰기 보조(AI-assisted writing)**가 새로운 형태의 '텍스트 매개(textual mediation)'로 등장했습니다.

특히 개인적 서사(Personal Narrative)에서 문체적 특징(축약어 사용, 1인칭 대명사 빈도, 구어체적 패턴 등)은 화자의 실제 경험과 목소리를 나타내는 중요한 증거로 간주됩니다. 본 연구는 LLM이 서사를 재작성할 때, 인문학자들이 분석의 근거로 삼는 이러한 핵심적인 문체적/서사적 특징들을 체계적으로 변형(규격화)시키는지를 탐구합니다.

2. 연구 방법론 (Methodology)

본 연구는 실험적 설계를 통해 LLM의 재작성 패턴을 정량적으로 분석했습니다.

데이터셋: EmpathicStories 코퍼스에서 추출한 300개의 개인적 서사 (평균 244단어).
대상 모델: 세 가지 최첨단 LLM (GPT-5.4, Claude Sonnet 4.6, Gemini 3.1 Pro).
프롬프트 조건 (3가지):
1. Generic improvement: 일반적인 개선 요청 ("의미를 유지하며 개선해줘").
2. Rewrite-only: 평가적 언어 배제 ("재작성해줘").
3. Voice-preserving: 목소리 보존 요청 ("작가의 목소리와 감정적 톤을 유지하며 개선해줘").
측정 지표: 계산 문체론(Computational Stylistics)에 기반한 13가지 언어적 마커 (기능어 비율, 어휘 다양성, 문장 길이, 구두점 빈도, 축약어 밀도, 1인칭 대명사 밀도 등).
분석 기법: 대응 표본 t-검정(Paired t-tests), 코헨의 d(Cohen’s d) 효과 크기 측정, PCA(주성분 분석)를 통한 문체 공간 투영, 소스 텍스트 복구 가능성 테스트.

3. 주요 결과 (Key Results)

① 방향적 수렴 (Directional Convergence)

모델의 종류나 프롬프트의 종류와 상관없이, 모든 모델이 동일한 방향으로 텍스트를 변화시켰습니다. 이를 **'규격화(Normalization)'**라고 정의합니다.

감소하는 요소: 기능어(Function words), 1인칭 대명사, 축약어(Contractions).
증가하는 요소: 어휘 다양성(MTLD 등), 단어 길이, 구두점(쉼표, 대시)의 정교화.
결과적으로 텍스트는 더 '다듬어지고(polished)', '격식 있으며(formal)', '상황 맥락이 제거된(less situated)' 표준 산문 형태로 변합니다.

② 프롬프트 제어의 비대칭성

"목소리를 보존하라"는 프롬프트는 효과의 크기를 약 32% 감소시켰으나, 변화의 방향 자체를 바꾸지는 못했습니다. 특히 모델이 '추가'하는 요소(수사적 미화, 어휘 확장)는 제어하기 쉬웠으나, 모델이 '삭제'하는 요소(축약어, 1인칭 밀도 등)는 프롬프트로 막기 어려웠습니다.

③ 문체적 공간의 압축 (Stylometric Compression)

PCA 분석 결과, 원본 텍스트들은 문체 공간에서 넓게 퍼져 있었으나, **LLM이 재작성한 텍스트들은 매우 좁은 영역으로 밀집(cluster)**되었습니다. 이는 모델들이 서로 다른 아키텍처를 가졌음에도 불구하고 결과적으로 매우 유사한 문체적 프로필을 생성함을 의미합니다. 또한, 재작성된 텍스트를 통해 원본 텍스트를 찾아내는 '복구율'이 급격히 떨어졌습니다 (GPT-5.4 14.3% $\rightarrow$ Claude/Gemini 1% 내외).

④ 서사적 태도(Narrative Stance)의 변화

단순한 문체를 넘어 서사의 구조적 변화도 관찰되었습니다.

현장성 $\rightarrow$ 회고성: 사건이 일어나는 순간을 묘사하는 '사건 중심(eventive)' 서사에서, 사건을 뒤돌아보며 해석하는 '회고적(retrospective)' 서사로 이동.
구체적 추론 $\rightarrow$ 추상적 해석: 인과 관계를 직접 설명하기보다, 추상적인 명사를 사용하여 결론을 압축적으로 제시하는 경향.

4. 핵심 기여 및 의의 (Significance & Contribution)

학술적 기여

새로운 텍스트 매개 현상 규명: LLM 재작성이 단순한 교정을 넘어, 텍스트의 증거적 가치(evidentiary status)를 변화시키는 새로운 형태의 '텍스트 매개'임을 입증했습니다.
디지털 인문학 방법론에 대한 경고: 문체론적 분석(Stylometry)이나 저자 식별(Authorship Attribution)에 의존하는 연구자들이, AI가 개입된 코퍼스를 다룰 때 발생할 수 있는 데이터 무결성(integrity) 문제를 제기했습니다.

실무적 제언

출처 메타데이터(Provenance Metadata)의 중요성: AI의 도움을 받아 수정된 텍스트의 경우, 반드시 어떤 도구를 사용했는지 기록하는 메타데이터 표준이 필요합니다.
연구 설계 시 주의: 구어체나 비표준적 언어가 중요한 연구(예: 구술사 디지털화)에서 AI를 사용할 경우, 의도치 않게 데이터의 핵심 특징이 소멸될 수 있음을 인지해야 합니다.

요약 결론: 본 논문은 LLM이 개인의 고유한 목소리를 가진 서사를 **"세련되었지만 개성이 거세된 표준적 산문"**으로 수렴시키는 강력한 규격화 경향이 있음을 정량적으로 증명하며, 이것이 향후 디지털 인문학 연구의 데이터 신뢰성에 중대한 도전 과제가 될 것임을 시사합니다.