Credit Where Credit Is Due: A Taxonomy of AI Contributions to Scientific Discovery and Recommendations for Authorship Policy

Motivation

• Known: 현재 ICMJE, Nature, Science, COPE, NeurIPS/ICML 등 주요 저널·학회는 AI가 accountability를 질 수 없다는 이유로 저자 자격을 부여하지 않되, AI 사용 여부에 대한 disclosure만을 요구하는 이진적(binary) 정책을 채택하고 있다.
• Gap: 기존의 이진적 disclosure 정책은 단순 문법 교정 도구 사용과 핵심 가설을 생성한 자율 에이전트 사용을 구분하지 못하며, Liang et al. (2024) 등 실증 연구는 LLM 관여 논문의 3% 미만만이 이를 공식적으로 명시하는 disclosure gap을 보여주는데, 이는 Level 1-2(집필 보조) 수준에 불과하고 Level 3-4(가설 생성·실험 설계 등 실질적 과학적 기여)에 대한 실증 연구조차 부재하다.
• Why: AI 시스템이 가설 생성, 실험 설계, 결과 해석까지 독립적으로 수행하는 사례(AlphaFold, AI Scientist 등)가 늘어나면서, 저널 정책·연구비 지원·테뉴어 평가·과학 기록의 정합성(integrity of the scientific record)에 직접적 영향을 미치는 authorship 및 credit assignment 문제가 시급한 실질적 쟁점이 되었기 때문이다.
• Approach: 이 논문은 물리학 대규모 협업 관행, 소프트웨어 저작권 규범, 출판 윤리 가이드라인 등 기존 선례를 참고하여 AI 기여도를 4단계로 분류하는 taxonomy를 구축하고, 이를 accountability, transparency, verifiability 원칙에 기반한 credit framework와 매핑하는 position paper 형식의 접근을 취한다.

Achievement

1. 4단계 taxonomy 제안: AI 기여를 tool, assistant, collaborator, autonomous discoverer로 구분하여 각 단계별 credit framework를 매핑함.
2. Edge case 분석: AI가 생성한 Nobel급 발견, 인간 연구자가 AI의 추론 과정을 설명할 수 없는 시나리오 등 기존 프레임워크로는 해결하기 어려운 경계 사례를 검토함.
3. 실증적 disclosure gap 제시: Liang et al., Gray, Dergaa et al., Kobak et al. 등의 선행 연구를 종합해 LLM 사용과 실제 disclosure 간의 큰 격차를 정량적으로 제시함.
4. 정책 권고안 도출: 저널, 학회, 연구비 지원 기관을 위한 5가지 구체적이고 실행 가능한 정책 권고안을 제시함.
5. 핵심 주장 확립: AI는 accountability를 질 수 없으므로 저자로 등재되어서는 안 되며, 대신 표준화된 disclosure framework를 통해 구조적으로 기여를 문서화해야 한다는 명확한 입장을 제시함.

How

• 컴퓨터가 과학에 활용되어 온 역사(통계 소프트웨어, 시뮬레이션 코드 등)와 현대 AI 시스템(딥러닝, LLM, 강화학습 에이전트)의 질적 차이(불투명성, 자율성, 창발적 능력)를 대비하여 문제의 성격을 규명함.
• 계산 구조생물학 사례(단백질 다형성 연구에서 AI가 알로스테릭 네트워크를 발굴하는 시나리오)를 통해 credit 할당의 구체적 어려움을 예시함.
• ICMJE, Nature, Science, COPE, NeurIPS/ICML 등 기존 정책을 검토하여 이진적 disclosure 접근의 한계(over-claiming, provenance 은폐, 투명성 저해)를 세 가지로 정리함.
• Liang et al. (2024), Gray (2024), Dergaa et al. (2023), Kobak et al. (2025), Thelwall & Kousha (2026), Fang et al. (2026) 등 최근 실증 연구를 종합해 LLM 사용과 disclosure 간 격차를 정량적으로 뒷받침함.
• 물리학 대규모 협업의 저자 관행, 소프트웨어 저작권 규범 등 타 분야 선례를 끌어와 새로운 disclosure framework 설계에 활용함.

Originality

• AI 기여도를 이진적(사용/미사용)이 아닌 4단계 연속체로 세분화하여 credit framework를 매핑한 시도가 참신함.
• 단순한 정책 촉구에 그치지 않고 accountability, transparency, verifiability라는 원칙적 기반 위에서 taxonomy를 정당화하려는 이론적 시도를 포함함.
• Nobel급 발견이나 설명 불가능한 AI 추론과 같은 edge case를 명시적으로 다루어 기존 authorship 논의보다 확장된 범위를 다룸.
• 물리학 대규모 협업, 소프트웨어 저작권 등 이종 분야의 선례를 과학 저자권 논의에 접목한 점이 상대적으로 독창적임.

Limitation & Further Study

• Position paper 특성상 제안된 taxonomy와 disclosure framework의 실효성에 대한 실증적 검증(예: 실제 저널에 적용했을 때의 효과)이 부재함.
• Level 3-4 수준의 실질적 과학적 기여에 대한 disclosure gap을 측정한 선행 연구가 없다는 점을 스스로 인정하고 있어, 제안된 프레임워크의 경험적 기반이 상대적으로 약함.
• 4단계 구분의 경계가 실제 연구 현장에서 모호할 수 있어(예: assistant와 collaborator의 구분 기준), 구체적 적용 지침이나 판별 기준에 대한 추가 논의가 필요함.
• 후속 연구로 제안된 disclosure framework를 실제 저널/학회에 시범 적용하여 실효성과 준수율을 측정하는 실증 연구가 요구됨.

Evaluation

총평: AI의 과학적 기여를 세분화하여 credit을 부여하려는 시의적절하고 실용적인 제안으로, 정책 입안자와 학계에 유용한 논의의 틀을 제공하지만 position paper로서 실증적 검증은 향후 과제로 남아있다.