Unlocking the Potential of AI Researchers in Scientific Discovery: What Is Missing?

Motivation

• Known: 지난 10년간 Nature Index 145개 저널에서 AI4Science 논문이 15배 증가했으나, 전체 출판물의 3% 미만을 차지하고 있다. AI 기반 연구의 95%가 실험과학자 주도로 진행되고 있다.
• Gap: AI4Science 분야에서 AI 연구자의 직접적인 참여와 주도권이 부족하며, 실험과학자와 AI 연구자 간의 인지적·방법론적 격차가 존재한다. 또한 AI 연구자를 과학 발견의 최전선에 배치하기 위한 체계적 경로가 부족하다.
• Why: AI 연구 인력의 포화와 취업 어려움으로 인해 AI 연구자들이 과학 발견 영역으로의 전환을 필요로 한다. AI4Science가 2050년까지 20%에 도달하려면 AI 연구자의 활발한 참여가 필수적이다.
• Approach: Diffusion of Innovation 이론을 바탕으로 Nature Index 145개 저널의 20,603개 AI 관련 논문을 분석하고, LLM 기반 자동 분류와 인간 검증을 결합한 하이브리드 워크플로우를 개발하여 AI4Science의 현황을 파악한다. 이를 통해 AI 연구자 참여 확대를 위한 세 가지 핵심 경로를 제시한다.

Achievement

• AI4Science 현황 분석: 145개 Nature Index 저널의 과거 10년 데이터를 통해 AI4Science 출판물이 2.72%(2024)에서 20%(2050)로 증가할 것으로 투영하고, 실험과학자 주도(95%) 현황을 정량화함
• 하이브리드 분류 워크플로우: Qwen3-32B, GPT-OSS-20B, DeepSeek R1-32B 등 소형 reasoning model과 GPT-OSS-120B 대형 모델을 결합하여 95% 이상의 분류 정확도 달성
• 세 가지 전략적 경로 제시: (1) 실험과학자를 위한 접근성 높은 AI 도구 제공, (2) 인지·방법론적 격차 해소를 통한 직접 참여 활성화, (3) AI 기반 과학 생태계 조성
• AI 연구자 지원 프레임워크: 구조화된 워크플로우와 실질적 가이드를 통해 AI 연구자의 과학 발견 진입 장벽 낮춤

How

• Web of Science Core Collection에서 과거 10년간 수집한 20,603개 AI 관련 논문을 대상으로 연구
• AI for Science, Science for AI, Typical AI Research, Not Applicable의 4가지 카테고리로 수동 분류 규정 개발
• LLM 기반 자동 분류: 세 개의 소형 reasoning model이 동일하게 분류한 경우는 즉시 처리, 불일치 시 대형 모델 적용
• 400개 표본의 무작위 샘플링을 통해 4라운드 반복 최적화로 95% 이상의 정확도 검증
• 저자 소속, 기관 유형, 학문 분야별 분석을 통해 AI 연구자의 참여 패턴 파악
• Diffusion of Innovation 이론 기반 시나리오 분석을 통해 2050년까지의 AI4Science 전망 제시

Originality

• 대규모 논문 데이터셋(20,603개)에 대해 LLM과 인간 검증을 결합한 하이브리드 분류 방법론의 개발은 학술 출판 분석 영역에서 새로운 표준을 제시함
• AI 연구자의 관점에서 과학 발견 참여의 구조적 장벽을 체계적으로 분석하고 경로를 제시한 첫 시도
• Diffusion of Innovation 이론을 AI4Science 분야에 적용하여 향후 20년간의 성장 궤적을 정량적으로 예측하는 혁신적 접근
• 실험과학자(95%) 주도 현황을 실증적으로 규명하고 이를 해결하기 위한 다층적 전략 제안

Limitation & Further Study

• 분류 정확도 95%는 높으나 5%의 오류가 누적될 수 있으며, 특히 경계 영역(예: Science for AI와 AI for Science)의 구분이 모호할 수 있음
• Nature Index 145개 저널에 한정된 분석으로 다른 출판 플랫폼(arXiv, preprints 등)의 AI4Science 활동이 반영되지 않음
• 저자 소속 정보 기반 분류이므로 겸직, 학제간 협력, 프로젝트 기반 참여 등 실제 개입 정도를 정확히 파악하지 못함
• Diffusion of Innovation 이론의 2050년 투영은 현재 추세 외삽에 기반하여 기술 혁신, 정책 변화, 인력 수급 급변 등 예측 불가능한 변수에 취약할 수 있음
• 후속 연구: (1) 개별 AI 연구자의 과학 발견 참여 경로에 대한 심층 인터뷰 연구, (2) 각 학문 분야별 AI4Science 특성 상이성 분석, (3) 국가·기관별 AI 연구자 지원 정책의 효과 평가

Evaluation

총평: 본 논문은 대규모 학술 데이터 분석을 통해 AI4Science의 현황을 객관적으로 규명하고, AI 연구자의 과학 발견 참여 저조 원인을 체계적으로 진단하며, 실행 가능한 전략적 개입을 제안한다. LLM 기반 하이브리드 분류 방법론의 도입과 Diffusion of Innovation 이론의 적용은 학술 정책과 과학 인력 육성 분야에서 높은 실무적 가치를 제공한다.