Paper Quest

한 줄 설명: 연구 브리핑 Markdown에서 논문 후보를 추출하고, 외부 학술 자료와 최근 연구를 교차검증하여 이번 주에 읽을 논문 1편을 선정하도록 돕는 AI 기반 논문 평가 웹 서비스

---

1. 프로젝트 개요

Paper Quest는 최신 연구 브리핑에 포함된 여러 논문 중 어떤 논문을 우선해서 읽어야 하는지 판단하기 어려운 학부 연구생과 초보 연구자를 위한 웹 서비스이다. 사용자가 주간 연구 브리핑을 Markdown 형식으로 입력하면, AI가 문서에서 논문·데이터셋·연구 도구를 구분하고 평가 대상 논문을 최대 5편까지 추출한다. 이후 논문 원문, 공식 학회·저널 페이지, 학술 데이터베이스, 공식 GitHub 등 외부 자료를 조사하고 최근 1~2년의 유사 연구와 비교한다. 각 논문은 성능 경쟁력, 방법론적 신규성, 연구 흐름상 중요도, 학술적 유의미성, 실무·연구 적용 가치, 재현 가능성의 여섯 기준으로 평가된다. 서비스는 평가 결과를 육각형 그래프와 비교표로 시각화하고, 이번 주에 읽을 논문 1편과 그 이유를 추천한다. 최종 선택은 AI가 아닌 사용자가 수행한다.

---

2. 해결하려는 문제

연구 브리핑은 최신 논문을 빠르게 발견하는 데 유용하지만, 브리핑에 포함된 요약만으로 실제로 읽을 논문을 결정하기는 어렵다. 기존 방식에서는 사용자가 다음 작업을 직접 수행해야 한다.

• 브리핑에서 논문 후보를 다시 정리
• 논문 원문과 초록 확인
• 학회 또는 저널 정보 검색
• 학회 위상과 저널 IF·JCR Quartile 확인
• 코드와 데이터 공개 여부 확인
• 최근 유사 연구 탐색
• 성능과 방법론의 차이 비교
• 최종 읽기 우선순위 결정

이 과정은 시간이 오래 걸릴 뿐 아니라, 논문마다 다른 기준을 적용하거나 브리핑의 설명을 검증 없이 신뢰할 가능성이 있다. 특히 최신 preprint는 신규성과 최신성은 높지만 peer review가 완료되지 않았을 수 있으며, 높은 성능을 주장하더라도 동일한 데이터셋과 평가 조건에서 비교되지 않았다면 실제 SOTA인지 판단하기 어렵다. Paper Quest는 이 조사와 비교 과정을 구조화하여, 사용자가 일관된 근거를 바탕으로 논문을 선택할 수 있도록 지원한다.

---

3. 프로젝트 목적

이 프로젝트의 최종 목적은 사용자가 이번 주에 읽을 논문 한 편을 합리적으로 결정하도록 돕는 것 이다. 세부 목적은 다음과 같다.

• 연구 브리핑에서 논문 후보를 자동으로 추출한다.
• 논문과 데이터셋, GitHub 도구, 일반 연구 동향을 구분한다.
• 입력된 브리핑만 신뢰하지 않고 외부 학술 자료를 조사한다.
• 최근 1~2년의 유사 연구와 비교하여 논문의 분야 내 위치를 판단한다.
• 논문의 성능뿐 아니라 신규성, 유의미성, 활용 가치도 함께 평가한다.
• 평가 사실과 AI의 해석을 명확히 분리한다.
• 확인하지 못한 정보는 추정하지 않고 추가 확인 대상으로 남긴다.
• AI 추천과 사용자의 최종 결정을 구분한다.
• 결과를 연구 노트로 다시 활용할 수 있는 Markdown 형태로 제공한다.

---

4. 주요 사용자

주요 사용자

• 컴퓨터 비전, 머신러닝, 동물 행동 분석 등의 분야를 공부하는 학부 연구생
• 최신 논문을 정기적으로 읽어야 하는 초보 연구자
• 연구 브리핑이나 뉴스레터를 받아보지만 읽기 우선순위를 정하기 어려운 사용자

사용 상황

• 주간 연구 브리핑을 받은 직후
• 연구실 미팅 전 읽을 논문을 선정할 때
• 여러 최신 논문의 중요도를 빠르게 비교할 때
• 최신 preprint가 실제로 읽을 가치가 있는지 검토할 때
• 새로운 연구 흐름을 파악하기 위한 대표 논문을 선택할 때

---

5. 핵심 기능

5.1 Markdown 기반 연구 브리핑 입력

사용자가 정해진 구조의 주간 연구 브리핑 Markdown을 입력한다. 입력 문서에는 다음 자료가 함께 포함될 수 있다.

• 논문
• 데이터셋
• GitHub repository
• 연구 도구
• 연구 동향
• 미니프로젝트 제안
• 참고 링크

5.2 연구 자료 유형 분류

AI가 입력 문서를 분석하여 자료를 다음 유형으로 분류한다.

• 평가 대상 논문
• 데이터셋
• GitHub 도구
• 일반 연구 동향
• 기타 참고자료

논문 후보는 한 번에 최대 5편까지만 평가한다.

5.3 논문 기본정보 검증

각 논문에서 가능한 경우 다음 정보를 확인한다.

• 제목
• 저자
• 출판 연도
• DOI
• arXiv 또는 bioRxiv ID
• 공식 논문 링크
• 발표 학회 또는 저널
• peer review 상태
• 코드 공개 여부
• 데이터 공개 여부

5.4 외부 학술 자료 조사

입력된 브리핑의 설명만으로 평가하지 않고 다음 출처를 확인한다.

1. 논문 원문
2. 공식 학회 페이지
3. 공식 저널 페이지
4. arXiv 또는 bioRxiv
5. 저자 및 연구실 공식 페이지
6. 공식 GitHub
7. Semantic Scholar, OpenAlex 등의 학술 데이터베이스

가능한 경우 둘 이상의 출처를 비교하여 정보를 교차검증한다.

5.5 최근 유사 연구 비교

논문의 핵심 주제와 방법론을 추출한 뒤 최근 1~2년 사이에 발표된 동일하거나 유사한 연구를 탐색한다. 비교 항목은 다음과 같다.

• 연구 문제
• 기존 방법의 한계
• 제안 방법의 차이
• 사용 데이터셋
• 평가 지표
• 성능
• 실험 설계
• 코드 및 데이터 공개 여부
• 최근 연구 흐름과의 관계

5.6 육각형 논문 평가

각 논문을 다음 6개 기준으로 1~5점 평가한다.

평가 기준	평가 내용
성능 경쟁력	동일하거나 유사한 benchmark에서 기존 방법 대비 경쟁력 있는 성능을 보이는가
방법론적 신규성	새로운 문제 정의, 모델 구조 또는 표현 방식을 제안했는가
연구 흐름상 중요도	최근 1~2년의 주요 연구 방향과 연결되며 후속 연구 가능성이 있는가
학술적 유의미성	기존 방법의 한계를 해결하고 타당한 실험과 후속 질문을 제공하는가
실무·연구 적용 가치	실제 실험, 구현, 학습 또는 후속 연구에 활용할 수 있는가
재현 가능성	코드, 데이터, 실행 문서와 실험 세부정보가 충분히 공개되어 있는가

평가 결과는 게임의 능력치 화면과 유사한 육각형 레이더 차트로 표시한다.

5.7 출판 신뢰도와 최신성 평가

연구 내용과 출판 상태를 혼합하지 않기 위해 다음 두 항목은 육각형 평가와 별도로 표시한다.

• 출판 신뢰도: 학회 위상, 저널 IF, JCR Quartile, peer review 여부
• 최신성: 공개 시점과 최근 연구 흐름과의 연결 정도

컴퓨터 비전과 머신러닝 논문은 학회 위상을 우선 평가하고, 저널 논문은 Impact Factor와 JCR Quartile을 함께 확인한다.

5.8 근거 유형 분리

각 평가의 근거는 다음 세 가지로 구분한다.

• 논문 원문: 논문 본문, 표, 그림, 실험 결과에서 직접 확인한 정보
• 외부 출처: 학회·저널 페이지, 공식 GitHub, 학술 데이터베이스 등에서 확인한 정보
• AI 해석: 원문과 외부 자료를 종합하여 AI가 내린 비교 및 판단

5.9 논문 추천과 사용자 선택

AI는 전체 평가를 바탕으로 이번 주에 읽을 논문 1편을 추천한다. 추천 결과에는 다음이 포함된다.

• 추천 논문
• 추천 이유
• 주요 강점
• 주요 한계
• 최근 연구에서의 위치
• 추가 확인이 필요한 정보
• 논문을 읽을 때 확인할 질문

사용자는 AI의 추천을 참고해 직접 최종 논문을 선택한다.

5.10 Markdown 결과 기록

최종 결과를 복사 가능한 Markdown으로 제공한다. 기록 항목은 다음과 같다.

• 분석 기준일
• 추출된 논문 목록
• 논문별 평가 점수
• 출판 신뢰도와 최신성
• AI 추천 논문
• AI 추천 이유
• 사용자 최종 선택
• 주요 한계
• 추가 확인 필요 사항
• 읽기 질문
• 후속 연구 질문

---

6. 서비스 워크플로우

연구 브리핑 Markdown 입력
        ↓
논문·데이터셋·도구 분류
        ↓
논문 후보 최대 5편 추출
        ↓
논문 기본정보 및 출판 상태 검증
        ↓
최근 1~2년 유사 연구 탐색
        ↓
6개 기준 논문 평가
        ↓
육각형 그래프 및 비교표 출력
        ↓
AI 추천 논문 1편 제시
        ↓
사용자 최종 선택
        ↓
읽기 질문 및 Markdown 기록 생성

---

7. 활용 기술 스택

AI 및 개발 플랫폼

• Google AI Studio
  • 웹앱 프로토타입 생성
  • Gemini 모델 호출
  • 입력 분석 및 논문 평가
  • 구조화된 결과 생성
• Gemini API
  • Markdown 문서 구조 분석
  • 논문·데이터셋·도구 분류
  • 논문 비교 및 평가
  • 추천 이유와 읽기 질문 생성

프론트엔드

• React
  • 입력 화면과 결과 화면 구성
  • 논문 카드 및 사용자 선택 상태 관리
• TypeScript
  • 논문 정보와 평가 결과의 데이터 타입 정의
  • 검색 결과와 미확인 상태의 안정적인 처리
• HTML / CSS
  • 반응형 웹 UI 구성
  • 카드, 배지, 비교표 디자인
• Recharts 또는 Chart.js
  • 6개 평가 기준의 육각형 레이더 차트 구현

데이터 처리

• Markdown Parsing
  • 연구 브리핑의 제목과 섹션 구조 분석
  • 논문 후보와 링크 추출
• JSON Structured Output
  • 논문별 평가 결과를 동일한 데이터 구조로 저장
  • 육각형 그래프와 비교표에서 동일한 평가 데이터 사용

외부 학술 정보

• 논문 원문 및 공식 학회·저널 페이지
• arXiv
• bioRxiv
• Semantic Scholar
• OpenAlex
• 공식 GitHub repository
• 저자 및 연구실 공식 페이지

출력 및 기록

• Markdown
  • 최종 분석 결과 저장
  • Notion 연구 노트로 복사
  • 주간 논문 읽기 계획 기록

---

8. 주요 데이터 구조

논문별 결과는 다음과 같은 구조로 관리한다.

{
  "title": "논문 제목",
  "authors": ["저자"],
  "year": 2026,
  "identifier": {
    "doi": null,
    "arxivId": "0000.00000"
  },
  "publication": {
    "type": "preprint",
    "venue": "arXiv",
    "peerReviewed": false,
    "impactFactor": null,
    "jcrQuartile": null
  },
  "resources": {
    "paperUrl": "",
    "codeUrl": "",
    "dataUrl": ""
  },
  "scores": {
    "performance": 3,
    "novelty": 5,
    "trendImportance": 4,
    "academicSignificance": 4,
    "applicationValue": 4,
    "reproducibility": 3
  },
  "publicationReliability": 2,
  "recency": 5,
  "evidence": {
    "paper": [],
    "external": [],
    "aiInterpretation": []
  },
  "needsVerification": [],
  "recommendationReason": ""
}

확인되지 않은 점수는 임의의 숫자를 입력하지 않고 null 또는 needsVerification 상태로 관리한다.

---

9. 핵심 UI 구성

시작 화면

• 서비스 이름 및 설명
• Markdown 입력창
• 예시 Markdown 입력 버튼
• 최대 5편 분석 안내
• 분석 시작 버튼

분석 현황 화면

• 논문 후보 추출
• 논문 정보 확인
• 최근 연구 탐색
• 학회·저널 검증
• 평가 근거 생성

논문 카드

• 논문 제목
• 저자와 연도
• 학회·저널·preprint 상태
• 코드 및 데이터 공개 여부
• 육각형 평가 그래프
• 출판 신뢰도와 최신성 배지
• 강점과 한계
• 근거 확인 버튼

후보 비교 화면

• 논문별 점수 비교표
• 최근 유사 연구와의 차이
• 추가 확인 필요 항목
• AI 추천 논문

최종 선택 화면

• AI 추천
• 사용자 최종 선택
• 읽기 질문
• Markdown 결과 복사

---

10. 차별점

기존의 논문 추천 서비스는 사용자 관심 키워드나 인용 수를 기준으로 논문 목록을 제시하는 데 집중한다. Paper Quest는 다음과 같은 차이가 있다.

• 이미 생성된 연구 브리핑을 실제 의사결정 입력으로 사용한다.
• 논문뿐 아니라 데이터셋과 도구가 섞인 문서를 분류한다.
• 브리핑의 평가를 그대로 신뢰하지 않고 외부 자료를 검증한다.
• 최근 1~2년의 유사 연구와 직접 비교한다.
• 성능 외에 신규성, 유의미성, 적용 가치와 재현성을 평가한다.
• 출판 신뢰도와 연구 최신성을 분리한다.
• 근거를 논문 원문, 외부 출처, AI 해석으로 구분한다.
• 확인되지 않은 정보는 추가 확인 대상으로 남긴다.
• AI 추천과 사용자 선택을 분리해 최종 판단을 사용자에게 남긴다.
• 최종 결과를 연구 노트로 재사용할 수 있다.

---

11. 구현 범위

MVP에 포함

• Markdown 입력
• 논문·데이터셋·도구 분류
• 논문 최대 5편 추출
• 외부 학술 정보 조사
• 최근 1~2년 유사 연구 비교
• 6개 기준 평가
• 육각형 레이더 차트
• 논문 후보 비교표
• 출판 신뢰도와 최신성 표시
• AI 추천 논문 1편
• 사용자 최종 선택
• Markdown 결과 복사

현재 제외

• 사용자 개인 프로젝트 기반 맞춤 추천
• 평가 가중치 커스텀
• 기존 논문 데이터베이스와 중복 검사
• Notion API 자동 저장
• 논문 PDF 직접 업로드 및 전체 분석
• 5편을 초과하는 대량 논문 분석
• 장기 연구 로드맵 자동 생성

---

12. 기대 효과

• 논문 선정에 필요한 반복적인 검색 시간을 줄일 수 있다.
• 매주 동일한 기준으로 논문을 평가할 수 있다.
• 브리핑 내용의 오류나 과장 가능성을 확인할 수 있다.
• 최신성과 학술적 신뢰도를 구분해 판단할 수 있다.
• SOTA라는 표현을 성능, 신규성, 연구 흐름으로 세분화할 수 있다.
• 단순 추천이 아니라 논문을 선택한 이유를 기록할 수 있다.
• 논문을 읽기 전 핵심 질문을 정할 수 있다.
• 읽은 결과를 다음 연구 질문으로 연결하는 기반을 제공한다.

---

13. 예상 한계

• 외부 검색 결과가 누락되거나 최신 정보와 일치하지 않을 수 있다.
• 동일한 benchmark가 없는 논문은 성능을 직접 비교하기 어렵다.
• 학회 위상은 분야마다 다르므로 절대적인 점수로 단순화하기 어렵다.
• Impact Factor와 JCR Quartile만으로 논문의 질을 판단할 수 없다.
• 최신 preprint는 후속 검증 결과에 따라 평가가 달라질 수 있다.
• 코드가 공개되어 있어도 실제 재현 가능성까지 자동으로 확인하기 어렵다.
• AI의 해석에는 오류가 포함될 수 있으므로 원문 확인이 필요하다.

이러한 한계를 줄이기 위해 출처를 함께 제시하고, 확인되지 않은 항목은 추가 확인 필요 로 표시하며, 최종 선택은 사용자가 수행하도록 설계한다.

---

14. 향후 확장 방향

• 사용자의 연구 분야와 현재 프로젝트를 반영한 개인 맞춤형 평가
• 기존 Notion 논문 데이터베이스와의 중복 검사
• DOI와 arXiv ID 기반 논문 이력 관리
• Notion API 연동
• 논문 PDF 직접 분석
• 논문을 읽은 후 사용자 메모와 최초 평가 비교
• 사용자 선택 데이터를 활용한 추천 기준 개선
• 연구실 또는 스터디 단위의 공동 논문 선정
• 장기적인 연구 주제 변화와 논문 읽기 기록 시각화

---

15. 최종 산출물

• Google AI Studio 기반 AI 웹 서비스
• 연구 브리핑 Markdown 입력 화면
• 논문 후보 평가 카드
• 육각형 레이더 차트
• 논문 비교표
• AI 추천 및 사용자 선택 화면
• 복사 가능한 논문 선정 Markdown 기록
• 서비스 기획 워크시트 및 실행 화면 캡처