어떤 논문부터 읽어야 할까 -- 집현전 커리큘럼 생성기
새 분야를 공부하려면 수백 편의 논문 앞에서 어디서부터 시작할지 막막하다. 집현전 커리큘럼 생성기는 가짜 논문 없이, 대학 강의 수준의 순서 있는 커리큘럼을 만들어준다. 9개 프리셋, Fork/Share, 진도 기록, 딥리뷰 연동까지.
새 분야를 공부하려고 마음먹은 날을 떠올려보자. 검색을 시작하면 논문이 쏟아진다. 이걸 먼저 읽으라고 하면 저게 선행 지식이라고 하고, 저걸 찾으면 이미 오래된 논문이라고 한다. 수백 편의 논문 앞에서 어디서부터 시작해야 하는지 명확하지 않다.
"논문 커리큘럼 만들어줘"라고 ChatGPT에게 물어보면 그럴듯한 제목 목록이 나온다. 그런데 그 논문이 실제로 존재하는지, 어떤 순서로 읽어야 하는지, 이 중 무엇이 필수이고 무엇이 선택인지 -- ChatGPT는 말해주지 않는다. 정확하게는, 말해주지 못한다.
우리는 집현전(jiphyeonjeon.kr)에 커리큘럼 생성 기능을 추가했다. 없는 논문은 없고, 순서는 있으며, 무엇이 필수이고 무엇이 보충인지 명확한 커리큘럼을 만들어준다.
9개 프리셋: 바로 시작하기
처음부터 만들지 않아도 된다. 집현전 커리큘럼 탭에는 세계 유수 대학 강의를 참고해 미리 구성한 9개 프리셋 커리큘럼이 있다.
| 커리큘럼 | 기반 강의 | 논문 수 | 모듈 수 |
|---|---|---|---|
| Reinforcement Learning | Berkeley CS285 외 3개 | 58편 | 8개 |
| Generative AI | Stanford CS324 외 2개 | 53편 | 8개 |
| Explainable AI | Harvard CS 282BR 외 2개 | 47편 | 8개 |
| Causal Inference | Stanford STATS 361 | 24편 | 6개 |
| Applied Statistics | Stanford STATS 315A | 25편 | 6개 |
| ML with Graphs | Stanford CS224W | 22편 | 6개 |
| NLP with Deep Learning | Stanford CS224N | 19편 | 7개 |
| Computer Vision | Stanford CS231N | 20편 | 7개 |
| Machine Learning | Stanford CS229 | 17편 | 6개 |
각 커리큘럼에는 한국어 맥락이 붙어 있다 -- "이 논문이 왜 이 시점에 등장하는가"를 설명하는 문장이다. 그냥 논문 목록이 아니라, 공부 순서가 있는 지도다.
예를 들어 Reinforcement Learning 커리큘럼의 첫 번째 모듈을 보면 이렇다:
Module 1: Foundations of Reinforcement Learning
- Reinforcement Learning: An Introduction (Sutton & Barto, MIT Press 2018)
required-- 강화학습 분야의 결정적 교과서. MDP, 벨만 방정식, TD 학습, 정책 그래디언트까지 RL의 전 범위를 체계적으로 다루며, 본 커리큘럼 전체의 이론적 기반이 된다.- Dynamic Programming and Optimal Control (Bertsekas, Athena Scientific 2012)
required-- 정책 반복, 가치 반복의 수학적 엄밀한 기초를 제공하는 고전 교재.- A Survey of Reinforcement Learning Algorithms... (Zhang et al., 2021)
optional-- 고전적 RL부터 멀티에이전트 RL까지 전체 지형도를 조망하는 핸드북 챕터.
required / optional / supplementary 세 가지로 논문이 구분된다. 시간이 없으면 required만 읽으면 되고, 깊이 파고 싶으면 optional과 supplementary까지 나아가면 된다.
Fork해서 내 것으로, Share로 같이 공부하기
프리셋이 마음에 들면 그대로 써도 되고, Fork 버튼을 누르면 자신만의 복사본이 생긴다. Fork된 커리큘럼은 원본과 독립적이다 -- 모듈을 추가하거나 논문 순서를 바꿔도 프리셋에는 영향을 주지 않는다.
자신이 만든 커리큘럼은 Share 링크를 생성할 수 있다. 링크를 받은 사람은 어떤 논문으로 구성됐는지 볼 수 있다. 스터디 그룹에서 같은 커리큘럼으로 함께 공부할 때 유용하다.
각 논문에 읽음 표시를 하면 모듈별 진도가 기록된다. "Module 3을 이번 주 안에 끝내야지" 같은 계획이 숫자로 추적된다.
AI로 직접 만들기: 없는 커리큘럼이라면
프리셋에 없는 주제라면 AI 생성 기능을 쓴다. 입력은 네 가지다:
- 주제: "Transformer Architecture", "Diffusion Models", "Graph Neural Networks" 등 자유 입력
- 난이도:
foundational/intermediate/advanced - 모듈 수: 원하는 구성 단위 수
- 논문 선호도:
balanced(기본) /cutting_edge(최근 3년 집중) /survey_heavy(서베이 중심)
생성 버튼을 누르면 실시간으로 4단계 진행 상황이 표시된다.
Figure 1. SSE 스트리밍으로 4단계 각각의 완료 여부와 실시간 메시지가 업데이트된다.
주제에 따라 15-40초가 걸린다. 완료되면 모듈별로 구성된 커리큘럼이 나타나고, 이후 Fork/Share/진도 기록 기능을 그대로 쓸 수 있다.
가짜 논문이 없는 이유
우리가 처음 만들었던 버전은 LLM에게 커리큘럼 전체를 맡기는 방식이었다. 겉으로는 완벽한 결과가 나왔다. 그런데 직접 검색해보니 일부 논문 제목이 존재하지 않았다. LLM은 확신을 가지고 없는 논문을 만들어냈다.
학술 커리큘럼에서 이건 치명적이다. 사용자는 없는 논문을 찾으러 다니다가 시간을 날린다.
우리가 세운 원칙은 하나다: LLM에게 논문을 생성하게 하지 않는다. 구조를 설계하고 판단하는 일은 LLM이 잘한다. 논문이 존재하는지 여부는 LLM이 알 수 없다. 이 둘을 분리했다.
4단계 파이프라인
| 단계 | 역할 | 핵심 제약 |
|---|---|---|
| Step 1: 구조 설계 | LLM이 모듈/토픽 설계 (실제 대학 강의 참조) | 논문 이름 생성 금지, 검색 키워드만 출력 |
| Step 2: 논문 검증 | OpenAlex + Semantic Scholar로 실존 논문 검색 | API로 확인된 논문만 목록에 포함 |
| Step 3: 조립 | LLM이 검증된 목록에서 논문 선택 + 한국어 설명 | 목록 밖 논문은 선택 불가 |
| Step 4: 품질 검토 | LLM이 8개 기준으로 커리큘럼 정제 | 새 논문 추가 금지, 재배치만 허용 |
Step 1에서 LLM이 만드는 것은 검색 키워드뿐이다. 이 키워드로 실제 API를 호출해서 존재하는 논문만 수집한다. Step 3에서 LLM이 다시 등장할 때는 이미 검증된 목록만 건네받는다. 없는 논문을 만들어낼 여지가 없다. 다음 Figure 2가 이 흐름을 보여준다.
Figure 2. 4단계 커리큘럼 생성 파이프라인 -- Step 2가 LLM과 실제 데이터 사이의 방어선이다.
복합 스코어와 논문 선호도
Step 2에서 수집된 논문들은 복합 스코어로 순위를 매긴다:
final_score = ( log1p(citations/age) × 20
+ recency_bonus
+ venue_bonus )
× preference_multiplier
cutting_edge를 선택하면 최근 3년 논문에 1.8배 가중치가 붙고, survey_heavy이면 인용 500+ 논문에 1.5배가 붙는다. 같은 주제라도 어떤 논문 선호도를 선택하느냐에 따라 커리큘럼의 성격이 달라진다. Figure 3이 이 구성 요소를 시각화한다.
Figure 3. 인용/연도 로그 정규화, 최신성 보너스, 학회 등급 보너스가 합산되고, 사용자 선호도가 최종 점수에 곱해진다.
자동 품질 검토
Step 4는 완성된 커리큘럼을 8개 기준으로 한 번 더 검토한다. Figure 4는 이 검토가 실제로 어떤 수정을 하는지 보여준다.
Figure 4. 중복 논문 제거, required/supplementary 재배정, 난이도 불일치 수정이 단일 패스로 적용된다.
| 검토 기준 | 잡아내는 문제 |
|---|---|
| Relevance | 토픽과 무관한 논문이 섞인 경우 |
| Difficulty mismatch | 초급 모듈에 최신 연구 논문만 있는 경우 |
| Duplication | 같은 논문이 여러 토픽에 중복 배치된 경우 |
| Category errors | 핵심 논문이 supplementary로 분류된 경우 |
| Outdated | 최신 주제인데 논문이 모두 2015년 이전인 경우 |
| Difficulty progression | 뒤 모듈이 앞 모듈보다 더 기초적인 경우 |
| Minimum papers | 토픽당 2편 미만인 경우 |
| Venue quality | required 논문이 Tier-1 학회 출처가 아닌 경우 |
이 검토 단계에서도 새 논문은 추가되지 않는다. 이미 검증된 논문들 안에서만 순서와 카테고리를 조정한다.
지금 써보기
jiphyeonjeon.kr → 커리큘럼 탭.
프리셋 9개는 로그인 없이도 열람할 수 있다. AI 생성, Fork, Share, 진도 기록은 로그인 후 이용 가능하다. 커리큘럼에서 논문을 선택하면 바로 오토하이라이트와 구조화된 비평 리포트로 넘어갈 수 있다 -- 커리큘럼은 "어떤 논문을 읽을지" 안내하고, 딥리뷰는 "그 논문을 어떻게 읽을지" 도와준다.
커리큘럼 생성기는 ChatGPT가 못하는 일을 한다. 없는 논문을 만들지 않고, 순서를 설계하고, 무엇이 필수인지 명시한다. 어떤 분야든, 어디서 시작해야 할지 막막할 때 쓸 수 있다.