선행 연구와 기여의 근거

1. 가정을 기준으로 선행 연구의 주장 비교하기

기여를 적을 때는 가장 가까운 연구, 그 연구가 확인한 결과, 새 조건에서 아직 검증되지 않은 부분을 명시합니다. 출처별로 데이터셋, 관측 구간, 모형 종류, 분할, 지표, 보고된 불확실성을 기록합니다. 원 논문의 방법과 실험을 확인합니다. 표현이 달라도 방법이 같을 수 있고, 지표 이름이 같아도 평가 집단이 다를 수 있습니다. Pineau 외, 기계학습 연구의 재현성

2. 작은 비교표로 선행 방법 정리하기

가상의 재시작 연구에서는 두 선행 접근을 고려합니다. 하나는 최근 온도 관측을 사용하고, 다른 하나는 더 긴 관측 구간을 사용합니다. 새 변경은 열수지 항을 더하는 것입니다. 같은 데이터, 예측 시간, 매개변수 탐색 방법, 오차 정의를 사용해 두 관측 구간에서 열수지 항의 유무를 비교합니다. 논문에 실린 결과와 같은 조건에서 직접 재현한 결과를 구분해 기록합니다.

3. 각 비교가 보여 주는 효과 계산하기

열수지 항이 없을 때 짧은 관측 구간의 오차가 0.60 K, 긴 관측 구간의 오차가 0.50 K라고 가정합니다. 열수지 항을 더한 오차는 각각 0.54 K, 0.40 K입니다. 열수지 항의 개선량은 0.06 K와 0.10 K이며 두 개선량의 차는 0.04 K입니다. 가장 약한 구성에서 가장 강한 구성으로의 0.20 K 개선에는 두 변경이 모두 포함됩니다.

4. 근거가 뒷받침하는 범위로 주장 쓰기

이 예에서는 동일한 관측 구간을 짝지어 비교했을 때 열수지 항으로 오차가 줄었다고 말할 수 있습니다. 새 대상 집단에서도 효과가 있다는 주장은 그 집단에서의 평가가 필요합니다. 새 기여를 주장하려면 유사한 방법을 찾아보고 새 관측 조건, 더 약한 가정의 정리, 기존 방법에 대한 독립 검증 중 무엇을 제공했는지 명시합니다.

관측 구간 선택을 $c\in\{0,1\}$, 열수지 항의 유무를 $p\in\{0,1\}$로 표시합니다. 같은 평가 방법에서 측정한 켈빈 단위 오차를 $e_{c,p}$로 정의하면 예제의 행렬은

입니다. 행을 바꾸면 관측 구간이, 열을 바꾸면 열수지 항의 유무가 달라집니다. 같은 조건의 개선량과 관측 구간에 따른 개선량의 변화를

로 정의합니다. 대입하면 $g_0=0.06$ K, $g_1=0.10$ K, $I=0.04$ K입니다. 대각 비교는 $e_{0,0}-e_{1,1}=(e_{0,0}-e_{1,0})+g_1=0.20$ K로 분해됩니다. 전체를 열수지 항의 효과로 돌리면 두 변경을 합쳐 해석하게 됩니다. 네 관측 칸의 기술적 비교이며, 모집단이나 인과 효과로 해석하려면 표집·개입 가정과 불확실성이 추가로 필요합니다.

5. Python으로 조건을 맞춘 차이 계산하기

from math import isclose

short_base, long_base = .60, .50
short_physics, long_physics = .54, .40
short_gain = short_base - short_physics
long_gain = long_base - long_physics
interaction = long_gain - short_gain
assert isclose(short_gain, .06)
assert isclose(long_gain, .10)
assert isclose(interaction, .04)
print("matched effects:", round(short_gain, 2), round(long_gain, 2))
print("difference of effects:", round(interaction, 2))

6. 기여를 독자가 검증할 수 있게 적기

각 기여 옆에 이를 뒷받침하는 표, 증명, 실행 자료를 둡니다. 독자가 적용 범위를 검증할 때 바꿀 수 있는 가정을 밝힙니다. 재현되지 않은 결과와 조건이 달라 직접 비교할 수 없었던 논문도 기록합니다. 다음 연구에서 차이가 방법에서 왔는지 평가에서 왔는지 확인할 수 있습니다.