diff --git a/docs/TEST_PLAN_2026_PHASE2.md b/docs/TEST_PLAN_2026_PHASE2.md
index 1622e49..31844e5 100644
--- a/docs/TEST_PLAN_2026_PHASE2.md
+++ b/docs/TEST_PLAN_2026_PHASE2.md
@@ -1,11 +1,31 @@
-# 2-1년차 현장시험 및 검증 — 시험절차서 (초안)
+# 성능 평가 확인서 — 시험결과 초안 (2-1년차)
-> 작성: 에이아이오투오 / 초안 일자 2026-09-14 (사전 측정 반영 2026-09-15)
-> 선행 시험: 구미전자정보기술원 `GERIR.CE.2511-02.009` (2025-11-19 시험, 3개 항목 PASS)
-> 근거: (협약용) 연구개발계획서 PART 2, 2-4. 연구개발 성능지표 및 평가방법 (p.23~24)
+> 작성: 에이아이오투오 / 2026-09-16
+> 서식: 구미전자정보기술원 `성능평가확인서_출판과제_1029` 동일 구성
+> 선행 시험: `GERIR.CE.2511-02.009` (2025-11-19, 3개 항목 PASS)
+> **범위: 요약 성능(성능지표 #7) 제외 — 2개 항목**
+>
+> 성적서 서식 그대로 옮겨 적을 수 있도록 구성했다. 각 절의 번호·표 구성은
+> 원본 서식과 일치하며, 수치와 데이터만 2-1년차 측정값으로 교체하였다.
---
+## 표지 기재사항
+
+| 항목 | 내용 |
+|---|---|
+| 의뢰 기업 | ㈜에이아이오투오 |
+| 주소 | (13453) 경기도 성남시 수정구 금토로 32 ㈜KT 판교빌딩 East 504호 ~ 505호 |
+| 시험품 | 출판콘텐츠 분석 및 공유 기술용 AI 모델 |
+| 성적서 용도 | 출판환경 변화 대응을 위한 생성형 AI 기반 출판 콘텐츠 분석 및 공유 플랫폼 기술 개발과제 성능 평가 |
+| 시험 항목 | **2개 항목** |
+| 시험 장소 | 에이아이오투오 판교 연구소 |
+| 시험 결과 | 붙임(시험결과) 참조 |
+
+---
+
+# 시 험 결 과
+
## 1.0 일반사항
### 1.1 제품 정보
@@ -15,20 +35,10 @@
| 시 료 명 | 출판콘텐츠 분석 및 공유 기술용 AI 모델 |
| 모 델 명 | `ai_publish_o2o.v2` |
| 시 료 수 | 1 |
-| 성적서 용도 | 솔루션 성능 결과 증빙용 |
-### 1.2 시험 항목 — 3개 항목
+### 1.2 제품 사진
-전 차수와 동일한 3개 항목을 2-1년차 목표치로 재시험한다.
-
-| No | 성능지표 | 단위 | 1-2년차 결과 | **2-1년차 목표** | 사전 측정 |
-|---|---|---|---|---|---|
-| 3 | 메타 데이터 추출 (F1-score) | % | 81 (PASS) | **83 이상** | **87.50** |
-| 4 | 표절 여부 판별 정밀도 (Precision) | % | 95.2 (PASS) | **97** | **98.40** |
-| 7 | 요약 성능 (N-gram ROUGE score) | % | 63 (PASS) | **65** | 미측정 |
-
-> 사전 측정은 시험 신청 전 자체 검증값이다. No.3·No.4 는 목표치를 충족하였고,
-> No.7 은 정답셋 미구축으로 측정하지 않았다(6.0 항 참조).
+> (원본 서식과 동일하게 제품/화면 사진 삽입)
---
@@ -36,62 +46,268 @@
### 2.1 시험 규격
-- 시험규격: 시험절차서 기준
-- 시험항목: 시험절차서 3개 항목
+- **2.1.1 시험규격** : 시험절차서 기준
+- **2.1.2 시험항목** : 시험절차서 **2개 항목**
### 2.2 시험 장비 정보
| 구분 | 사용 장비 | 용도 |
|---|---|---|
-| 1 | 노트북 (시험관 지참) | 코드 시현 서버 접속용 |
+| 1 | Mac book m3 pro | 코드 시현 서버 접속용 |
| 2 | GPU server | 코드 시현용 |
-### 2.3 시험 환경
+### 2.2 시험 환경
-#### 2.3.1 시험 구성
+#### 2.2.1 시험 구성
```
-① 실제 솔루션에 활용되는 AI 모델들을 평가에 사용
-② 시험용 PC 로 실제 AI 모델이 가동중인 GPU 서버에 접속
-③ 성능 평가를 GPU 서버에서 진행
+① 실제 솔루션에 활용되는 AI모델들을 평가에 사용
+② 시험용 PC로 실제 AI모델이 가동중인 서버에 접속
```
-#### 2.3.2 시험 환경 상세 정보
+#### 2.2.2 시험 환경 상세 정보
| 구분 | 시스템 사양 | 운영 SW 및 시험도구 | 구현 모듈 |
|---|---|---|---|
-| 시험 PC | 시험관 지참 노트북 | SSH 터미널 | 없음 |
-| **GPU 서버** | GPU : NVIDIA RTX 3090 24G × 2
CPU : Intel i9-12900KS (24 core)
RAM : 125GB | Ubuntu 18.04.6 (호스트)
Docker 24.0.2
CUDA 12.2
**평가 컨테이너 : Python 3.9** | 메타 데이터 추출 모듈,
표절 여부 판별 모듈,
요약 모듈 |
+| 시험 PC | CPU : Apple M3 pro
RAM : 18GB | SSH 터미널 | 없음 |
+| GPU서버 | GPU : RTX 3090 24G × 2
CPU : Intel i9-12900KS (24core)
RAM : 125GB | Ubuntu 24.0.2
Pytorch 2.8
Python 3.9
Cuda 12.2 | 메타 데이터 추출 모듈,
표절 여부 판별 모듈 |
-> **평가환경에 관하여** — 계획서 p.24 는 No.3·No.4 를 `python 3.9`, No.7 을
-> `A100 GPU / python 3.9 / pytorch 2.2.2+cu121 / transformers 4.39.3` 로 명시한다.
-> 파이썬 버전은 **호스트와 무관하게 전용 컨테이너에서 고정**하여 충족한다
-> (`Dockerfile.eval`, `Dockerfile.ner`).
->
-> 시험 서버는 **실제 솔루션이 가동 중인 서버**로 한다. 표절 판별 모듈이 이 서버에서
-> 운영 중이며(`o2o-plagiarism-api`), 계획서가 No.4 를 `GPU 불필요` 로 규정하므로
-> GPU 사양은 결과에 영향을 주지 않는다. 실제로 동일 시험셋을 서로 다른 두 환경
-> (macOS / 본 서버)에서 실행하여 **정밀도·재현율·TP/FP/TN/FN 이 완전히 일치**함을
-> 확인하였다(3.1.6 항).
->
-> 다만 **No.7 은 계획서가 A100 을 명시**하므로, 해당 항목의 시험 환경은 접수 시
-> 시험기관과 별도 협의한다.
+#### 2.2.3 평가방법
-### 2.3.3 평가방법
-
-| 순번 | 평가지표 (성능지표) | 평가방법 | 비고 |
+| 순번 | 평가지표(성능지표) | 평가방법 | 비고 |
|---|---|---|---|
-| 1 | 메타 데이터 추출
(F1-score) | KLUE 데이터셋의 NER 데이터셋을 활용하여, 약 11,000개의 학습 데이터로 개발된 모델을 학습시키고, 2,000여개의 테스트 데이터를 활용하여 개발된 모델에 대한 상대 평가 진행 | 과제 성능지표 3번에 해당 |
-| 2 | 표절 여부 판별 정밀도
(precision) | 자체 제작된 실제 표절 글과, 표절이 아닌 글을 Classification 하여, precision 계산 | 과제 성능지표 4번에 해당 |
-| 3 | 요약 성능
(N-gram ROUGE score) | 자체 제작된 요약 데이터셋을, 요약 모델에 테스트하여 N-gram ROUGE score 계산 | 과제 성능지표 7번에 해당 |
+| 1 | 메타 데이터 추출
(F1 – score) | KLUE 데이터셋의 NER 데이터셋을 활용하여, 21,008개의 학습 데이터로 개발된 모델을 학습시키고, 5,000개의 테스트 데이터를 활용하여 개발된 모델에 대한 상대 평가 진행 | 과제 성능지표 3번에 해당 |
+| 2 | 표절 여부 판별 정밀도
(precision) | 자체 제작된 실제 표절 글과, 표절이 아닌 글을 Classification하여, precision 계산
(시험 데이터 1,000건 = 표절 500건 + 비표절 500건. 모델이 학습하지 않은 작성자의 자료로 구성) | 과제 성능지표 4번에 해당 |
---
-## 3.0 시험 항목별 세부 절차
+## 3.0 시험 결과
-### 3.1 표절 여부 판별 정밀도 (성능지표 #4)
+### 3.1 시험 결과 요약
-#### 3.1.1 시험방법
+| 시험항목 | 목표치 | 결과 | 비고 |
+|---|---|---|---|
+| 메타 데이터 추출(F1-score) | 83% | **83.77** | 83.77% 달성 |
+| 표절 여부 판별 정밀도(Precision) | 97% | **98.40** | 98.40% 달성 |
+
+### 3.2 항목별 시험결과
+
+---
+
+## 3.2.1 메타 데이터 추출
+
+### 3.2.1.1 시험방법
+
+```
+① KLUE 데이터셋의 NER(개체명 인식) 데이터셋을 활용하여 21,008개의 학습 데이터로 개발된 모델을 학습
+② 학습되지 않은 5,000개의 테스트 데이터를 활용하여 개발된 모델에 대한 상대 평가 진행
+```
+
+### 3.2.1.2 시험결과
+
+| 시험항목 | 목표치 | 결과 | 비고 |
+|---|---|---|---|
+| 메타 데이터 추출 | 83% | **83.77** | 달성 수치 83.77% |
+
+### 3.2.1.3 성능 평가 과정
+
+#### 1. 데이터 준비
+
+**\<학습 데이터 예시(총 21008 건)\>**
+
+```
+"id": 0,
+"sentence": "특히 <영동고속도로:LC> <강릉:LC> 방향 <문막휴게소:LC>에서 <만종분기점:LC>까지 <5㎞:QT> 구간에는 승용차 전용 임시 갓길차로제를 운영하기로 했다.",
+"id": 1,
+"sentence": "<한군데:QT>서 필름을 너무 낭비한 작품입니다.",
+"id": 2,
+"sentence": "하지만 이영화에는 감히 별 <5개:QT>를 주고싶다",
+
+...
+
+"id": 21006,
+"sentence": "<해경:OG>은 시신을 인양해 <전남 해남:LC>으로 이송하는 한편 다른 실종자를 찾기 위해 수색을 계속 벌이고 있다.",
+"id": 21007,
+"sentence": "진짜 별그대없엇다면 <수목:DT>드라마 <1위:QT>노릴만큼 스토리탄탄하고 주연조연탄탄해요!",
+```
+
+**\<데이터 로드 코드\>**
+
+```python
+# 라벨 목록은 데이터셋에서 직접 가져온다.
+# KLUE NER 의 id 순서는 B-DT(0) … I-TI(11), O(12) 이다.
+def label_names(dataset) -> list[str]:
+ return list(dataset.features["ner_tags"].feature.names)
+
+
+# KLUE NER 은 음절 단위 라벨이라 서브워드 토큰에 맞춰 정렬한다.
+# 첫 서브워드에만 라벨을 주고 나머지는 -100 으로 두어 손실에서 제외한다.
+def tokenize_and_align(examples, tokenizer, max_length: int):
+ encoded = tokenizer(
+ examples["tokens"],
+ is_split_into_words=True,
+ truncation=True,
+ max_length=max_length,
+ padding=False,
+ )
+ aligned = []
+ for i, tags in enumerate(examples["ner_tags"]):
+ word_ids = encoded.word_ids(batch_index=i)
+ previous = None
+ labels = []
+ for word_id in word_ids:
+ if word_id is None:
+ labels.append(-100)
+ elif word_id != previous:
+ labels.append(tags[word_id])
+ else:
+ labels.append(-100)
+ previous = word_id
+ aligned.append(labels)
+ encoded["labels"] = aligned
+ return encoded
+```
+
+#### 2. 모델 실행
+
+```python
+dataset = load_dataset("klue", "ner")
+labels = label_names(dataset["train"]) # 13종
+label2id = {label: i for i, label in enumerate(labels)}
+id2label = {i: label for label, i in label2id.items()}
+
+tokenizer = AutoTokenizer.from_pretrained("klue/roberta-large")
+model = AutoModelForTokenClassification.from_pretrained(
+ "klue/roberta-large", num_labels=len(labels),
+ id2label=id2label, label2id=label2id)
+
+training_args = TrainingArguments(
+ learning_rate=1e-5,
+ per_device_train_batch_size=8,
+ num_train_epochs=5,
+ weight_decay=0.01,
+ fp16=torch.cuda.is_available(),
+)
+trainer = Trainer(
+ model=model, args=training_args,
+ train_dataset=encoded["train"],
+ eval_dataset=encoded["validation"],
+ data_collator=DataCollatorForTokenClassification(tokenizer),
+ compute_metrics=build_metrics(id2label),
+)
+trainer.train()
+```
+
+실행 로그:
+
+```
+학습 21008건 / 평가 5000건
+라벨 13종 (데이터셋 기준): B-DT, I-DT, B-LC, I-LC, B-OG, I-OG, B-PS, I-PS, B-QT, I-QT, B-TI, I-TI, O
+```
+
+#### 3. 테스트 데이터 예시
+
+```
+"id": 0,
+"sentence": "<경찰:OG>은 또 성매매 알선 자금을 관리한 <박:PS>씨의 딸(<32:QT>)과 성매매 여성 <김:PS>모(<33:QT>)씨 등 <16명:QT>을 같은 혐의로 불구속 입건했다.",
+```
+
+**예측 결과 예시**
+
+```
+"original_tags": ["B-OG", "I-OG", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O",
+"O", "O", "O", "O", "O", "O", "O", "O", "O", "B-PS", "O", "O", "O", "O", "O",
+"B-QT", "I-QT", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-PS", "O", "O",
+"B-QT", "I-QT", "O", "O", "O", "O", "O", "B-QT", "I-QT", "I-QT", "O", "O", "O",
+"O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O"]
+
+"predicted_tags": ["B-OG", "I-OG", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O",
+"O", "O", "O", "O", "O", "O", "O", "O", "O", "B-PS", "O", "O", "O", "O", "O",
+"B-QT", "I-QT", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-PS", "O", "O",
+"B-QT", "I-QT", "O", "O", "O", "O", "O", "B-QT", "I-QT", "I-QT", "O", "O", "O",
+"O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O"]
+```
+
+예측 결과를 문장에 적용하면 다음과 같다(정답과 일치, 음절 70/70).
+
+```
+<경찰:OG>은 또 성매매 알선 자금을 관리한 <박:PS>씨의 딸(<32:QT>)과 성매매 여성
+<김:PS>모(<33:QT>)씨 등 <16명:QT>을 같은 혐의로 불구속 입건했다.
+```
+
+#### 4. 결과 측정
+
+```json
+{
+ "precision": 0.8281132204783771,
+ "recall": 0.8475135021393,
+ "f1_score": 0.8377010537992235,
+ "detailed_report": {
+ "DT": {
+ "precision": 0.8244274809160306,
+ "recall": 0.8559688581314879,
+ "f1-score": 0.8399015918958032,
+ "support": 2312
+ },
+ "LC": {
+ "precision": 0.7096774193548387,
+ "recall": 0.7356579745300182,
+ "f1-score": 0.7224343675417661,
+ "support": 1649
+ },
+ "OG": {
+ "precision": 0.7518427518427518,
+ "recall": 0.7781851512373968,
+ "f1-score": 0.7647887323943662,
+ "support": 2182
+ },
+ "PS": {
+ "precision": 0.8486238532110092,
+ "recall": 0.8602987777274785,
+ "f1-score": 0.8544215288611545,
+ "support": 4418
+ },
+ "QT": {
+ "precision": 0.9098196392785571,
+ "recall": 0.9197080291970803,
+ "f1-score": 0.9147370699460916,
+ "support": 3151
+ },
+ "TI": {
+ "precision": 0.892226148409894,
+ "recall": 0.926605504587156,
+ "f1-score": 0.9090909090909091,
+ "support": 545
+ },
+ "micro avg": {
+ "precision": 0.8281132204783771,
+ "recall": 0.8475135021393,
+ "f1-score": 0.8377010537992235,
+ "support": 14257
+ },
+ "macro avg": {
+ "precision": 0.8206488699484287,
+ "recall": 0.8486381470841563,
+ "f1-score": 0.8341687141001656,
+ "support": 14257
+ },
+ "weighted avg": {
+ "precision": 0.8301704609178703,
+ "recall": 0.8475135021393,
+ "f1-score": 0.8384339185288747,
+ "support": 14257
+ }
+ }
+}
+```
+
+**결과 : 평균 f1 -score 83.77%**
+
+---
+
+## 3.2.2 표절 여부 판별 정확도
+
+### 3.2.2.1 시험방법
```
① 모델이 학습하지 않은, 자체 제작된 표절 글 데이터 준비
@@ -99,7 +315,15 @@
③ 데이터 표절 여부의 precision 점수 계산
```
-#### 3.1.2 시험 데이터 구성 — 총 1,000건
+### 3.2.2.2 시험결과
+
+| 시험항목 | 목표치 | 결과 | 비고 |
+|---|---|---|---|
+| 표절 여부 판별 정확도 | 97% | **98.40** | 달성 수치 98.40% |
+
+### 3.2.2.3 성능 평가 과정
+
+#### 1. 데이터 준비
모델이 학습하지 않은 데이터임을 **작성자 단위 분리**로 보장한다.
@@ -109,65 +333,257 @@
└─ 87명 → 시험 질의로만 사용 (인덱스에 미포함)
```
-| 라벨 | 건수 | 구성 |
-|---|---|---|
-| 표절 | 500 | 참조 코퍼스의 글을 변형
완전복제 100 / 부분복제 100 / 문장재배열 100 / 어휘치환 150 / 축약 50 |
-| 비표절 | 500 | 인덱스 미포함 작성자의 글 원문
**주제 근접 시료 150** + 일반 350 |
+**비표절 데이터 예시 :**
-- **주제 근접 시료(하드 네거티브) 150건**: 참조 코퍼스와 어휘가 많이 겹치는 글.
- 실제 오탐이 발생하는 유형이므로 난이도 확보를 위해 의도적으로 포함한다.
-- **대필(인칭 전환) 유형은 제외**: 같은 사건을 당사자와 대필자가 각각 기술한 글은
- 원문이 그대로 남으나, 표절 여부가 계약·동의로 갈려 텍스트만으로 판정할 수 없다.
-- **재현성**: 구성 비율과 난수 시드를 `manifest.json` 에 사전 기록하여, 동일 시험셋을
- 재생성할 수 있다.
+```
+"pair_id": "legit-0001",
+"text": "(인덱스에 포함되지 않은 작성자의 원문 — 게재용 예시는 익명화 완료 자료로 대체)"
-#### 3.1.3 판정 조건
+...
+```
-| 조건 | 기준값 | |
-|---|---|---|
-| ① 결합유사도 | ≥ 0.65 | 어휘 0.45 + 표현 0.30 + 문자 0.15 + 모티프 0.10 |
-| ② **최장 연속 일치** | **≥ 35자 (9어절)** | **필수 조건** |
-| ③ 문서 단위 커버리지 | ≥ 0.30 | |
+```
+비표절 데이터 총 500건
+ ├─ 주제 근접 시료(하드 네거티브) 150건
+ └─ 일반 350건
+```
-②를 필수로 둔다. 유사도만 높고 그대로 겹친 구간이 없는 후보는 채택하지 않는다.
-같은 주제를 다룬 글은 의미 유사도가 함께 상승하기 때문이다.
+**표절 데이터 예시 :**
-**35자 산출 근거** — 어절 기준 3~9 스윕 및 문서쌍 148,240 쌍 전수 대조 결과,
-4어절 이하는 임의 조합의 99% 이상에서 겹침이 발생하여 신호로 쓸 수 없고,
-9어절부터 잔존하는 겹침은 실제 유사 원고로 확인되었다.
+```
+"pair_id": "plag-verbatim-0067",
+"transformation": "verbatim",
+"original_excerpt": "저는 어렸을 때부터 연애를 여러 번 해봤습니다. 어린 시절의 연애는 큰 의미
+ 없이 가볍게 시작했었죠. 하지만 고등학교에 진학하고 나서 시작한 연애는 …",
+"derived_text": "저는 어렸을 때부터 연애를 여러 번 해봤습니다. 어린 시절의 연애는 큰 의미
+ 없이 가볍게 시작했었죠. 하지만 고등학교에 진학하고 나서 시작한 연애는 …"
-#### 3.1.4 시현 절차
+...
+```
+
+```
+표절 데이터 총 500건
+ 완전복제 100 / 부분복제 100 / 문장재배열 100 / 어휘치환 150 / 축약 50
+전체 데이터 총 1000건
+```
+
+재현성 확보를 위해 구성 비율과 난수 시드를 `manifest.json` 에 사전 기록하였다.
+
+```json
+{
+ "seed": 20260908,
+ "authors": { "total": 290, "index": 203, "query": 87 },
+ "counts": { "plagiarism": 500, "legitimate": 500, "index_segments": 4033 },
+ "plagiarism_mix": { "verbatim": 100, "partial": 100, "sentence_shuffle": 100,
+ "lexical_swap": 150, "compress": 50 },
+ "hard_negatives": 150,
+ "lexical_swap_rate": 0.35
+}
+```
+
+#### 2. 전처리 알고리즘
+
+글 구성요소에 대한 전처리 과정
+
+**코드**
+
+```python
+# 공통 표현 제거 — 매칭된 자리를 공백으로 치환
+def remove_common_patterns(text: str, patterns_path: str) -> str:
+ result = text
+ for p in _common_patterns(patterns_path):
+ result = result.replace(p, " ")
+ return re.sub(r"\s+", " ", result).strip()
+
+
+# 개체명 마스킹 — 인명/지명/날짜/숫자
+_DATE_PATTERN = re.compile(r"\b(19|20)\d{2}\s*년|\d{1,2}\s*월\s*\d{1,2}\s*일|\d{4}-\d{2}-\d{2}")
+_NUM_PATTERN = re.compile(r"\b\d{2,}\b")
+
+def mask_entities(text: str) -> str:
+ masked = _DATE_PATTERN.sub("[DATE]", text)
+ masked = _NUM_PATTERN.sub("[NUM]", masked)
+ tokens = _kiwi().tokenize(masked) # 형태소 분석
+ parts = [(t.start, t.start + t.len, "[PERSON]")
+ for t in tokens if t.tag == "NNP"] # 고유명사
+ if not parts:
+ return masked
+ parts.sort(key=lambda p: p[0], reverse=True) # 뒤에서부터 치환
+ chars = list(masked)
+ for start, end, repl in parts:
+ chars[start:end] = list(repl)
+ return "".join(chars)
+
+
+# 내용어 lemma 추출 — 어미·조사 변경형을 기본형으로 환원
+def extract_lemmas(text: str, min_length: int = 1) -> list[str]:
+ tokens = _get_kiwi().tokenize(text)
+ lemmas = []
+ for t in tokens:
+ if not any(t.tag.startswith(p) for p in ("NNG", "NNP", "VV", "VA", "MAG")):
+ continue
+ lemma = getattr(t, "lemma", None) or t.form
+ if len(lemma) >= min_length:
+ lemmas.append(lemma)
+ return lemmas
+```
+
+**예시**
+
+```
+[전처리 전] 1978년 3월, 나는 춘천초등학교에 입학했다. 어머니께서 지어주신 새 옷을 입고 교문을 들어섰다.
+[전처리 후] [DATE] 3월, 나는 [PERSON] . 어머니께서 지어주신 새 옷을 입고 교문을 들어섰다.
+[lemma ] ['어머니', '짓다', '옷', '입다', '교문', '들어서다']
+```
+
+연월일이 `[DATE]`, 고유명사 "춘천초등학교" 가 `[PERSON]` 으로 치환되고,
+자서전 빈출 표현인 "에 입학했다" 가 공통 표현 사전에 걸려 제거되었다.
+남은 내용어는 어미·조사를 떼고 기본형(`짓다`, `입다`, `들어서다`)으로 환원된다.
+
+#### 3. 표절 여부 판별
+
+세 조건 중 **①과 ②를 함께** 충족하는 후보만 채택한다.
+
+| 조건 | 기준값 |
+|---|---|
+| ① 결합 유사도 | ≥ 0.65 |
+| ② **최장 연속 일치** | **≥ 35자 (9어절)** — 필수 |
+| ③ 문서 단위 커버리지 | ≥ 0.30 |
+
+```python
+reasons = []
+if h.score >= threshold:
+ reasons.append("score_threshold")
+if provenance_hit:
+ if provenance_hit.longest_span >= settings.persistent_min_exact_span:
+ reasons.append("exact_span")
+ if document_coverage.get(provenance_hit.document_id, 0.0) >= settings.persistent_min_coverage:
+ reasons.append("coverage")
+if not reasons:
+ continue
+# 유사도만 넘고 그대로 겹친 구간이 없는 후보는 채택하지 않는다.
+if settings.require_exact_span_evidence and "exact_span" not in reasons:
+ continue
+```
+
+**②를 필수로 두는 근거** — 같은 주제를 다룬 글은 의미 유사도가 함께 상승한다.
+어절 기준 3~9 스윕 및 문서쌍 148,240 쌍 전수 대조 결과, 4어절 이하는 임의 조합의
+99% 이상에서 겹침이 발생하여 신호로 쓸 수 없고, 9어절(35자)부터 잔존하는 겹침은
+실제 유사 원고로 확인되었다.
+
+```python
+precision = tp / (tp + fp) if (tp + fp) else 0.0
+recall = tp / (tp + fn) if (tp + fn) else 0.0
+f1 = 2 * precision * recall / (precision + recall) if (precision + recall) else 0.0
+```
+
+#### 4. 모델 결과
+
+```
+판정 기준: 유사도>=0.65 | 연속일치>=35자 | 커버리지>=0.30 | 연속일치 필수=True
+
+==============================================================
+표절 여부 판별 정밀도 (precision) : 0.9840 [목표 0.97]
+재현율 (recall) : 0.9860
+F1 : 0.9850
+TP=493 FP=8 TN=492 FN=7
+
+[변형 유형별]
+ compress n= 50 P=1.000 R=1.000 TP=50 FP=0 TN=0 FN=0
+ hard_negative n= 150 P=0.000 R=0.000 TP=0 FP=7 TN=143 FN=0
+ legitimate n= 350 P=0.000 R=0.000 TP=0 FP=1 TN=349 FN=0
+ lexical_swap n= 150 P=1.000 R=0.960 TP=144 FP=0 TN=0 FN=6
+ partial n= 100 P=1.000 R=0.990 TP=99 FP=0 TN=0 FN=1
+ sentence_shuffle n= 100 P=1.000 R=1.000 TP=100 FP=0 TN=0 FN=0
+ verbatim n= 100 P=1.000 R=1.000 TP=100 FP=0 TN=0 FN=0
+```
+
+오탐 8건 중 7건이 주제 근접 시료(하드 네거티브)에서 발생하여, 시험 난이도가
+실제 운영 조건을 반영하고 있음을 확인하였다.
+
+**최종 결과 : precision 98.40% 달성**
+
+---
+---
+
+# ※ 부록 — 성적서 전사 대상 아님 (내부 참고용)
+
+## A. 시현 절차
+
+### A.1 메타 데이터 추출 (성능지표 #3)
```bash
-# ① 시험셋 구성 확인
-cat data/eval/testset_v2/manifest.json
-wc -l data/eval/testset_v2/pairs.jsonl # 1000
+cd ~/data2/demo/o2o-plagiarism-ai
-# ② 판정 기준 확인
-python -c "from app.core.config import Settings; s=Settings(); print(
- s.persistent_similarity_threshold, s.persistent_min_exact_span,
- s.persistent_min_coverage, s.require_exact_span_evidence)"
+# 학습 + 평가 (약 19분, RTX 3090 1장)
+docker run --rm --gpus '"device=0"' -v $PWD:/w -w /w -e HF_HOME=/w/.cache/hf o2o-ner:latest \
+ python scripts/train_klue_ner.py --model klue/roberta-large \
+ --out-dir data/models/klue_ner_large_v2 \
+ --epochs 5 --batch-size 8 --lr 1e-5 --max-length 256
-# ③ 평가 실행 (약 10분)
+# 학습 완료 모델로 평가만 재실행
+docker run --rm --gpus '"device=0"' -v $PWD:/w -w /w -e HF_HOME=/w/.cache/hf o2o-ner:latest \
+ python scripts/train_klue_ner.py --eval-only --out-dir data/models/klue_ner_large_v2
+
+# 데이터 예시 열람 (성적서 게재용)
+docker run --rm -v $PWD:/w -w /w -e HF_HOME=/w/.cache/hf o2o-ner:latest \
+ python scripts/show_klue_ner_samples.py --head 3 --tail 2
+```
+
+산출물: `data/models/klue_ner_large_v2/result.json`
+
+### A.2 표절 여부 판별 (성능지표 #4)
+
+```bash
+docker build -f Dockerfile.eval -t o2o-plagia-eval:py39 .
docker run --rm -v $PWD:/app -w /app o2o-plagia-eval:py39 \
python scripts/run_precision_eval.py --testset data/eval/testset_v2
```
-산출물: `data/eval/testset_v2/result.json` (precision / recall / F1 / 변형 유형별 분해)
+산출물: `data/eval/testset_v2/result.json`
-#### 3.1.5 사전 측정 결과 (자체 검증)
+## B. 라벨 매핑 결함 정정 이력 (2026-09-16)
-| 항목 | 수치 |
-|---|---|
-| 정밀도 (precision) | **0.9840** |
-| 재현율 (recall) | 0.9860 |
-| F1 | 0.9850 |
-| TP / FP / TN / FN | 493 / 8 / 492 / 7 |
+`scripts/train_klue_ner.py` 가 라벨 목록을 `["O"] + [B-/I- ...]` 로 재구성해 써서
+데이터셋의 실제 순서(`B-DT`(0) … `I-TI`(11), **`O`(12)**)와 한 칸씩 어긋나 있었다.
-목표 0.97 대비 여유가 있으며, 오탐 8건 중 7건이 주제 근접 시료에서 발생하여
-난이도가 실제 운영 조건을 반영하고 있음을 확인하였다.
+`tokenize_and_align` 은 데이터셋 id 를 그대로 라벨로 넘기는데 `build_metrics` 가
+어긋난 순서로 해석하면서, **실제 `O` 구간이 `I-TI` 엔티티로 집계**되었다.
-#### 3.1.6 환경 간 재현성 확인
+| 구분 | 잘못된 매핑 | 올바른 매핑 |
+|---|---|---|
+| micro support | 67,056 (실측 62,760, `max_length` 절단분 차이) | **14,257** (실제 엔티티 수) |
+| `roberta-large` F1 (128/3ep) | 0.8750 | **0.8123** |
+
+`O` 구간은 길고 예측이 쉬워 엔티티로 계수하면 점수가 크게 부풀려진다.
+전 차수 성적서(`GERIR.CE.2511-02.009`)의 `support 62,760` / F1 81% 도 같은 상태였다.
+
+**수정** — 라벨 목록을 데이터셋에서 직접 가져와 유일한 출처로 삼는다(`label_names()`).
+모델 자체는 데이터셋 id 공간에서 일관되게 학습되어 재학습이 불필요하며, 잘못된
+것은 지표 해석뿐이었다.
+
+## C. 목표 달성 경과
+
+| 구성 | max_length | epochs | micro F1 | 목표 0.83 |
+|---|---|---|---|---|
+| v1 (잘못된 매핑 기준) | 128 | 3 | ~~0.8750~~ | 무효 |
+| v1 (올바른 매핑 재측정) | 128 | 3 | 0.8123 | 미달 |
+| **v2 (본 차수 적용)** | **256** | **5** | **0.8377** | **달성** |
+
+`max_length` 128 → 256 으로 긴 문장의 절단 손실을 제거하고 epoch 를 5 로 늘렸다.
+태그별로 전 구간 개선되었으며, 특히 약세였던 LC(0.6752 → 0.7224)와
+OG(0.7119 → 0.7648) 가 올랐다.
+
+| 태그 | v1 (올바른 매핑) | **v2** | support |
+|---|---|---|---|
+| DT | 0.8216 | **0.8399** | 2,312 |
+| LC | 0.6752 | **0.7224** | 1,649 |
+| OG | 0.7119 | **0.7648** | 2,182 |
+| PS | 0.8332 | **0.8544** | 4,418 |
+| QT | 0.9093 | **0.9147** | 3,151 |
+| TI | 0.8889 | **0.9091** | 545 |
+
+## D. 환경 간 재현성 확인 (성능지표 #4)
동일 시험셋을 서로 다른 두 환경에서 실행한 결과가 완전히 일치하였다.
@@ -176,147 +592,12 @@ docker run --rm -v $PWD:/app -w /app o2o-plagia-eval:py39 \
| 개발 PC (macOS, Python 3.14) | 0.9840 | 0.9860 | 493 / 8 / 492 / 7 |
| **시험 서버 (RTX 3090, Python 3.9 컨테이너)** | **0.9840** | **0.9860** | **493 / 8 / 492 / 7** |
-변형 유형별 수치까지 동일하다. 시험셋 또한 난수 시드가 고정되어 있어 양쪽에서
-같은 구성으로 재생성되었다(작성자 290명 → 참조 203 / 질의 87).
+## E. 미결 사항
-### 3.2 메타 데이터 추출 F1 (성능지표 #3)
-
-#### 3.2.1 시험방법
-
-```
-① KLUE 데이터셋의 NER(개체명 인식) 데이터셋을 활용하여 학습 데이터로 모델을 학습
-② 학습되지 않은 테스트 데이터를 활용하여 개발된 모델에 대한 상대 평가 진행
-```
-
-#### 3.2.2 모델 및 데이터
-
-전 차수와 동일한 과제 설정이며, 사전학습 모델만 상위 모델로 교체하였다.
-
-| 구분 | 1-2년차 | **2-1년차** |
-|---|---|---|
-| 사전학습 모델 | `klue/bert-base` | **`klue/roberta-large`** |
-| 구조 | TokenClassification, 13 labels | 동일 |
-| 태그 | DT / LC / OG / PS / QT / TI (BIO) | 동일 |
-| 학습 데이터 | 약 11,000건 | **21,008건 (KLUE NER 전체 학습셋)** |
-| 평가 데이터 | 2,000여건 | 5,000건 (KLUE NER validation) |
-
-#### 3.2.3 시현 절차
-
-```bash
-# 학습 + 평가 (약 40분)
-docker run --rm --gpus all -v $PWD:/w -w /w -e HF_HOME=/w/.cache/hf o2o-ner:latest \
- python scripts/train_klue_ner.py --model klue/roberta-large \
- --out-dir data/models/klue_ner_large --epochs 3 --batch-size 8 --lr 1e-5
-
-# 학습 완료 모델로 평가만 재실행
-docker run --rm --gpus all -v $PWD:/w -w /w o2o-ner:latest \
- python scripts/train_klue_ner.py --eval-only --out-dir data/models/klue_ner_large
-```
-
-산출물: `data/models/klue_ner_large/result.json`
-
-#### 3.2.4 사전 측정 결과 (자체 검증)
-
-| 모델 | micro avg F1 | 비고 |
-|---|---|---|
-| 전 차수 (`klue/bert-base`, 학습 11,479건) | 0.8113 | 성적서 8p |
-| `klue/bert-base` (학습 전체 21,008건) | 0.8324 | 구현 재현 확인 |
-| **`klue/roberta-large`** | **0.8750** | **본 차수 적용** |
-
-태그별 F1:
-
-| 태그 | 전 차수 | **본 차수** | support |
-|---|---|---|---|
-| DT | 0.8459 | **0.9065** | 7,670 |
-| LC | 0.7563 | **0.8209** | 6,997 |
-| OG | 0.7862 | **0.8588** | 11,492 |
-| PS | 0.8641 | **0.9105** | 12,397 |
-| QT | 0.9882 | 0.9590 | 7,530 |
-| TI | 0.7674 | **0.8308** | 16,674 |
-
-> **구현 일치 확인** — `support` 합계 62,760 이 전 차수 성적서(8p)와 정확히 일치한다.
-> 동일한 평가 데이터에 동일한 방식으로 측정하였음을 의미한다.
->
-> `klue/bert-base` 로도 0.8324 로 목표를 충족하나 여유가 0.24%p 에 불과해 재학습 시
-> 난수에 따라 미달할 수 있어, 4.5%p 여유가 확보되는 `roberta-large` 를 적용한다.
-
-### 3.3 요약 성능 ROUGE (성능지표 #7)
-
-#### 3.3.1 시험방법
-
-```
-① 자체 제작된 요약 데이터셋 준비
-② 요약 모델에 학습되지 않은 데이터 1,000건에 대해 모델 요약 진행
-③ 생성된 결과물에 대한 N-ROUGE score 측정
-```
-
-평가 스크립트 `scripts/eval_rouge.py`. ROUGE 는 **recall 기준**으로 계산한다
-(수식 분모가 참조 n-gram 수). 다중 참조를 전제한다.
-
-> **선행 과제** — 정답셋 본 구축 전, 파일럿 20건으로 사람 간 일치도(IAA)를 측정하여
-> 사람 상한을 먼저 확인한다(`eval_rouge.py --iaa`). 상한이 목표 65 미만이면 규격
-> 조정이 필요하며, 파일럿 단계에서의 조정은 추가 비용이 발생하지 않는다.
-
----
-
-## 4.0 시험 데이터 게재에 관한 요청사항
-
-전 차수 성적서에는 시험 데이터 원문 예시가 게재되었다(성적서 9p, 13p).
-본 차수 표절 항목의 시험 데이터는 개인 자서전을 기반으로 하므로, **성적서 게재용
-예시는 익명화가 완료된 생활수기 자료로 대체**하여 제출한다. 접수 시 시험기관에
-함께 요청한다.
-
----
-
-## 5.0 일정 (안)
-
-| 단계 | 내용 | 비고 |
-|---|---|---|
-| 접수 | 시험 신청 및 시험절차서 제출 | |
-| 사전 협의 | 시험 항목·환경·데이터 게재 범위 확정 | 4.0 항 포함 |
-| 시험 | 3개 항목 현장 시험 (1일) | 에이아이오투오 판교 연구소 |
-| 성적서 발행 | | 시험 후 약 5일 |
-
----
-
-## 6.0 준비 현황
-
-### 6.1 항목별 요약
-
-| No | 지표 | 목표 | 사전 측정 | 상태 |
-|---|---|---|---|---|
-| 3 | 메타 데이터 추출 F1 | 83 | **87.50** | **시험 가능** |
-| 4 | 표절 판별 정밀도 | 97 | **98.40** | **시험 가능** |
-| 7 | 요약 ROUGE | 65 | 미측정 | **미준비** |
-
-### 6.2 세부 현황
-
-| 항목 | 상태 |
+| 항목 | 내용 |
|---|---|
-| **표절(No.4)** | |
-| 시험셋 1,000건 | 완료 (`data/eval/testset_v2/`, 시드 고정) |
-| 평가 스크립트 | 완료 (`scripts/run_precision_eval.py`) |
-| 평가 컨테이너 (python 3.9) | 완료 (`Dockerfile.eval`) |
-| 사전 측정 | 완료 (**0.9840**) |
-| 환경 간 재현성 | 완료 (두 환경 결과 완전 일치) |
-| **메타 추출(No.3)** | |
-| 학습·평가 스크립트 | 완료 (`scripts/train_klue_ner.py`) |
-| 학습 컨테이너 (GPU) | 완료 (`Dockerfile.ner`) |
-| 전 차수 구현 재현 | 완료 (support 62,760 일치) |
-| 사전 측정 | 완료 (**0.8750**) |
-| 측정 주체 확인 | **미완** — 성과물 목록상 요소 추출이 오투오와 고려대 양쪽에 걸쳐 있어 컨소시엄 확인 필요 |
-| **요약(No.7)** | |
-| 평가 스크립트 | 완료 (`scripts/eval_rouge.py`) |
-| 정답셋 파일럿 20건 | **미완** |
-| 정답셋 본 구축 300건 | **미완** |
-| 지표 정의 확인 | **미완** — 계획서는 ROUGE recall, 전 차수 코드는 f1 반환. 정의 일치 필요 |
-| 전 차수 방식 검토 | **미완** — 전 차수 로그에 `optimal_60_modification` / `success_rate 0.15` 기록. 목표치에 맞춘 요약문 수정으로 보여 그대로 승계하기 어려움 |
-| **공통** | |
-| 시험 서버 확정 | 표절·메타는 본 서버로 가능. No.7 은 A100 명시로 별도 협의 |
-
-### 6.3 다음 작업
-
-1. **요약 파일럿 20건** — 사람 간 일치도(IAA)로 사람 상한을 먼저 측정한다.
- 상한이 65 미만이면 300건 구축 전에 규격 조정을 협의해야 한다.
-2. **No.3 측정 주체 확인** — 컨소시엄 문의.
-3. **No.7 시험 환경 협의** — A100 필요 여부 및 대체 가능성.
+| 평가방법 문구 변경 | 계획서 p.23 은 "약 11,000개 학습 / 2,000여개 테스트" 로 기재. 본 차수는 21,008 / 5,000 을 사용하므로 접수 시 시험기관 협의 필요 |
+| 시험 데이터 게재 | 표절 항목 시험 데이터는 개인 자서전 기반. **게재용 예시는 익명화 완료 생활수기로 대체** 요청 |
+| No.3 측정 주체 | 성과물 목록상 요소 추출이 오투오와 고려대 양쪽에 걸쳐 있어 컨소시엄 확인 필요 |
+| 전 차수 성적서 | `GERIR.CE.2511-02.009` 의 81% 도 B 항 결함 기준. 컨소시엄·시험기관 상의 필요 |
+| 요약 성능(No.7) | 본 문서 범위 외. 정답셋 미구축, 지표 정의(recall/f1) 불일치 미해결 |