- 또 한 서비스를 오랜 기간 이용하게 되면 장기적으로는 사용자의 질문 패턴과 피드백을 통해 더욱 개인화된 결과물을 생성되어서 결과가 좋아집니다.

4. 업무지시를 명확하게 해야 합니다.
- 연구원에게 일을 시킬 때 애매모호한 지시보다는 명확한 배경 의도, 알아야 할 사전지식, 결과물의 형태를 가지고 업무지시를 라는 것이 당연히 더 좋은 결과가 나옵니다. llm도 같습니다.

‘학계 무슨 무슨 이슈 최신 동향 좀 알아봐 줘’ 와 같은 모호한 지시는 LLM에게도, 시키는 사람에게도 좋지 않습니다. ㅠㅠ
- ‘나는 보건학 개론 강의에서 감염병 모델링 챕터를 강의할 예정이다. 최근 3년간 발표된 논문 중, 바이러스 질환의 모델링 중 AI를 활용한 연구 동향을 비판적으로 요약해 줘. 결과물은 강의 서론에 인용할 수 있도록 A4 두 페이지 분량의 서술형으로 정리하고, 주요 근거 문헌 3개를 인용 형식에 맞춰 제시해줘"  이렇게 배경, 목적, 역할, 형식을 구체적으로 지시하는 것이 정말 중요합니다. 사실 이건 우리가 현장에서 일할 때도 당연한 것이지요.

5. 어떻게 지시할지 막막하면, LLM에게 물어보세요.
- 가끔은 특정 작업을 어떻게 시켜야 가장 효율적일지 모를 때가 있습니다. 그럴 땐 역으로 물어보면 됩니다. "만약 역학 연구자라면 코호트 연구 설계 시 발생할 수 있는 주요 바이어스와 그 해결 방안'에 대한 보고서를 작성하기 위해 연구자에게 어떤 정보를 구체적으로 요청하겠니?" 이런 식으로 질문하는 것을 '리버스 프롬프팅(Reverse Prompting)'이라고 합니다. LLM이 더 나은 결과물을 위해 필요한 정보 목록과 질문 구조를 제안해 줄거고, 일반적으로 이렇게 하면 결과물이 더 나아집니다.

6. 큰 규모의 일은 나눠서 시키세요.
- 업무 분해(Task decomposition)이라는 방법인데, 저도 매우 자주 사용합니다. 예를 들어 큰 규모의 연구계획서를 작성할 때 한번에 작성을 요구하는 것이 아니라 파트를 나누어 작성을 시키는 방법입니다.

- 저는 먼저 목차를 함께 LLM과 작성을 해서 목차에 대한 정보를 학습시키고, 개별적인 주제의 목차를 번호로 넘버링해서 한 파트씩 작성하는 방식으로 업무 분해를 하고 있습니다.

7. 한번에 일이 끝나는 경우는 없습니다.
- LLM이 내놓은 첫 번째 답변을 최종 결과물로 생각해서는 안 됩니다. 똑똑한데 아직 경험이 부족한 대학원생과 업무하시듯 피드백을 주고 받으면서 결과물을 발전시키셔야 합니다. 의외로 많은 분들이 이 부분에서 귀찮음을 많이 느끼시더라구요.

8. 환각이 걱정된다면 근거를 요구하시면 됩니다.
- 많은 분들이 환각을 걱정하십니다. 실사용에서도 많이 문제가 됩니다. 이를 피하려면 답변의 출처나 근거를 항상 명시하도록 요구해야 합니다. 검색 증강 생성(RAG, Retrieval-Augmented Generation)이라는 기술이 이제는 적용되어 있습니다. LLM이 내부 지식에만 의존하는 것이 아니라, 검증된 외부 데이터베이스를 실시간으로 참조하여 답변을 생성하는 방식입니다.

- LLM 쓰실 때 Deep research 옵션을 키시거나, 실존 문헌의 근거를 제시하라는 명시적 요구가 있으면 이 기능이 활성화됩니다.

9. 내가 가장 잘 아는 분야에서 최고의 시너지를 냅니다.
- 의외로 LLM은 내가 전혀 모르는 생소한 분야의 일을 시키는 것보다, 내가 전문가인 분야에서 활용할 때 더 좋은 성과를 냅니다. "이 분석은 내가 직접 하면 더 잘하지만, 지금은 바쁘고 귀찮으니 네가 초안을 잡아봐. 대신 결과물은 내가 꼼꼼하게 검토하고 수정할 거야." 이런 마인드셋이 중요합니다.

- 연구의 방향을 알고 있어야 LLM이 내놓은 결과물의 오류를 찾아내고, 더 나은 방향으로 이끌어갈 수 있기 때문입니다.

10. 통계 분석과 코딩은 참고와 가이드 용도일 때 가장 좋습니다.
- LLM에게 R이나 Python 코드를 짜달라고 하면 정말 놀라운 수준의 결과물을 빨리 빨리 내놓습니다. 하지만 복잡한 통계 모델링이나 역학 연구 분석에 그대로 적용하기엔 엄밀성이 떨어지는 경우가 많습니다. 연구 방법론에 대한 깊은 이해는 여전히 연구자의 몫입니다.

- LLM에게는 기본적인 코드의 템플릿이나 데이터 전처리 과정을 부탁하고, 핵심적인 모델 설계와 결과 해석은 직접 커스터마이징하는 방식이 안전하고 효율적입니다. 완전해 보이지는 못해도 예전에 웹이나 사이트들을 돌아다니면서 코드 수집하고, 직접 수정하던 시대보다는 엄청나게 빠른 속도입니다.

11. 결과물 정리는 Google Docs로 내보내기가 가장 편합니다.
- 보고서나 강의안, 연구 제안서를 작성할 때 LLM이 생성한 텍스트를 복사-붙여넣기 하면 서식이 깨져서 고생하는 경우가 많습니다. Gemini는 결과물을 클릭 한 번으로 Google Docs나 Gmail로 내보내는 기능을 제공하는데, 표나 글머리 기호 등의 서식을 그대로 유지해줘서 매우 편합니다. 거기에 구글 워크스페이스 연동까지 됩니다. 만약 특정 서식이 필요하다면, 빈 양식을 먼저 업로드해서 포맷을 학습시키면 의외로 포매팅도 잘 정리가 됩니다.

12. 어떤 평가나 리뷰를 원할때는 나의 방향성을 알려주는게 좋습니다.
- LLM은 기본적으로 사용자의 의견에 동조하고 긍정적인 피드백을 주려는 편향이 있습니다. 기분은 좋은데 생산적이지는 않습니다. 그렇기 때문에 ‘너는 내 연구에 대해 가장 비판적인 동료 심사자다. 이 연구 계획서의 잠재적인 방법론적 한계와 논리적 비약을 신랄하게 지적해줘" 와 같이 구체적인 역할과 관점을 부여해야 합니다.

13. 새로운 기능들이 계속 늘어납니다. 한번 써보셔요.
- 최근 Gemini에는 강의 슬라이드 PDF를 올리고 문제 출제시키는 기능이 정말 엄청납니다. 엄청난 업무 시간 경감이 있습니다.

다른 분들은 이것 말고 어떤 팁들이 있으신지요? 저에게도 공유를 좀,,,