AI로 하는 연구보고서 작성 실무

논문 참고문헌 목록을 ChatGPT와의 대화로 검토받아 구식 레퍼런스를 최신 레퍼런스로 교체한다. 원문 사례는 감정인식(Multimodal Emotion Recognition) 논문의 참고문헌을 2008~2013년 서베이 논문에서 2023~2025년 논문으로 교체해, 2020년 이후 레퍼런스 비중을 75% 이상으로 끌어올렸다.

1. 레퍼런스 목록 검토 요청 — 기존 참고문헌 목록을 ChatGPT에 제시하고 최신성·관련성 검토를 요청
2. 수정 전/후 비교표 생성 — 구분·수정 전·수정 후 항목으로 비교표를 요청해 어떤 문헌이 왜 교체되는지 확인
3. 최신 레퍼런스 목록 반영 — 제안받은 최신 인용 목록을 논문에 바로 반영 가능한 형태로 정리
4. 실존 여부 직접 검증 — AI가 제안한 논문이 실제로 존재하는지(저자·저널·연도) 사용자가 직접 확인 — 페이지 자체에는 이 검증 단계가 없음

이전에 검토한 레퍼런스 목록을 수정 전 → 수정 후 비교표로 정리해줘. 최신 연구(2023~2025년) 위주로, 왜 바뀌었는지도 설명해줘.

예: 딥러닝 감정인식 SOTA 리뷰 — Zeng et al. 2009 → Lian et al. 2023 + Ramadan 2024 (J. Biomed. Inform.) / 생리신호 감정인식 — Kim & André 2008 → Wang et al. 2025 (Frontiers in Neuroscience) + Hou et al. 2023

AI 챗봇을 여러 창(세션)에서 나눠 쓰다 보면 이전 작업 맥락을 잃기 쉽다. Notion을 '작업 맥락 저장소'로 써서 페이지·데이터베이스·링크로 자료를 정리해두면, 새 대화창을 열어도 이전 맥락을 바로 이어갈 수 있다.

1. Notion 기본 구조 익히기 — 페이지·데이터베이스·블록 단위로 자료를 구조화
2. 자료 유지·관리 — 데이터베이스·태그·필터링으로 리서치 자료를 정리
3. 새 창에서 맥락 이어가기 — 링크드 데이터베이스, 동기화된 블록, 페이지 링크·북마크로 이전 작업을 바로 불러오기
4. 템플릿화 — 프로젝트 관리·회의노트 템플릿을 만들어 반복 작업을 정형화

긴 문서에서 'Machine Learning'과 'ML'처럼 전문용어 표기가 뒤섞이는 문제를, AI에게 Instruction(지침)을 주고 Notion에 용어사전을 만들어 그 사전을 프롬프트에서 참조시키는 방식으로 해결한다.

1. 목표 설정 — 어떤 전문용어를 일관되게 사용할지 명확히 정의
2. 용어 목록 작성 — 사용할 전문용어와 정의를 목록화
3. 사용 규칙 설정 — 대문자 사용, 약어 사용 등 표기 규칙 결정
4. Notion 용어사전 구축 — 새 페이지에 '용어사전' 제목의 데이터베이스 테이블 생성 (컬럼: 용어·정의·약어·사용 예시)
5. AI에게 용어사전 참조시켜 문서 작성 — 문서 작성/검토 시 프롬프트에 용어사전 참조를 지시하고, 출력물을 검토해 필요하면 사전과 지침을 갱신

다음 문서를 작성할 때, 다음 용어를 일관되게 사용하세요: 'Machine Learning' 대신 'ML', 'Artificial Intelligence' 대신 'AI'. 모든 용어는 첫 등장 시 전체 용어를 사용하고 이후부터는 약어로 표기하세요.

용어 사전을 참고하여, 다음 문서에서 'Machine Learning'을 'ML', 'Artificial Intelligence'를 'AI'로 일관되게 사용하세요.

경상북도 10대 메가프로젝트 100대 과제처럼 한 셀에 여러 항목이 뒤섞인 공공데이터(PDF/엑셀)를, AI에게 구분자와 행 분리 규칙을 명확히 지시하면 파싱 코드까지 AI가 직접 작성해 정형 CSV로 변환해준다. 이 책의 대표 실습.

1. 원본 데이터 상태 확인 — 한 셀 안에 여러 항목(구분/사업명/세부내용)이 섞여 있는지 확인
2. AI에게 구분자 지정 요청 — 구분자(예: ^)와 '반복되는 값은 한 번만 쓰고 비워두기' 같은 행 분리 규칙을 구체적으로 지시
3. 생성된 코드 실행 — AI가 만든 파싱 코드를 그대로 실행(Claude의 파일 분석 기능 또는 코드 실행 환경 사용)
4. 결과 CSV 검증 — 구분자 기준으로 행이 올바르게 분리됐는지 확인

구분, 사업명, 세부사업내용
csv, 구분자 ^로 써줘
세부사업내용을 바로아래 새로운 행으로 처리 해줘
반복되는 구분, 사업명은 한번만 쓰고 나머지는 비워두기

구분^사업명^세부사업내용
북부권^통합 행정 복합도시 개발^특별행정기관 이전
^^중소기업, 환경, 노동, 해양수산, 국토관리 등 특행기관 이전
^^경북 공공기관 및 유관기관 통합 이전
^^행정컨벤션센터 조성
북부권^신도시 종합병원 건립^신도시 종합병원 설계 및 건립, 장비 구축
...

설문조사 결과·매출 보고서 같은 비정형 텍스트 자료를 ChatGPT로 표 형식으로 변환하고, 엑셀에 붙여넣어 그래프로 시각화한다.

1. 준비 — 인터넷 연결 PC, 엑셀(또는 Google Sheets), ChatGPT 접근 권한만 있으면 됨
2. 텍스트 → 표 변환 요청 — 정리하고 싶은 텍스트를 ChatGPT에 붙여넣고 표 형식으로 정리해달라고 요청
3. 엑셀에 붙여넣기 — 새 시트에 붙여넣고 통화 등 셀 서식 지정
4. 그래프 그리기 — 데이터 범위 선택 → 삽입 탭 → 막대 그래프 선택 → 스타일·제목 조정

다음 텍스트를 표 형식으로 정리해줘:
1. 제품 A: 판매량 150,000원
2. 제품 B: 판매량 200,000원
3. 제품 C: 판매량 120,000원

Highcharts(무료 JS 차트 라이브러리)로 인터랙티브 그래프를 만들고 PNG로 내보내 PPT에 삽입한다. 코드는 AI에게 시켜서 받고, 사용자는 실행과 내보내기만 한다.

1. 차트 코드 생성 요청 — 데이터와 원하는 차트 유형을 AI에게 알려주고 Highcharts HTML/JS 코드를 생성받는다
2. 브라우저에서 실행 — 생성된 HTML 파일을 브라우저로 열어 차트를 확인
3. PNG로 내보내기 — 차트 우측상단 내보내기 버튼 → 'PNG 이미지로 내보내기' 클릭 (자동화하려면 exportChart() 코드 호출)
4. PPT에 삽입 — PPT 슬라이드 → 삽입 탭 → 그림 → 이 장치에서 → PNG 파일 선택 → 크기/위치 조정

월별 판매량 데이터로 제품A/B를 비교하는 라인 차트를 Highcharts로 만들어줘. 데이터: 1~6월, 제품A [150,200,170,220,180,190], 제품B [130,170,160,210,150,180]

Highcharts.chart('container', {
  chart: { type: 'line' },
  title: { text: '월별 판매량' },
  xAxis: { categories: ['1월','2월','3월','4월','5월','6월'] },
  series: [
    { name: '제품 A', data: [150,200,170,220,180,190] },
    { name: '제품 B', data: [130,170,160,210,150,180] }
  ]
});

원문은 AHP(계층화 분석법)·기업신용평가·통계 프로그램(R/SPSS/Excel)·동적그래프(Highcharts)까지 4개 주제를 한 페이지에 뭉쳐 놓은 참고자료 모음이다. 이 중 AHP(다기준 의사결정 — 목적→평가기준→대안을 계층화해 쌍대비교로 가중치를 산출)만 Excel 수식만으로 완결되는 실습이라 이 장의 핵심으로 삼는다.

1. 문제 계층화 — 목적 → 평가기준 → 대안을 3~7단계, 요소 9개 이하로 구조화
2. 쌍대비교 — 기준·대안을 1~9점 척도로 둘씩 비교
3. 가중치 산출 — Excel에서 쌍대비교 매트릭스를 정규화해 가중치 계산
4. 일관성 검증 — 일관성 비율(CR)을 계산해 응답이 논리적으로 일관되는지 확인

이후 자동화 장(입법안분석·기업건전성평가·Reddit트렌드)에서 공통으로 필요한 Python 개발환경을 한 번에 구축한다.

1. Python·가상환경 준비 — Python 3.8+ 설치, 가상환경(venv) 생성
2. 패키지 설치 — pip install pandas numpy matplotlib seaborn scikit-learn
3. IDE 설정 — VS Code + Python 확장 설치
4. 프로젝트 구조 초기화 — 디렉토리 구조 설계, requirements.txt·README.md·.gitignore 작성, git init

국회 의안정보(assembly.csv, 약 4,300여 개 법안)의 '주요내용' 텍스트를 키워드 매칭으로 분석해 지역관련성·실현가능성·경제성·시급성 4개 지표로 '기회점수(0~100점)'를 산출하고, 분야별(농업/문화관광/환경에너지/IT산업 등)로 지역(경북) 사업 기회를 분류한다.

1. CSV 구조 파악 — AI에게 데이터 구조·따옴표 처리 등 파싱 이슈를 먼저 확인시킨다
2. 분석 시스템 설계 — BillAnalyzer(총괄) → Preprocessor → Classifier → Scorer → Visualizer 5단 파이프라인
3. 키워드 사전·가중치 설정 — 분야별 키워드, 지역명 23개 시군, 점수 가중치를 JSON으로 관리
4. 기회점수 산출·필터링 — generate_business_ideas()로 기회점수 0.6 이상 법안만 필터링
5. 보고서 작성 — 분야별 사업 아이디어·정책 제언·단계별 실행 전략 정리

assembly.csv 파일은 분석하기 용이한지 구조를 파악해봐 레코드별로

주요내용 필드에 포함된 쉼표(,)가 있지만, 큰따옴표(")로 적절히 감싸져 있어 CSV 파싱에 문제가 없지만, 내용안에 " " 표시가 데이터 처리에 방해를 하지 않는지 확인 바람

정부·공공기관의 기업 지원사업 대상 선정 시, 재무 데이터(크레탑 등)와 정성 요소(기술력·시장성)를 결합해 S~D 5단계로 기업을 평가하는 AI Agent를 설계한다.

1. 데이터 수집·전처리 — 재무제표·거래처현황·특허·연구인력 데이터 정제
2. 평가지표 설계 — 재무정보 40점 + 기술정보 40점 + 사업정보 20점 배점 체계 적용
3. AI 정성평가 — 재무/시장/기술 수치를 프롬프트에 넣어 AI에게 경쟁력·리스크 분석 요청
4. 등급 산출 — 합산 점수에 조건부 가감(부채비율 200% 초과 시 하향 등)을 적용해 S~D 등급 확정

기업의 정보를 수집하고 있다면, 관련 거래처현황, 재무제표, 산업네트워크 분석, 기업 건전성 파악을 크레탑 정보를 통해 실시간으로 분석하고 기업의 평가 AI Agent를 만들어서 관련 설계와, 지표, KPI, 시스템 구현 등에 대한 논문을 쓰려고한다.
제일 좋은 방법론을 프롬프트로 순서를 알려주고, 예상되는 가장 효과적인 논문 방법을 유추하자

Reddit의 기술 서브레딧(programming, Python, coding)에서 주간 인기 게시물을 수집해 한글로 번역하고 기술 스택 트렌드를 CSV로 저장한다.

1. 환경 준비 — Google Colab에서 praw pandas python-dotenv openai googletrans 설치, Reddit API 키 발급
2. 코드 생성 — ChatGPT에 요구사항 프롬프트를 넣어 WeekTechAnalyzer 클래스 코드를 통째로 생성받는다
3. 수집·분석 실행 — collect_posts() → analyze_trends() → save_results() 순서로 실행
4. 결과 확인 — TOP5 기술 스택, TOP3 인기 게시물이 콘솔에 출력되고 CSV로 저장됨

Reddit 기술 트렌드 분석기 개발을 도와주세요. programming, Python, coding 서브레딧의 주간 인기 게시물을 수집하고, 기술 스택 키워드를 추출하고, 한글 번역(googletrans)하고, 결과를 CSV로 저장하는 Python 코드를 WeekTechAnalyzer 클래스로 작성해주세요. 주요 메소드: collect_posts, extract_tech_stack, translate_to_korean, analyze_trends, save_results. 에러 처리와 로깅도 포함해주세요.

연구 주제 하나를 입력하면 문헌 검색·요약·초안작성·시각화·교정·인용까지 자동으로 처리해 완성된 연구 보고서를 만드는 6-에이전트 파이프라인. Tavily/Perplexity/GPT API를 조합해 각 단계를 전문화된 에이전트가 순차 처리한다.

1. Planning Agent — 연구 주제 분석, 보고서 구조 계획, 연구 범위 설정
2. Literature Agent — 문헌 검색·요약, 연구 동향 분석 (Tavily 등 검색 API 활용)
3. Writing Agent — 섹션 초안 작성, 논리적 구성
4. Visualization Agent — 데이터 시각화 생성
5. Editing Agent — 문법·스타일 검토, 일관성 확인
6. Citation Agent — APA/MLA 등 인용 형식화, 참고문헌 자동 생성·검증

NTIS(국가과학기술지식정보서비스)의 국가 R&D 공모사업 공고를 Selenium으로 자동 수집해 Notion 데이터베이스에 등록하고, 과거 데이터와 매칭해 향후 공모사업을 예측하는 5단계 파이프라인(Jupyter 노트북 5개).

1. 데이터 수집·전처리 — 01_Budget2025_Analysis.ipynb — NTIS 데이터 수집, 기초 통계, 사업 분야 분류
2. 과거 데이터 매칭 — 02_Match_Budget_Historical_Data.ipynb — 시계열 분석, 트렌드 식별
3. 미래 공모 예측 — 03_Predict_Future_Bids.ipynb — 머신러닝 모델로 성공 가능성 평가
4. 보고서 자동 생성 — 04_Generate_Reports.ipynb — 분석 결과·시각화·인사이트 요약
5. 대시보드 구축 — 05_Web_Dashboard.ipynb — 실시간 모니터링 UI

NTIS 공고 페이지의 HTML 소스를 붙여넣을 테니 테이블 구조를 분석해서, 이 데이터를 자동 수집하는 가장 적절한 방법(jQuery/Selenium/공식 API 중)을 추천해줘.