Related Work 작성법, 논문 요약 나열 말고 어떻게 쓰나요?

첫 국내 학회 논문 쓰는 중인데요, 소규모 데이터셋에서 텍스트 분류 모델 성능 비교하는 주제예요. Related Work를 논문 하나당 한두 문장씩 “A는 ~를 제안했다, B는 ~를 했다” 식으로 썼더니 이건 그냥 요약 나열이라고 해요. 다른 논문 보면 주제별로 묶어서 쓰던데, 묶는 기준을 뭘로 잡아야 할지 감이 안 와요. 요약 나열이 안 되게 쓰려면 어떻게 구성하는 게 좋을까요?

Gemini 3.8 Flash의 답변

관련 연구는 개별 논문 소개가 아니라 ‘내 연구의 필요성(한계 극복)’을 증명하는 맥락으로 주제를 분류하고 종합해야 합니다.

관련 연구(Related Work)는 기존 연구들을 나열하는 독후감이 아니라, **"선행 연구들이 여기까지 발전했지만 이러한 한계가 남았고, 그래서 내 연구가 필요하다"**라는 논리적 흐름(스토리라인)을 만드는 공간입니다.

소규모 데이터셋에서의 텍스트 분류 연구라면, 다음과 같이 기준을 세우고 재구성해 보세요.

1. 카테고리(소제목) 분류 기준 잡기

보통 2~3개의 하위 절(Subsection)로 나눕니다. 질문자님의 주제에는 다음 두 축으로 묶는 것을 추천합니다.

• 축 A: 텍스트 분류 모델의 발전 흐름
  • 규칙 기반이나 전통적 머신러닝(SVM, Naive Bayes 등)부터 최근의 사전학습 언어모델(PLM, Pre-trained Language Model: 대규모 텍스트를 미리 학습한 모델)까지의 흐름을 짚습니다.
• 축 B: 소규모(저자원) 데이터 한계 극복을 위한 접근법
  • 데이터가 부족할 때 기존 연구들이 썼던 방식(규칙 기반 증강, 전이 학습, 퓨샷 러닝 등)을 묶어 설명합니다.

2. 문단 작성 공식: '종합(Synthesis)'하기

"A는 ~했다. B는 ~했다" 대신 [공통 접근법 제시 $ ightarrow$ 세부 차이점 비교 $ ightarrow$ 공통 한계점 도출] 순서로 씁니다.

• 나열형 (지양): "Kim(2021)은 소규모 데이터에서 BERT를 사용해 80% 성능을 냈다. Lee(2022)는 데이터 증강 기법을 적용해 성능을 올렸다."
• 종합형 (권장): "소규모 데이터의 과적합(Overfitting, 모델이 학습 데이터에만 지나치게 맞춰져 새로운 데이터에선 성능이 떨어지는 현상)을 완화하기 위해 사전학습 모델 적용(Kim, 2021)과 데이터 증강 기법(Lee, 2022)이 주로 연구되었다. 그러나 이들 연구는 단일 모델의 유효성을 검증하는 데 집중하여, 데이터 크기 변화에 따른 다양한 모델 간의 상대적 성능 변화를 종합적으로 비교하지는 못했다."

3. 마지막 문장은 항상 '내 연구'로 연결

각 문단이나 섹션의 마지막에는 선행 연구의 공백(Research Gap)을 짚고 본 연구와의 연결고리를 만들어 줍니다.

"따라서 제한된 크기의 한국어 텍스트 데이터셋에서 기존 머신러닝 모델과 사전학습 언어모델의 성능 및 효율성을 체계적으로 비교 분석할 필요가 있다. 본 연구에서는 이를 위해..."

주어 자리에 논문 저자 이름 대신 연구 방법이나 기술적 접근법을 먼저 두고, 괄호 안에 인용 (A, 2020; B, 2021)을 묶어 넣는 연습을 해보시면 자연스럽게 요약 나열에서 벗어날 수 있습니다.

GPT-6.1 Sol의 답변

Related Work는 논문별 요약이 아니라, 비교 기준에 따라 기존 연구를 묶고 내 연구의 위치를 설명하는 글입니다.

1. 묶는 기준은 ‘내 연구 질문’에서 정하세요

소규모 데이터셋의 텍스트 분류라면 다음 축을 고려할 수 있습니다.

• 접근법: TF-IDF(단어의 상대적 중요도를 수치화한 표현)+전통적 분류기, 신경망, 사전학습 언어모델
• 데이터 부족 대응: 데이터 증강, 전이학습, 정규화 등
• 평가 조건: 학습 데이터 규모, 클래스 불균형, 데이터 분할 방식

모든 축을 다 쓰기보다 연구 질문과 직접 연결되는 2~3개를 고르세요. “적은 데이터에서 어떤 모델이 유리한가?”가 질문이라면, 접근법별로 묶되 각 묶음에서 데이터 규모와 평가 조건을 함께 비교하면 좋습니다.

2. 문단은 ‘공통점 → 차이 → 내 연구와의 연결’로 쓰세요

아래는 실제 문헌 결과가 아닌 작성 틀입니다.

기존 연구는 소규모 텍스트 분류에 전통적 분류기와 사전학습 언어모델을 적용해 왔다[인용]. 이들 연구는 학습 데이터 규모와 분할 방식이 달라, 보고된 성능만으로 모델 간 우열을 직접 판단하기 어렵다[근거 인용]. 이에 본 연구는 동일한 데이터 분할과 평가 지표를 적용하여 모델별 성능을 비교한다.

핵심은 인용들을 하나의 비교 주장에 대한 근거로 배치하는 것입니다. 개별 논문 설명은 그 주장을 이해하는 데 필요한 만큼만 넣으세요.

3. 먼저 비교표를 만들어 보세요

읽은 논문을 접근법 | 데이터 규모 | 평가 조건 | 주요 결과 | 내 연구와의 차이로 정리하면 묶을 기준이 보입니다. 이후 표의 공통점과 차이를 문단으로 바꾸세요.

단, “기존 연구가 없다”는 주장은 신중해야 합니다. 확인한 문헌 범위 안에서 차이를 설명하고, 동일 조건 비교도 어떤 불확실성을 해소하는지 밝혀야 연구의 의미가 드러납니다.

Claude Sonnet 5.5의 답변

Related Work는 논문 요약이 아니라 내 연구 질문에서 뽑은 축으로 묶어, 각 묶음이 연구 공백으로 이어지게 쓰세요.

핵심 원칙

Related Work의 역할은 "이 분야에 이런 논문이 있다"는 소개가 아니라, **"기존 연구가 어디까지 밝혔고, 무엇이 비어 있어서 내 연구가 필요한가"**를 논증하는 것입니다. 묶는 기준도 논문들의 겉모습이 아니라 내 연구 질문에서 나와야 합니다.

묶는 기준 찾는 법

1. 읽은 논문을 표로 정리합니다. 열은 과제, 데이터 규모, 비교 모델, 평가 방식(반복 실험·통계 검정 여부), 주요 결과, 한계입니다.
2. 표에서 내 질문("소규모 데이터에서 어떤 모델이 나은가")과 관련된 차이가 나는 축을 찾습니다.
3. 그 축이 곧 소제목이나 문단 단위가 됩니다.

이 주제라면 예를 들어 다음과 같이 나눌 수 있습니다.

• 전통적 기계학습과 딥러닝의 데이터 규모별 성능 비교
• 사전학습 모델 미세조정(fine-tuning)과 few-shot 접근
• 데이터 증강 등 저자원 환경 보완 기법
• 비교 연구의 실험 설계(분할 방식, 반복 횟수, 검정)

위 분류는 예시이므로, 실제 읽은 논문의 분포에 맞게 조정하세요.

문단 구조

각 문단을 주장 → 근거(논문 여러 편) → 한계 → 내 연구와의 연결 순서로 씁니다.

• 나열형: "A는 SVM을 제안했다. B는 BERT를 적용했다."
• 종합형: "소규모 데이터에서는 사전학습 모델이 대체로 우세하다고 보고되지만(A, B), 이들 연구는 단일 분할 결과만 제시해 성능 차이의 안정성을 확인하기 어렵다."

논문은 주어가 아니라 근거로 인용하는 겁니다. "대부분", "반면", "다만" 같은 비교·대조 표현이 들어가면 종합이 되고 있다는 신호입니다.

마무리 문단

마지막에 공백을 한 문단으로 정리합니다. 예를 들면 "기존 연구는 ~는 다루었으나 ~는 다루지 않았다. 본 연구는 이를 ~로 보완한다"입니다. 앞 문단들은 이 결론을 위한 복선이어야 합니다.

참고

• 모든 논문을 다룰 필요는 없습니다. 내 논증에 기여하지 않으면 과감히 뺍니다.
• 국내 학회는 분량이 짧아 소제목 없이 2~3개 문단으로 압축하는 경우가 많습니다. 다만 학회·분야별 관행은 다르니, 투고할 학회의 최근 논문을 한두 편 확인해 보세요.