Field note · 2026-04

좋은 글이란 무엇인가 — 인지 수사학 프레임워크(CRF)를 만들며 발견한 것들

AI가 생성한 텍스트가 "읽히지 않는" 문제를 구조적으로 분석하고, 그 과정에서 인지심리학, 고전 수사학, 담화분석, Metadiscourse 이론을 조합한 글쓰기 설계 프레임워크(Cognitive Rhetoric Framework, CRF)를 구축했다. 이 리포트는 프레임워크의 네 개 층위 — 인지 흐름, 수사 장치,

좋은 글이란 무엇인가 — 인지 수사학 프레임워크(CRF)를 만들며 발견한 것들

요약

AI가 생성한 텍스트가 "읽히지 않는" 문제를 구조적으로 분석하고, 그 과정에서 인지심리학, 고전 수사학, 담화분석, Metadiscourse 이론을 조합한 글쓰기 설계 프레임워크(Cognitive Rhetoric Framework, CRF)를 구축했다. 이 리포트는 프레임워크의 네 개 층위 — 인지 흐름, 수사 장치, Stance & Engagement, 주제 전개 — 의 이론적 근거와 실제 적용 구조를 정리한다.

1. 문제: AI가 쓴 글은 왜 읽히지 않는가

AI 텍스트의 가장 강력한 지표는 개별 특성이 아니라, 모든 층위에서 동시에 나타나는 분산(variance)의 부재다1. 문법은 정확하고, 구조도 교과서적이고, 논리도 흐른다. 하지만 어휘가 좁고, 문장 리듬이 단조롭고, 감정이 평탄하고, 화자가 보이지 않는다.

GPTZero의 핵심 지표인 burstiness — 문장 길이와 복잡도의 변동량 — 는 인간 텍스트에서 높고 AI 텍스트에서 낮다2. RFBES at SemEval-2024는 AI 텍스트의 문장 길이가 15–25단어 내외의 좁은 분포에 집중됨을 보였다3. Rinott et al.(PNAS, 2025)은 Biber(1988)의 다차원 피처셋 기반으로 인간 vs LLM 텍스트를 93–98% 정확도로 분류했다4.

이건 단순히 "AI스럽다"는 감각적 판단이 아니라, 텍스트의 여러 층위에서 구조적으로 무언가가 빠져 있다는 문제다.

이 문제를 풀기 위해 네 가지 층위로 분해했다.

2. 첫 번째 층위: 인지 흐름 — 글에는 사고의 순서가 있다

같은 내용이라도 어떤 순서로 사고를 배치하느냐에 따라 전혀 다른 글이 된다.

인지심리학의 기본 개념들을 글쓰기 맥락에서 재정리하면 9개의 인지 원자(Cognitive Primitives)가 나온다: Perception(지각), Attention(주의), Emotion(감정), Memory(기억), Inference(추론), Reasoning(논리), Judgment(판단), Intention(의도), Abstraction(개념화). Kellogg(2008)의 인지적 글쓰기 모델에서 글쓰기는 planning, translating, reviewing의 인지 프로세스로 구성되며, 각 단계는 working memory의 서로 다른 자원을 활용한다5.

글의 목적(intent)에 따라 이 원자들의 활성화 순서가 달라진다:

IntentCognitive Flow설명
설득형Perception → Emotion → Memory → Reasoning → Intention감각 → 감정 → 맥락 → 논리 → 행동
탐색형Attention → Inference → Reasoning → Abstraction질문 → 추론 → 비교 → 재정의
분석형Attention → Reasoning → Judgment → Abstraction대상 정의 → 분해 → 관계 → 패턴 도출
도발형Perception → Emotion → Inference → Abstraction전제 깨기 → 긴장 → 재구성

이런 인지 흐름 9가지, 담화 구조(Discourse Pattern) 7가지, 도입 전략(Hook Strategy) 6가지, 전개 아크(Arc Template) 4가지를 조합하면 글의 뼈대가 나온다.

그런데 뼈대만으로는 글이 안 됐다. 같은 구조에 같은 흐름을 넣어도 어떤 글은 읽히고 어떤 글은 안 읽힌다. 인지 흐름은 "무엇을 어떤 순서로 배치할 것인가"에 대한 답은 주지만, "그 배치를 어떻게 실현할 것인가"에 대해서는 침묵한다.

3. 두 번째 층위: 수사 장치 — 문장의 물리학

고전 수사학에서 정리된 수사 장치(rhetorical devices)는 크게 두 갈래로 나뉜다6:

  • Scheme — 형태를 바꾼다. 문장의 구조를 조작하는 장치.
  • Trope — 뜻을 바꾼다. 의미를 전환하는 장치.

Aristotle의 Rhetoric Book III에서 logos(무엇을 말하는가)와 lexis(어떻게 말하는가)의 구분이 처음 체계화된 이래7, 수사학은 표현의 효과를 세 가지 소구(appeal)로 분류해왔다: ethos(신뢰), pathos(감정), logos(논리).

3.1. Scheme: 구조적 장치

장치구조Appeal예시
anaphora (문두 반복)연속 절 시작을 동일 어구로 반복pathos"우리는 알고 있다. 우리는 느끼고 있다. 우리는 움직여야 한다."
chiasmus (교차 대구)A-B → B-A 반전logos + ethos"글을 설계하는 것이 아니라, 설계가 글이 되는 것이다."
anadiplosis (연쇄)앞 문장 끝 → 다음 문장 시작logos"구조가 전략을 만든다. 전략이 실행을 만든다."
parallelism (병렬)동일 문법 구조 반복logos"고객 문제를 읽고, 내부 기능을 연결하고, workflow를 재설계한다."
antithesis (대구)대립 아이디어를 병렬 배치logos + pathos"한편에선 부정하고, 한편에선 해결하려 한다."

3.2. Trope: 의미적 장치

장치작동 방식Appeal예시
paradox (역설)모순 속 진실logos"AI스러움을 지우려고 AI를 쓴다."
litotes (완곡 부정)반대를 부정 → 절제된 강조ethos"쉬운 문제는 아니다."
metaphor (은유)A를 B로 치환pathos + logos"LLM은 의미 좌표계에서 답을 뱉는다."
irony (반어)말한 것 ≠ 의도한 것logos + pathos"아이러니한 건, 이 글도 그 프레임워크 위에서 쓰고 있다는 점이다."

각 수사 장치가 ethos/pathos/logos에 매핑되므로, 글의 Arc 단계(Hook, Tension, Expansion, Resolution, Closure)마다 의도적으로 배치할 수 있다. 예를 들어 도발형 글이라면:

  • Hook에 paradox → 인지적 긴장
  • Expansion에 anadiplosis → 논증의 연쇄적 추진력
  • Resolution에 chiasmus → 구조적 반전으로 의미 부여

4. 세 번째 층위: Stance & Engagement — 화자와 독자 사이의 거리

Hyland(2005)의 Metadiscourse 프레임8에서 핵심은 Stance(화자의 태도)와 Engagement(독자와의 관계)다.

4.1. Stance: 확신과 유보의 배합

마커기능한국어 예위험
Hedge확신을 낮춤"~인 것 같다", "~로 보인다"과다 시 화자 소멸 → AI-likeness 증가
Booster확신을 높임"분명히", "~일 수밖에 없다"과다 시 독선적
Attitude Marker감정/평가 태도 표현"아이러니한 건", "아득해졌다"범용 표현 시 AI-likeness
Self-mention화자 존재를 각인"저는", "우리는"부재 시 비특정적 화자

hedge와 booster의 비율이 글의 성격을 결정한다. Content Marketing Institute(2023)에 따르면, AI 기사는 인간 텍스트보다 hedging을 3.2배 더 사용한다9. 모든 주장에 "It is important to note that"를 붙이면 화자가 사라진다.

4.2. Engagement: 독자와의 관계 설계

마커기능특이사항
Reader Pronoun독자를 텍스트에 포함"우리는", "여러분"
Question능동적 사고 유발탐색형의 핵심 엔진
Personal Aside괄호 속 사적 관찰AI가 거의 사용하지 않음 — 드러낼 "존재"가 없기 때문
Shared Knowledge공통 기반 환기"알다시피" — AI가 자주 남용

4.3. Intent별 Stance 배합

같은 수사 장치를 쓰더라도, stance 배합에 따라 전혀 다른 글이 된다:

IntentHedgeBoosterSelf-mention
도발형낮음높음높음
탐색형높음극히 낮음높음 ("나는 아직 모른다")
분석형중간Resolution에만낮음
선언형극히 낮음높음낮음-중간 ("우리는")

5. 네 번째 층위: 주제 전개 — 문장과 문장 사이의 힘

Daneš(1974)의 Thematic Progression10은 문장 수준이 아니라 문장 간 관계에 대한 이론이다. 주제(Theme)와 논평(Rheme)의 연결 패턴으로 텍스트의 정보 흐름을 분석한다.

전개 방식구조효과친화 Intent
Linear앞 문장의 Rheme → 다음 문장의 Theme논증적 추진력설득, 서사, 도발
Constant같은 Theme 유지, 다른 Rheme집중적 탐색설명, 분석, 평가
Derived상위 Theme에서 하위 Theme 파생체계적 커버리지분석, 설명, 규범
Split Rheme하나의 Rheme을 여러 요소로 분기분류/정의설명, 분석, 선언

Linear 전개 예시: "구조를 바꿨다. 바뀐 구조가 새로운 문제를 만들었다. 그 문제가 설계를 다시 요구했다." — 앞 문장의 끝이 다음 문장의 시작이 되면서 논리적 추진력이 생긴다.

이 리포트 자체도 Linear 전개를 기본으로 쓰고 있다 — 첫 번째 층위의 한계가 두 번째의 출발점이 되고, 두 번째가 세 번째를 낳고, 세 번째가 네 번째로 이어지는 구조.

6. 통합: Cognitive Rhetoric Framework (CRF)

네 층위를 하나의 설계 프레임워크로 통합했다:

Layer 1: Cognitive Flow    → 뼈대 — 사고의 순서
Layer 2: Rhetorical Device → 근육 — 구조적/의미적 장치
Layer 3: Stance & Engagement → 톤 — 확신/유보/독자 관계
Layer 4: Thematic Progression → 리듬 — 문장 간 연결 패턴

9개 discourse intent(설득, 설명, 탐색, 분석, 서사, 평가, 규범, 선언, 도발)마다 네 층위의 추천 조합이 매핑되어 있다.

설계 예시: 도발형 LinkedIn 글

- Flow: Perception → Emotion → Inference → Abstraction
- Arc: Hook(paradox) → Tension(antithesis) → Expansion(anadiplosis) → Resolution(chiasmus) → Closure(paradox)
- Stance: hedge 낮음 / booster 높음 / self-mention 높음
- Thematic Progression: Linear

설계 예시: 탐색형 Article

- Flow: Attention → Inference → Reasoning → Abstraction
- Arc: Hook(paradox) → Tension(antithesis) → Expansion(parallelism) → Resolution(litotes) → Closure(paradox)
- Stance: hedge 높음 / booster 극히 낮음 / self-mention 높음 / personal aside 높음
- Thematic Progression: Linear → Constant (Expansion에서 전환)

7. AI-Likeness와의 관계

CRF의 네 층위는 각각 AI-likeness의 특정 문제를 구조적으로 해결한다:

AI-Likeness 문제관련 층위CRF 대응
예측 가능한 구조Layer 1 (Cognitive Flow)다양한 인지 흐름 × Arc 조합으로 구조적 surprise 생성
수사적 단조로움Layer 2 (Rhetorical Device)Scheme/Trope의 의도적 배치
Hedging 과다 / 화자 부재Layer 3 (Stance & Engagement)Intent별 hedge/booster 비율 설계, personal aside 활용
리듬 단조Layer 4 (Thematic Progression)Linear/Constant/Derived 전환으로 정보 흐름 변화
전체 층위 분산 부재4개 층위 통합각 층위에서 독립적으로 variation을 설계

DetectGPT(Mitchell et al., ICML 2023)11가 발견한 AI 텍스트의 "negative curvature" 패턴 — AI가 가장 확률 높은 토큰을 연속 선택하여 낮은 perplexity를 보이는 현상 — 은 결국 모든 층위에서 "가장 예측 가능한 선택"을 하는 문제와 같다. CRF는 각 층위에서 의도적으로 덜 예측 가능한 선택을 설계하게 함으로써 이 문제에 대응한다.

8. 수사 장치는 Downstream Semantics를 바꾸는가

CRF의 네 층위가 단순히 "표현을 다듬는" 도구인지, 아니면 의미 자체를 변형하는 연산자인지는 별도의 질문이다. 실증 연구들은 후자를 지지한다.

8.1. 수사적 프레이밍이 추론을 바꾼다

Thibodeau & Boroditsky(2011)는 범죄를 "beast(짐승)"로 묘사한 그룹과 "virus(바이러스)"로 묘사한 그룹이 동일한 통계 데이터를 보고도 전혀 다른 정책을 제안함을 보였다12. 참가자들은 은유의 영향을 인식하지 못했다. metaphor는 장식이 아니라 추론 경로를 결정하는 의미 연산자다.

Tversky & Kahneman(1981)의 Asian Disease Problem은 동일한 기대값을 "200명이 산다" vs "400명이 죽는다"로 프레이밍했을 때 의사결정이 반대로 갈림을 보였다13. 명제적 내용이 동일해도 수사적 구조가 실질적 의미를 바꾼다.

8.2. 담화 구조가 의미 해석을 제약한다

Asher & Lascarides(2003)는 DRT(Discourse Representation Theory)를 확장하여, Narration, Contrast, Elaboration 같은 수사적 관계(rhetorical relation)가 연결된 담화의 의미적 내용을 결정함을 보였다14. Contrast 관계는 대립 명제를 강제하고, Elaboration은 종속 구조를 만든다. 수사적 관계의 선택은 장식이 아니라 truth-conditional commitment다.

Mann & Thompson(1988)의 RST에서도 같은 nucleus가 다른 satellite 유형과 결합하면 전체 텍스트의 의미가 달라진다15.

8.3. LLM/Agent Chain에서의 실증

프롬프트 수사 구조가 출력 명제를 바꾼다

Wei et al.(2022)의 Chain-of-Thought는 "Let's think step by step"이라는 순전히 수사적 개입으로 LLM 출력의 truth-value를 변경했다16. Lu et al.(2022)은 few-shot 예시의 순서(수사적 배치)만으로 near-random ~ near-SOTA 수준의 성능 변동을 보였다17. Sclar et al.(2024)은 프롬프트 포맷 변경만으로 최대 76pp 정확도 차이를 보고했다18.

Sycophancy와 Agent Chain 전파

Sharma et al.(ICLR 2024)은 RLHF로 학습된 모델이 사용자의 수사적 프레이밍에 동조하여 사실이 틀려도 사용자 관점에 맞추는 sycophancy 경향을 보임을 확인했다19. Shapira et al.(2026)은 RLHF가 sycophancy를 증폭하는 수학적 메커니즘을 증명했다20.

Multi-agent 맥락에서 Kasprova et al.(2026)은 에이전트 간 sycophancy가 생산적 불일치를 억제하고 오류 연쇄를 증폭시킴을 실험적으로 보였다21. Agent Drift(2026)는 600회 상호작용 기준 에이전트 ~50%에서 원래 의도로부터의 semantic drift가 발생함을 보고했다22.

Riis(2026)는 생태계 수준에서, LLM 텍스트가 재귀적으로 재사용되면 normative selection(품질/정확성/신규성 보상) 없이는 분포가 얕아지는 shallow convergence로 수렴함을 모델링했다23.

8.4. CRF 관점에서의 함의

CRF 층위Semantic Chain 영향 경로근거
수사 장치 — metaphor개념적 프레임 변경 → 후속 추론 방향 전환Thibodeau & Boroditsky (2011)
수사 장치 — chiasmus/parallelism정보 가중치 재배치 → 판단 우선순위 변경Goldberg (1995) Construction Grammar
수사 장치 — litotes미명시 암시 → 독자가 채우는 의미 변형Sperber & Wilson (1995) Relevance Theory
Stance — hedge/booster확신도가 truth-conditional content에 편입Carston (2002) explicature
Stance — hedge 과다Sycophancy 트리거 → Agent chain 오류 연쇄Sharma et al. (2024), Kasprova et al. (2026)
주제 전개담화 참조 구조 변경 → 후속 해석 제약Asher & Lascarides (2003)

수사 장치는 "같은 의미를 더 예쁘게 포장하는" 도구가 아니다. 수사적 선택이 downstream에서 어떤 추론이 가능한지, 어떤 판단이 우선시되는지, 어떤 의미가 전파되는지를 결정한다. Agent Chain에서 이 효과는 누적되고 증폭된다.

9. 남은 질문

이 모든 걸 분해하고 구조화한 뒤에도 "좋은 글이 뭔가"라는 질문에는 여전히 답을 못 하겠다. 다만 하나는 좀 더 선명해졌다 — 좋은 글이 아닌 것은 알겠다. 모든 층위에서 분산이 없는 글. 너무 예측 가능하고, 너무 균형 잡히고, 너무 매끄러운 글.

뒤집어 말하면, 좋은 글이란 적절히 불균형한 글일지도 모르겠다. 어떤 문장은 짧고 어떤 문장은 길고, 어딘가에서는 확신하고 어딘가에서는 망설이고, 논리가 흐르다가 갑자기 여담이 끼어들고, 절제하다가 한 문장에서 과장하는. 그 불균형 자체가 "사람이 쓴 글"의 질감이고, 그 질감을 구조적으로 설계할 수 있는가가 이 프레임워크의 질문이었다.

설계할 수 있는지는 아직 모른다. 하지만 분해는 할 수 있게 됐고, 분해할 수 있으면 조립도 시도할 수 있다.

아이러니한 건, 이 프레임워크 자체가 AI 위에서 만들어졌다는 거다. AI스러움을 지우기 위한 도구를 AI로 만들고 있다. 이게 역설인지 필연인지는 — 아직 잘 모르겠다.

참고 출처

Footnotes

  1. Guo, B. et al. (2023). "How Close is ChatGPT to Human Experts? Comparison Corpus, Evaluation, and Detection." HC3 Dataset. arXiv:2301.07597 https://arxiv.org/abs/2301.07597 ↩

  2. Tian, E. (2023). GPTZero: Towards A Framework for Detection of AI-Generated Text. Burstiness와 perplexity 기반 AI 탐지. https://gptzero.me ↩

  3. RFBES at SemEval-2024. "Machine-Generated Text Detection." arXiv:2402.14838 https://arxiv.org/abs/2402.14838 ↩

  4. Rinott, R. et al. (2025). "Distinguishing Human-Written and Machine-Generated Text at Scale." PNAS. Biber(1988) 다차원 피처셋 기반 분류. https://www.nature.com/articles/s41599-024-03840-6 ↩

  5. Kellogg, R.T. (2008). "Training Writing Skills: A Cognitive Developmental Perspective." Journal of Writing Research, 1(1), 1–26. 인지적 글쓰기 모델. https://www.jowr.org/jowr/article/view/690 ↩

  6. Corbett, E.P.J. & Connors, R.J. (1999). Classical Rhetoric for the Modern Student (4th ed.). Oxford University Press. Scheme/Trope 분류 체계. https://global.oup.com/academic/product/classical-rhetoric-for-the-modern-student-9780195115420 ↩

  7. Aristotle, Rhetoric, Book III. logos/lexis 구분. Kennedy, G.A. (Trans., 2007). On Rhetoric: A Theory of Civic Discourse. Oxford University Press. ↩

  8. Hyland, K. (2005). "Stance and engagement: a model of interaction in academic discourse." Discourse Studies, 7(2), 173–192. Metadiscourse의 Stance/Engagement 프레임. https://journals.sagepub.com/doi/10.1177/1461445605050365 ↩

  9. Content Marketing Institute (2023). AI 기사의 hedging 과다 사용 분석. Hyland의 stance 모델 기반 비교. ↩

  10. Daneš, F. (1974). "Functional Sentence Perspective and the Organization of the Text." In F. Daneš (Ed.), Papers on Functional Sentence Perspective. Prague: Academia. Thematic Progression 이론. https://www.semanticscholar.org/paper/Functional-Sentence-Perspective-and-the-of-the-Text-Dane%C5%A1/c8dfe77906168e3025b7198c5000bb22114d6998 ↩

  11. Mitchell, E. et al. (2023). "DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature." ICML 2023. AI 텍스트의 negative curvature 패턴. https://arxiv.org/abs/2301.11305 ↩

  12. Thibodeau, P.H. & Boroditsky, L. (2011). "Metaphors We Think With: The Role of Metaphor in Reasoning." PLoS ONE, 6(2), e16782. 은유가 정책 판단을 바꿈. https://doi.org/10.1371/journal.pone.0016782 ↩

  13. Tversky, A. & Kahneman, D. (1981). "The Framing of Decisions and the Psychology of Choice." Science, 211(4481), 453–458. 프레이밍이 의사결정을 반전시킴. https://doi.org/10.1126/science.7455683 ↩

  14. Asher, N. & Lascarides, A. (2003). Logics of Conversation. Cambridge University Press. 수사적 관계가 담화의 의미적 내용을 결정. https://doi.org/10.1017/CBO9780511536656 ↩

  15. Mann, W.C. & Thompson, S.A. (1988). "Rhetorical Structure Theory: Toward a Functional Theory of Text Organization." Text, 8(3), 243–281. RST 기초 이론. ↩

  16. Wei, J. et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." NeurIPS 35. 수사적 개입이 LLM 출력 truth-value를 변경. https://arxiv.org/abs/2201.11903 ↩

  17. Lu, Y. et al. (2022). "Fantastically Ordered Prompts and Where to Find Them." ACL 2022. 예시 순서가 성능을 near-random ~ near-SOTA로 변동. https://doi.org/10.18653/v1/2022.acl-long.556 ↩

  18. Sclar, M. et al. (2024). "Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design." ICLR 2024. 프롬프트 포맷 변경으로 최대 76pp 정확도 차이. https://arxiv.org/abs/2310.11324 ↩

  19. Sharma, M. et al. (2024). "Towards Understanding Sycophancy in Language Models." ICLR 2024. RLHF 모델의 sycophancy 기초 연구. https://arxiv.org/abs/2310.13548 ↩

  20. Shapira, I., Benade, G. & Procaccia, A.D. (2026). "How RLHF Amplifies Sycophancy." RLHF-sycophancy 증폭의 수학적 증명. https://arxiv.org/abs/2602.01002 ↩

  21. Kasprova, V. et al. (2026). "Too Polite to Disagree: Understanding Sycophancy Propagation in Multi-Agent Systems." Multi-agent sycophancy 전파와 오류 연쇄. https://arxiv.org/abs/2604.02668 ↩

  22. Agent Drift (2026). "Agent Drift: Quantifying Behavioral Degradation in Multi-Agent LLM Systems Over Extended Interactions." 600회 상호작용 기준 semantic drift 발생. https://arxiv.org/abs/2601.04170 ↩

  23. Riis, S. (2026). "Drift and Selection in LLM Text Ecosystems." 재귀적 LLM 텍스트 재사용의 shallow convergence 모델링. https://arxiv.org/abs/2604.08554 ↩