생물정보학 논문 자동 생성 시스템인 Prompt-to-Paper는 섹션 인식 RAG 파이프라인으로 60~100편의 검증된 문헌에 모든 주장을 근거시키고, 자율 코딩 에이전트가 실제 계산 생물학 실험을 실행하여 조작된 수치를 대체하며, 8차원 품질 채점기 기반의 반복 개선 루프를 통해 논문 품질을 평균 +17.96점 향상시킨다. 다섯 가지 생물정보학 사례 연구에서 범위 외 인용이 없는 제출 형식 PDF를 편당 약 $0.31에 생성하였으며, 인간 검토자 평가에서 평균 7.0/10점을 기록하였다.
Scientific language is a central infrastructure of knowledge production, but it remains unclear whether large language models (LLMs) are altering not only how scientists write, but also how scientific knowledge is communicated and accessed. Here we analyze 21.36 million scientific abstracts published between 2020 and 2024, together with historical records from major journals, to trace recent changes in the language of science. We identify a marked turning point in 2024, when scientific writing shows a sharp increase in lexical complexity alongside a decline in syntactic complexity. This shift is pervasive across disciplines and journal tiers, and is more pronounced in texts by scholars working in non-native English contexts, especially those from language backgrounds that differ more typologically from English. Controlled polishing experiments confirm that LLMs reproduce this pattern by favoring more lexically dense and syntactically compressed expression. We further show why this linguistic shift matters: it may widen the distance between scientific discourse and public-facing language, while also helping scholars in non-native English contexts navigate English-language publishing requirements. These findings suggest that LLMs may broaden participation in scientific authorship while narrowing the accessibility of scientific communication, making them a new force in the linguistic infrastructure of science.
대규모 언어 모델(LLM)은 보조 텍스트에 미묘한 문체적 흔적을 남길 수 있으며, 그 중 가장 많이 언급되는 것이 em-dash(유니코드 U+2014)이다. 그러나 과학 문헌에서 em-dash 사용이 실제로 변화했는지를 측정한 연구는 없었다. 본 연구는 Open Science Framework(HFT8C)에 사전 등록되었으며, 공식 텍스트-및-데이터-마이닝 리소스의 medRxiv 전문 XML 프리프린트 전체 세트를 사용하였다. 주요 코호트는 2020년부터 2025년 사이에 최초 등재된 원본 버전 중 500자 이상의 토론(Discussion) 섹션이 추출 가능한 것들로 구성되었다(N = 69,632). 1차 평가변수는 토론 섹션에 em-dash가 하나 이상 존재하는지 여부였으며, 주요 측정값은 제1저자를 기준으로 군집화된 표준오차를 적용한 로지스틱 모델로 추정한 ChatGPT 등장 이전(2022년 11월 30일 이전)과 이후의 유병률 절대 변화량이었다. 분석 계획(6가지 지지 분석, 6가지 민감도 분석, 2가지 반증 테스트)은 확인적 결과가 산출되기 전에 확정되었다. 토론 섹션에서 em-dash 유병률은 ChatGPT 이전 4.23%에서 이후 11.58%로 상승하여 절대적으로 7.35 퍼센트포인트 증가하였다(95% CI 6.94–7.77; 오즈비 2.96, 95% CI 2.77–3.17). 이 증가는 급격한 급등이 아닌 점진적이고 지연된 가속화 양상을 보였다: 2023년까지는 약 4%, 2024년에는 8.0%, 2025년에는 20.3%를 기록하였다. 이 효과는 모든 실현 가능한 민감도 분석(7.35–7.60 pp)과 두 반증 테스트 모두에서 유지되었다. LLM 이전 시대 내 위약 분할은 유의미한 변화를 보이지 않았고(+0.13 pp, 95% CI –0.33 ~ +0.58), 상투적 섹션에서는 사실상 나타나지 않았다. LLM과 관련된 독립적인 어휘적 지표와 논문 내 섹션 간 비교도 같은 방향을 가리켰다. em-dash는 집단 수준의 지표이지 논문별 LLM 사용 탐지기가 아니며, 이 설계로는 인과관계를 확립할 수 없다. 다만 과학 문헌의 작성 방식에서 2020년대 초에 현저한 변화가 일어났으며, 대략 어느 시기에 그 변화가 시작되었는지를 보여준다.
SciZoom은 NeurIPS·ICLR·ICML·EMNLP 4개 주요 ML 학회 44,946편(2020–2025)을 Pre-LLM·Post-LLM 시대로 나눈 계층적 과학 요약 벤치마크로, Abstract·Contributions·TL;DR 세 수준의 요약 타깃(최대 600:1 압축)을 제공한다. 언어학적 분석에서는 Post-LLM 시기에 관용적 표현이 최대 10배 늘고 완곡 표현(hedging)이 23% 줄어, LLM 보조 집필이 더 자신 있지만 동질화된 학술 문체를 만든다는 점을 보여준다.