We Reject the Use of Generative Artificial Intelligence for Reflexive Qualitative Research
우리는 32개국 419명의 숙련된 질적 연구자로서, 성찰적 주제 분석(reflexive thematic analysis)이나 다양한 현상학적 접근법(phenomenological approaches)과 같은 Big Q 질적 접근법(Big Q Qualitative approaches)(Kidder & Fine, 1987)에 생성형 인공지능(GenAI) 애플리케이션을 사용하는 것을 거부하기 위해(reject) 이 글을 씁니다. 성찰적 주제 분석은 인간 연구자(human researchers)가 의미의 패턴(주제)을 개발하고(developing), 해석하고(interpreting), 성찰함(reflecting on)으로써 질적 데이터를 분석하기 위해 수행하는 방법(method)입니다. 이 분석 과정(analytical process)은 매우 주관적이고(deeply subjective) 반복적이며(iterative) 권력 관계(power relations)를 염두에 둡니다(mindful) (Braun & Clarke, 2019). 현상학적(Phenomenological), 인류학적(anthropological), 민족지학적(ethnographic), 담론(discourse) 및 기타 성찰적 질적 접근법들도 유사하게 해석적이고(interpretive), 주관적이며(subjective), 주의 깊습니다(mindful) (Brewer, 2000; Fabian, 2014; Johnstone & Andrus, 2024; Moran, 2002). 우리의 GenAI 거부는 방법론적(methodological) 우려와 윤리적(ethical) 우려 모두에 근거하고 있습니다(grounded in). 우리는 질적 연구자들이 그러한 분석에 GenAI를 사용하는 것에 대해 비판적으로 생각하고(think critically about)—거부할 것(reject)—을 촉구합니다(urge). 우리가 그러한 거부를 위해 언급하는 주된 이유(primary reasons)는 다음과 같습니다:
- 시뮬레이션된 지능(simulated intelligence)으로서의 GenAI는 의미 만들기(meaning-making)가 불가능하다(incapable of);
- 질적 연구는 뚜렷하게(distinctly) 인간적인 관행(human practice)으로 남아야 한다(should remain);
- 확립된(established) GenAI의 다양한 해악(manifold harms), 특히 환경과 글로벌 사우스(Global South)의 노동자들에게 미치는 해악.
첫째, GenAI는 세상에 대한, 또는 분석되는 데이터를 구성하는(constitutes) 언어의 의미(meaning)에 대한, 혹은 질적 분석을 시뮬레이션할 때 생성되는 결과적 주제(resulting themes)의 의미에 대한 어떠한 이해(any understanding)도 없이, 통계적 예측 알고리즘(statistical predictive algorithms)에 기반한 시뮬레이션된 지능(simulated intelligence)일 뿐입니다. 인간이 개입된(with human involvement) GenAI가 (방법론적 과정의 시뮬레이션을 통해) 표면적으로는(superficially) 성찰적 질적 분석과 닮은(resembles) 무언가를 생산할 수 있을지는 몰라도, 그것은 성찰적(reflexive)일 수 없습니다. 왜냐하면 정의상(by definition), 성찰적 질적 분석은 본질적으로 의미 기반의 기술(inherently meaning-based technique)이기 때문입니다. 예를 들어, 성찰적 주제 분석의 의미 기반 요건(meaning-based requirement)이 그것을 내용 분석(content analysis)과 같은 단어 수 세기 기법(word-counting techniques)—이는 자동화될 수 있음(can be automated)—과 방법론적으로 구별 짓는(distinguishes) 것과 마찬가지로, GenAI가 언어로부터 진정으로 의미를 만들어내는 것(genuinely making meaning)이 근본적으로 불가능하다(fundamentally incapable)는 기초 위에서 GenAI 또한 배제해야만 합니다(must exclude) (Webster, 2025). GenAI의 이러한 한계를 인식하지 못하는 것(Failure to recognize these limitations)은 지배적인 패러다임(dominant paradigms)과 편향(biases)을 강화하는(reinforce) 분석을 초래할 위험이 있습니다(risks). 즉, GenAI가 작동하는 기반이 되는 알고리즘 패턴(algorithmic patterns)은 GenAI로 하여금 지배적인 언어와 패턴을 식별하고(identify), 복제하고(replicate), 강화하도록(reinforce) 성향을 부여하며(predisposes); 이는 비판적 학자들(critical scholars)의 목소리를 포함한 주변부의 목소리(marginal voices)와 관행들을 더욱 침묵시킬(further quieting) 위험이 있습니다. 삶의 도피처(maroons of life)에서 지식을 살고/호흡하고/느끼고/상상하고/구성하는 사람들의 목소리와 관행들은—그들의 놀랍고/기발하고/복잡하고/예측 불가능한 방식들과 함께—사라지거나(lost) 더 나쁘게는; 희생될(sacrificed) 수도 있습니다.
둘째, 성찰적 질적 연구는 뚜렷하게 인간적인 관행(distinctly human practice)으로, 인간에 의해(by humans), 인간과 함께 또는 인간에 대해(with or about humans) (예: 인터뷰, 포커스 그룹 또는 텍스트 데이터를 통해), 그리고 인간의 이익을 위해(for the benefit of humans) 수행됩니다. 사회과학 연구의 핵심 신조(central tenet)는 사람과 사회적 과정(social processes)을 더 깊이 이해하고, 의미 만들기(meaning-making)를 탐구하고 질문하는 것(explore and interrogate)입니다. 연구자들은 종종 사회적 타자(social others)와 연결하고(connecting with) 관찰함(observing)으로써 이를 수행합니다. 일부 연구자들은 분석적 "루프(loop)" 안에 인간이 포함되는 한(so long as) GenAI가 지원하는 질적 분석이 도움이 된다고 제안하지만, 그들은 또한 GenAI가 신뢰할 수 있기를(reliable) 바라는 우리의 욕망이 GenAI의 산출물(outputs)을 비판적으로 평가하는(critically appraise) 우리의 능력을 감소시킨다고 경고합니다 (Gamieldien et al., 2023; Lixandru, 2024; Törnberg, 2024; Xiao et al., 2023). 다른 이들은 GenAI의 무비판적 사용(uncritical use)이 질적 연구의 핵심인 해석적 의미 만들기(interpretive meaning-making core)에 인식론적 위험(epistemic risks)을 초래한다고(introduces) 강조합니다 (Nguyen & Welch, 2025). 우리는 오직 인간만이(only a human) 성찰적 질적 분석 작업을 수행할 수 있다는 입장을 견지하며, 따라서 초기 코딩(initial coding)을 포함한 성찰적 질적 분석의 모든 단계(all phases)에서 GenAI를 사용하는 것은 부적절하다(inappropriate)고 봅니다. 연구자들은 강력한 정신역동적 해석(psychodynamic interpretations)을 만드는 과정을 그들 자신의 인간성(humanity)에 고정시켜야(anchor) 합니다.
셋째, 우리는 거대 AI 기업들(big AI corporations)이 관여하는 우려스러운 착취적이고(exploitative), 식민주의적이며(colonialist), 추출주의적인(extractivist) 관행들에 당신의 주의를 환기합니다(draw your attention to). 이러한 관행들은 GenAI 확장을 서비스하기 위해 건설되는 데이터 센터들로 인해, 전자 폐기물(electronic waste)에 대한 노출, 물과 에너지 사용의 증가, 토지 개간(land clearing), 서식지 파괴(devastation of habits) 및 온실가스 배출(greenhouse gas emissions) 등을 통해 인간과 지구에 해로운 영향(harmful impacts)을 미칩니다. 우리는 이러한 심각한 윤리적 및 건강 문제들(ethical and health issues)에 대해 우려하고 있습니다. 사회 정의(social justice)에 관심을 갖고 해로움을 최소화할(minimize harm) 윤리적 의무(ethical obligations)에 구속되는 질적 연구자로서, 우리는 몇몇 저명한 연구자들이 GenAI 사용 증가가 우리의 환경과 동료 인간(fellow humans) 모두에게 미치는 부정적인 영향(negative impact)에 대해 우려를 제기해왔음을 주목합니다. 비평가들은 이윤을 추구하는(quest for profit) 거대 AI 기술기업(Big AI Tech)을 동기 부여하는 추출주의적, 인종차별적(racist), 제국주의적(imperialist), 그리고 착취적인 기풍(ethos)을 지적했으며(pointed to) (Brennan et al., 2025; Hanna & Bender, 2024; Mejias & Couldry, 2024; Tacheva & Ramasubramanian, 2023), 이는 고등 교육에서의 인식론적 주체성(epistemic agency)을 변형시키고 있습니다 (Lindebaum et al., 2025). 예를 들어, Galaz와 동료들은 AI가 농업, 임업, 양식업, 그리고—아이러니하게도—기후 변화를 포함한 여러 산업에서 급속하고 광범위한 채택(uptake)을 보이고 있음을 보여줍니다. 그러나 이러한 채택은 AI 편향으로 인한 불평등 증가(AI-bias-driven increased inequity) 및 식량 불안정(food insecurity), 연쇄적인 실패(cascading failures), 그리고 생태계에서의 AI 주도적 비가역적 변화(irreversible changes)와 같은 심각한 해악(significant harms)을 제기합니다 (Galaz et al., 2021). GenAI 붐은 데이터 센터와 해저 케이블(under-sea cabling)을 포함하여 이를 지원하기 위한 거대한 인프라 구성 요소(massive infrastructural components)의 확장과 동반됩니다 (Hogan, 2024; Wang et al., 2024). 이러한 인프라는 토지 개간, 심해 터널링(deep sea tunneling), 온실가스 배출, 그리고 물과 에너지 사용으로 인한 영향들로부터 발생하는 심각한 서식지 붕괴(habitat disruption)와 환경적 위험(environmental hazards)에 인간과 생태계의 다른 요소들을 노출시킵니다 (Hosseini et al., 2025; Lupton, 2025; Osmanlliu et al., 2025). GenAI가 인간의 건강에 상당한 해로움(considerable harm)을 제기하는 또 다른 방식은 디지털 데이터 콘텐츠를 훈련시키거나 중재하는(moderating) 작업을 하는 노동자들의 착취(exploitation)를 통해서입니다. 연구자들은 유해한 콘텐츠(toxic content)를 감지하고 필터링하기 위해 거대 언어 모델(large language models) 훈련을 돕는 임무를 맡은 다수 세계(Majority World: 주로 개발도상국을 의미)의 AI 데이터 노동자들에게 미치는 심리적 영향(psychological effects)을 확인했습니다 (Mejias & Couldry, 2024; Tacheva & Ramasubramanian, 2023).
이 세 번째 요점은 방법론적 우려(methodological concern)보다는 윤리적 반대(ethical objections)와 더 관련이 있지만, 우리는 이들을 상호 연결된 것(interconnected)으로 보며, 특히 1번과 2번 요점에 비추어 볼 때 우리의 선택이 타인에게 미치는 이러한 복잡하고 부정적인 영향들을 무시하는 것(ignoring)에 대해 경고합니다.
이러한 이유들로(For these reasons), 우리는 성찰적 주제 분석 및 기타 성찰적 질적 접근법을 위한 GenAI를 거부합니다.
서명(Signed),
Tanisha Jowsey, Virginia Braun, Victoria Clarke, Deborah Lupton, Michelle Fine; 및 지지자들(and endorsers)1: Gareth J. Treharne, Deborah L. Tolman, Cathy Banwell, Neera R. Jain, Megan E. L. Brown, Duc C. Nguyen, Elizabeth Sturgiss, Francesca A. Williamson, Patricia Thille, Gareth Terry, Catherine Welch, Joep Cornelissen, Martina Kelly, Robyn Woodward-Kron, Janine Wiles, Peter Adams, Nikki Hayfield, Tine Köhler, Antonia Lyons, Bill Harley, Ann L Cunliffe, Paul Hibbert, Leslie Swartz, Peter Hegarty, Catriona Ida Macleod, Lauren J. Breen, Christina Lee, Fiona Grattan, Irmgard Tischner, Caroline Jagoe, Jo Brooks, Myriam Pannard, Robbie Busch, Brett Scholz, Priscilla Boshoff, Julie Spray, Lorelle Dismore, Gareth Davey, Morten Skovdal, Liezille Jacobs, Mick Finlay, Chris Noone, Ryan L. McGrath, Maxine Woolhouse, Rahul Sambaraju, Muhamad Alif Bin Ibrahim, Joanna Semlyen, Gavin B. Sullivan, Carla Willig, Viola Sallay, Petra Boynton, Elizabeth Peel, Nicola Jearey-Graham, Lesley Storey, Kara Allen, Jenny Cole, Eman AlBedah, Dirk Lindebaum, Monika Stelzl, Sarah Seymour-Smith, József Rácz, Ruth Walker, Bachir Sirois-Moumni, Jehannine Austin, Ea Høg Utoft, Benjamin T. Sharpe, Garcia Ashdown-Franks, Stuart McClean, Sarah Kiden, Annelies Kleinherenbrink, Katerina Litsou, Nafis Mahmud Khan, Minja Axelsson, Sara E. Grummert, Aine Carroll, Luke Fletcher, Tasha Wainstein, Bethany Thomas, Andrea Whittle, Sarah Bell, Vee Copeland, Sarah Esegbona-Adeigbe, Sadie Rockliffe, Nessa Millet, Michelle Y. Martin Romero, Ariel Ducey, Sarah Kirby, Abigail Locke, Eileen Joy, Nikita Hayden, Rebecca A Szabo, Michele Jarldorn, Sibusiso Mkwananzi, Daniel Cezar Da Cruz, Tharin Phenwan, Francisco José Eiroá Orosa, Lenandlar Singh, Caroline L Roberts, Animesh Paul, Ayşegül Bakır, Randi Spiker, Serena Daalmans, Katrina McChesney, Samantha Thomas, Emma Tennent, Sara McClelland, Olivier Jutel, Valerie Cooper, Pieta Shakes, Ben Harris-Roxas, Jenna L Gillett, Georgia Pavlopoulou, Caroline Lenette, Rosemary Overell, Elif Lootens, Jade Le Grice, Katie B. Sullivan, Karena J. Burke, Peta Cook, Brett Nicholls, Rachel Thorpe, Ash Barnes, Grace Arnot, Amy Zile, Rachael Fox, Kathleen Flanagan, Romulo Nieva Jr., Sonja Ellis, Nina Higson-Sweeney, Tobias Blackwood, Sara James, Simone McCarthy, Catriona Hippman, Jenni Greig, Hannah Pitt, Shanee Barraclough, Sumaiya Noor Sanda, Emma Tumilty, Nicole Asquith, Nathan Harrison, Holly Thorpe, Richard Matthews, Laura Tarzia, Gianina-Ioana Postavaru, Mark D M Davis, Sreeparna Chattopadhyay, Michael S Daubs, Tina-Maree Newlan, Jaclyn M Szkwara, Karen Willis, Leon Salter, Java Grant, Caitlan McLean, Megan Lee, Charles Bilodeau, Naomi Smith, Debbie Massey, Dima Nasrawi, Shawna Campbell, Aron Harold G. Pamoso, Vicky Nagy, Madeleine Pownall, Sean Phelan, Charlotte Brownlow, Catherine Goetze, Alexa Alcser-Isais, Yuan Gong, Corinne Squire, Anthony K J Smith, Abul Kalam, Annabel Sandra Mueller-Stierlin, Clare Farmer, Elena Cama, Elly Quinlan, Cristina Quinones, Stefani Vasil, Toni Bruce, Sally Nathan, Shuvarthi Bhattacharjee, Zsuzsa Kaló, Julia Cook, Emer McGowan, Ovidiu Gavrilovici, Sylvester Okeke, Aysel Sultan, Sabrina Leal Garcia, Olivia Miller, Sarahanne M. Field, Farah Otaki, Rowena Hay, Moniq Muyargas, Daniel Walker, Rosamund Portus, Rosa Marvell, Kostas Hatzikiriakidis, Kaela Farrise Beauvoir, Maria Fernandes-Jesus, Martina Skrubbeltrang Mahnke, João Batalheiro Ferreira, Amanda D Webber, Tim Rhodes, Abbie Jordan, Keren MacLennan, Tammy Hoffmann, Tracey Feltham-King, Gavin R. Stewart, Hugh Gorick, Kate Swainston, Lauren McCarthy, Victoria Ruby-Granger, Allison Ruth Dunne, Michelle N Lafrance, Meg Mundell, Nicola Boydell, Rosemary Chigevenga, Peter Branney, Alison Torn, Christiaan Oostdijk, Javier Monforte, Suzanne Scott, Victoria J Palmer, Bethan Jones, Iain Thomas Killoughery, Emma Christensen, Candice Whitaker, Brandon Sabourin, Elaine Keane, Fiona Spotswood, Janne Tienari, Afrodita Marcu, Blessing Marandure, Caroline Huxley, Renée E. Stalmeijer, Chase Ledin, Marie Joachim, Priya Kumar, Samantha Flynn, Bregje de Kok, Paul Reilly, Carol A. Jasper, Helen Grace Concepcion Q. Fernandez, Philip Lew Chun Foong, Donne Jone Panizales Sodusta, Michael Larkin, Helen Clegg, Jenni Ward, Aliya Sarsenbayeva, Andrea Werner, Aidan A. Sunassee, Zaeem Ul Haq, Gloria Fraser, Coralie Mercerat, Emma Davies, Rea Daellenbach, Mirela Zaneva, William J. Robertson, Katrina Roen, Kathryn Hicks, Michelle Salmona, Loene Howes, Dean Pierides, Edward Maclin, Amanda Lee Savage, Renee Fiolet, Elisa Calvo, Sally Sargeant, Carla Treloar, Stephenie Pagoudis, Samantha Newell, Peta Callaghan, Kristi Urry, Marianne Clausen, Anna Klas, Matthew I. Mackay, Jessica L. Mackelprang, Alice-Viviana Bercean, Aaron Koay, Blake Quinney, Jayne Leonard, Calvin C. Fernandez, Mia Majstorovic, Madeline Heygers, Stephen Goulding, Maggie O’Neill, Kym M. McCormick, Stefanie Reissner, Will Day, Heather Sutherland, Christopher J Graham, Clair Hebron, Mark Warner, Dagmar Monett, Miriam Reynoldson, Sinéad Sheehan, Justine Anthony, Kathryn Conrad, Ismail Ahmad Shaikh, Donatella Di Marco, Paula Corcoran, Madeline Nase, Jane Healy, Amrit Chauhan, Lise Lafferty, Anshu Chaudhary, Alys Griffiths, Emily Allen Paine, Richard Longman, Thomas M. Leeder, Emily Arden-Close, Emily Arden-Close, Sophia Mavridi, Carlos Azevedo, Maria José Sá, Robyn Delbridge, Thomas Byers, Robbie Fordyce, Genia Bettencourt, Auzi Asfarian, Danielle Heinrichs Henry, Danielle Heinrichs Henry, Melissa J. Rogerson, Octavia Calder-Dawe, Lucy Sparrow, Emma Turley, Brian Law, Bridget Conor, Mahli-Ann Butt, Xavier Ho, Neil Munro, Hugh Davies, Bingyi Han, Amy Chandler, Sara Diogo, Ian Couper, Ola Demkowicz, Emma McLorie, Lindsey Pope, Andrew Whitworth, Annie O’Brien, Jo Hickman Dunne, Lucy Prodgers, Sergio A. Silverio, Suzanne Hamilton, Amy Grove, Amy M. Russell, Kathryn Almack, Jade Parnell, Myrofora Kakoulidou, Katherine Knighting, Stan Papoulias, Lauren E. Heywood, Rachel Rowan Olive, Rhulani Beji-Chauke, Arabella Scantlebury, Samantha K Brooks, John-Paul Bryne, Aisling Walsh, Nicola Power, Maria Pertl, Nicola Cornwall, Austin Fahy, Charlotte Woodcock, Rishita Nandagiri, Daian Huang, Nicolò Zarotti, Rachael Gribble, Ernestina Coast, Laura Chapman, Sabine Tötemeyer, Eunice T. Phillip, Lucy Bray, Danielle Lamb, Ashlyne O’Neil, Melanie Diggle, Karen Rodham, Benjamin Gardner, Mari Greenfield, Ruby Ilustrisimo, Jayati Das-Munshi, Stef Rozitis, Kiran Ghandi, Kristin Wicking, Alison Sheaves, Elisa Genovesi, Rachel Stocker, Kirstie McAllum, Shelley Walker, Jack Wallace, Luke Gahan, Nyanda McBride, Celina McEwen, Ans Vercammen, Tanya Jurado, Sue Lewis, Claire Fox, Claire Cameron, Siân Russell, Joanna Drugan, Áine Humble, Yanakan Logeswaran, Nadine van der Meulen, Claire Torrens, Irene Skovgaard-Smith, Tiffany Monique Quash, Sarah Biedka, Camilo Miguel Signorelli, Sarah MacQuarrie, Ada Achinanya, Rachel Hogg, Eva Hornecker, Jane Le, Duong Bao Gia Tue, Jane E. Hunt, and Margaret Wetherell.
질적 연구자들의 AI 거부는 이성이 아닌 정체성에 기반한다 (Qualitative researchers’ AI rejection is based on identity, not reason)
AI가 의미를 만들 수 없다(can’t make meaning)는 주장은 연구자들이 이러한 도구들을 주의 깊고 비판적인 사용(careful, critical use)에 적용했을 때 발견하는 것과 모순된다(contradicts)고 James Goh는 말합니다.
2026년 1월 16일 게시 (Published on January 16, 2026)
최종 업데이트 2026년 1월 16일 (Last updated January 16, 2026)
그 서한(letter)은 동료에서 동료로 빠르게 전달되었으며(forwarded), 종종 찬성(approval) 혹은 불안(unease)의 메모가 동반되었습니다. 그것은 38개국의 질적 연구자들로부터 419명의 서명을 담은 공개 서한(open letter)이었습니다. 그 언어는 협상의 여지(room for negotiation)를 남기지 않았습니다: 생성형 인공지능(generative artificial intelligence)은 "성찰적 질적 분석(reflexive qualitative analysis)의 모든 단계에서 부적절하다(inappropriate in all phases)"는 것입니다. 가끔이 아닙니다(Not sometimes). 안전장치(safeguards)가 있어도 안 됩니다. 항상(Always) 그렇다는 것입니다.
그러한 절대주의(absolutism)는 중요합니다. 왜냐하면 질적 연구(qualitative research)는 어떤 인간의 경험(human experiences)이 중요한지(count)를 기관(institutions)들이 결정하는 방식이기 때문입니다. 이 수준에서 도구들을 차단해버리면(Shut off), 당신은 교육, 노동 및 국제 개발 분야에서 누구의 목소리가 들리게 될지(who gets heard)를 형성하게 됩니다.
Sage 저널인 Qualitative Inquiry에 게재된 그 편지의 주요 서명자들(lead signatories) 중에는 Virginia Braun과 Victoria Clarke가 있는데, 그들의 성찰적 주제 분석(reflexive thematic analysis)을 위한 프레임워크는 한 세대의 학자들이 해석(interpretation)에 대해 생각하는 방식을 형성해왔습니다. 그들의 기초가 되는 논문(foundational paper)은 거의 30만 번이나 인용되었습니다. 그들이 말할 때, 사람들은 귀를 기울입니다(listen). 그리고 그들이 지금 말하고 있는 것은 AI에 대한 대화는 끝났다는 것입니다.
그 편지는 세 가지 주장을 합니다(makes three claims). 첫째, AI는 이해(understanding)가 아니라 통계적 예측(statistical prediction)을 통해 작동하기 때문에 진정으로 의미를 만들 수 없다(cannot genuinely make meaning)는 것입니다. 둘째, 질적 연구는 근본적으로(fundamentally) 인간에 의해, 인간에 대해, 인간을 위해 수행되어야 하는 인간의 작업(human work)이라는 것입니다. 셋째, AI는 환경과 글로벌 사우스(Global South)의 착취당하는 노동자들 모두에게 심각한 윤리적 해악(ethical harms)을 가져온다는 것입니다.
세 번째 주장은 진지한 관심(serious attention)을 받을 가치가 있습니다. 거대 언어 모델(large language models)을 구동하는 데이터 센터들은 엄청난 양(staggering amounts)의 에너지를 소비합니다. 케냐, 필리핀 등지에서 이러한 시스템을 훈련시키고 중재하는(train and moderate) 노동자들은 종종 빈곤 임금(poverty wages)을 받으며 가혹한 조건(brutal conditions) 하에서 노동합니다. 책임감 있는 연구자라면 누구나 이러한 현실과 씨름해야 합니다(grapple with).
그러나 그 편지는 궁극적으로 환경 윤리나 노동 착취에 그 논거를 두지 않습니다(rest its case). 방법론적 주장(methodological arguments) 이면에는 더 깊은 무언가가 놓여 있습니다: 바로 무엇이 의미인지(what meaning is), 그리고 누가 그것을 만들 수 있는지(who can make it)에 대한 존재론적 주장(ontological claim)입니다. 성찰적 질적 분석은 의미 만들기(meaning-making)에 의존하며, 저자들은 이 활동이 독특하게 인간적인 것(uniquely human)이라고 주장합니다. 그리고 AI는 인간이 아니기 때문에, "언어로부터 진정으로 의미를 만들어내는 것이 근본적으로 불가능하며(fundamentally incapable)" 그러한 연구에서 정당한 역할(legitimate role)이 없다는 것입니다.
그러나 문제는, 이러한 입장이 연구자들이 이러한 도구들을 주의 깊고 비판적인 사용(careful, critical use)에 적용했을 때 실제로 발견하고 있는 것과 모순된다(contradicts)는 점입니다.
질적 연구를 위한 AI 플랫폼의 창립자로서, 지난 1년 동안 저는 공개 서한이 불가능하다고 선언한 바로 그 일, 즉 성찰적 연구에 AI를 사용하는 것(using AI in reflexive research)을 수행하고 있는 수천 명의 질적 연구자들과 함께 일해왔습니다. 이 연구자들은 거만하지 않습니다(not cavalier). 그들은 기술적 신기함(technological novelty)에 유혹당하지 않았습니다(not seduced). 그리고 그들은 확실히 AI가 그들을 대신해 의미를 만들어주기를 기대하고 있지 않습니다.
애리조나 주립대(Arizona State)와 펜실베이니아 주립대(Penn State) 연구자들의 최근 동료 검토 연구(peer-reviewed study)를 고려해 보십시오. 그들은 초등학생들의 소그룹 교실 토론 녹취록 371개를 분석하는 데 도움을 주기 위해 AI를 사용했습니다. 이것은 깨끗하거나 쉽게 코드화될(codified) 수 있는 데이터가 아니었으며, 질적 해석(qualitative interpretation)이 오랫동안 인간의 손길(human hand)을 필요로 한다고 여겨졌던 바로 그 영역이었습니다. 그랬음에도 불구하고, 이 토론 중 학생들의 추론(reasoning)을 식별하는 데 있어 AI는 전문 인간 분석가들과 96% 수준의 일치 정확도(agreement accuracy)에 도달했습니다.
그러나 그 연구의 중요성은 높은 일치 수준에 있는 것이 아니라, 인간과 AI 사이의 불일치의 순간들(moments of disagreement)에 있었습니다. 한 사례에서, 시스템은 학생의 개인적인 일화(anecdote)를 주장을 뒷받침하는 정당한 증거로 분류했는데, 이는 인간 분석가들이 잘못 기각했던(wrongly dismissed) 판단이었습니다. 이러한 차이(divergence)에 직면하여, 연구자들은 연구의 핵심에 있는 바로 그 해석적 가정들(interpretive assumptions)에 대한 성찰적 재검토(reflexive re-examination)에 참여하도록 강요받았습니다: 정확히 무엇이 추론으로 간주되는가(counts as reasoning)?
혹은 유니세프(Unicef), 유네스코(Unesco), 국제노동기구(International Labour Organization), 유엔인구기금(UN Population Fund)을 포함한 여러 유엔 기구들을 위해 수행된 메타 종합(meta-synthesis)을 고려해 보십시오. 이들은 일반적으로 방법론적 해이함(methodological laxity)이나 증거를 가볍게 다루는 것(casual engagement)으로 비난받는 기관들이 아닙니다. 교육과 고용 전반에 걸친 청소년 프로그램에 대한 298건의 보고서를 분석하기 위해 AI를 사용하여, 연구자들은 복잡한 주제 패턴(thematic patterns)을 식별하는 데 있어 전문 검토자들과 92%의 일치 정확도를 달성했습니다.
그러나, 다시 한번 더 드러나는 것은 마찰 지점들(points of friction)이었습니다. AI가 수백 개의 문서 전반에 걸쳐 핵심 용어들이 어떻게 사용되는지를 추적함(traced)에 따라, 그것은 반복적으로 중요한 문제들을 제기했습니다. 예를 들어, 실무에서 "누구도 소외되지 않게 한다(leave no one behind)"는 것은 정확히 무엇을 의미했는가? "성 반응적(gender-responsive)"은 "성 변혁적(gender-transformative)" 프로그래밍과 어떻게 다른가? 이 문구들은 수십 개의 UN 보고서에서 반복되었지만, 그 사용법은 일관성이 없고(inconsistent), 탄력적이며(elastic), 종종 정의되지 않았습니다(undefined). AI에 의해 이러한 개념적 명확성의 부재(lack of conceptual clarity)에 직면하게 되자, 연구자들은 그들 자신의 프레임워크와 그것을 뒷받침하는 가정들을 재질문(reinterrogate)해야만 했습니다.
이런 방식으로 보면, 성찰성(reflexivity)은 AI가 반드시 소유해야 하는(possess) 무언가가 아니라 AI가 자극할 수 있는(provoke) 무언가입니다. 비판적으로 사용될 때(Used critically), AI는 인간의 해석을 지름길로 가거나(shortcut) 전복시키기(subvert)보다는 도전하고 강화할 수 있습니다(challenge and strengthen). 그것은 연구자들이 프레임워크를 스트레스 테스트(stress-testing)하고, 물려받은 가정들에 도전하며, 데이터 전반의 불일치를 발견하고(uncovering inconsistencies), 분석적 결정들을 투명하고 논쟁 가능하게(transparent and contestable) 만드는 데 도움을 줍니다.
그렇다면 왜 그 편지는 이러한 증거 중 어느 것도 다루지 않을까요(engage none of this evidence)? 왜냐하면 방법론(methodology) 이상의 무언가가 방어되고 있기 때문입니다.
질적 연구는 지식을 셀 수 있고(counted), 복제 가능하며(replicated), 인간의 해석으로부터 독립적인(independent of) 것으로 정의했던 실증주의적, 양적 정통성(positivist, quantitative orthodoxy)에 맞서 등장했습니다. 이 전통의 연구자들은 인간의 해석이 중요하다는 인정을 받기 위해 힘들게 싸웠으며, 그들 기술(craft)의 엄격함(rigour)과 대체 불가능성(irreplaceability)을 주장함으로써 그 싸움에서 승리했습니다: 질적 데이터와 함께 몇 시간 동안 앉아, 읽고 또 읽으며, 사람들 말의 무게를 느끼는 느리고 고통스러운 노동(slow, painstaking labour) 말입니다. 시간이 흐르면서, 이러한 수동적 몰입(manual immersion)은 단순한 방법이 아니라 하나의 정체성(identity)이 되었습니다.
계산(computation), 자동화(automation), 규모(scale)라는 과거 양적 연구의 위협이 가진 표면적 특징들(surface features)을 지니고 있다는 이유로, AI는 질적 연구자들 사이에서 동일한 방어적 반사 작용(defensive reflex)을 유발합니다(triggers). 절대적인 금지(absolute ban)는 정체성을 보호하지만, 그것은 탐구(enquiry)를 확신(certainty)으로 대체함으로써 그렇게 합니다. 이는 바로 성찰성이 막고자 했던(guard against) 것입니다. 그리고 이러한 절대주의적 거부는 그 편지가 인정하지 않는(does not acknowledge) 결과들을 초래합니다.
애리조나 주립대 연구는 371개의 녹취록을 포함했으며, 저자들이 언급했듯이 AI 없이는 분석하는 데 "두 명의 연구 보조원이 학사 일정의 대부분(better part of an academic year)"을 필요로 했을 것이며, 그러면서도 "긴 질적 텍스트를 작업할 때의 피로(fatigue), 과부하(overload) 또는 선택적 주의(selective attention)와 같은 한계에 의해 영향을 받았을 것"입니다. 그러한 사치(luxury)를 누리는 연구팀은 거의 없습니다. 특히 자금이 부족한 기관(underfunded institutions), 글로벌 사우스, 그리고 엘리트 학술 네트워크 밖에서는 더욱 그렇습니다. 결과적으로, 환자, 노동자, 이주민 및 지역사회로부터 나오는 방대한 양의 생생한 경험(lived experience)은 보이지 않는 상태(invisible)로 남게 됩니다. 인간의 의미 만들기를 보호한다고 주장하는 편지는, 실제로는(in practice), 그 중 많은 부분이 결코 일어나지 않도록 보장하는 결과(ensuring that much of it never happens)를 낳습니다.
그 편지의 가장 큰 아이러니(irony)는 그것이 AI가 성찰성과 자신의 가정을 질문하는(questioning one's own assumptions) 학문의 기초적인 헌신에 미칠 위협을 경고하면서도, 정작 그 금지 자체는 동일한 정밀 조사(scrutiny)를 거치지 않은 채 무조건적인 금지(categorical ban)를 요구한다는 것입니다. 질적 연구가 상징하는(stands for) 것을 보호하려는 충동은 정당합니다(legitimate). 하지만 그것은 그것이 무엇인지에 대한 명석한 감각(clear-sighted sense)에 의해 뒷받침되어야(underwritten) 합니다.
'논문 읽기 (with AI)' 카테고리의 다른 글
| 단순화할 것인가, 계층화할 것인가? 의과대학 성적 평가 제도를 둘러싼 논쟁 (N Engl J Med. 2025) (0) | 2026.01.10 |
|---|---|
| 전문직 정체성 형성: 핵심 기여 요인 및 치대생들의 고민 (J Dent Educ. 2022) (1) | 2026.01.01 |
| 임상가에서 교육자로 전환하는 치과대학 신임 교원의 경험 (J Dent Educ. 2024) (0) | 2026.01.01 |
| 거짓 성장 마인드셋을 경계하라: 의학교육에서 성장 마인드셋을 구축하는 것은 필수적이지만 복잡하다 (Acad Med. 2024) (0) | 2025.12.27 |
| 보건 의료 전문가를 위한 임상 멘토링 틀 (Adv Health Sci Educ Theory Pract. 2025) (0) | 2025.12.27 |
































