o2o-plagiarism-ai/docs/TEST_PLAN_2026_PHASE2.md

2-1년차 현장시험 및 검증 — 시험절차서 (초안)

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)

---

1.0 일반사항

1.1 제품 정보

구분	내용
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

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).

---

2.0 시험 방법

2.1 시험 규격

• 시험규격: 시험절차서 기준
• 시험항목: 시험절차서 3개 항목

2.2 시험 장비 정보

구분	사용 장비	용도
1	노트북 (시험관 지참)	코드 시현 서버 접속용
2	GPU server	코드 시현용

2.3 시험 환경

2.3.1 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

2.3.2 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

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 고정하여 충족한다 (Dockerfile.eval, Dockerfile.ner).

시험 서버는 실제 솔루션이 가동 중인 서버로 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 일치함을 확인하였다(3.1.6 항).

다만 No.7 은 계획서가 A100 을 명시하므로, 해당 항목의 시험 환경은 접수 시 시험기관과 별도 협의한다.

2.3.3 평가방법

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

---

3.0 시험 항목별 세부 절차

3.1 표절 여부 판별 정밀도 (성능지표 #4)

3.1.1 시험방법

① 모델이 학습하지 않은, 자체 제작된 표절 글 데이터 준비
② 표절 판별 알고리즘에 대한 전처리 진행
③ 데이터 표절 여부의 precision 점수 계산

3.1.2 시험 데이터 구성 — 총 1,000건

모델이 학습하지 않은 데이터임을 작성자 단위 분리로 보장한다.

전체 작성자 290명
  ├─ 203명 → 참조 코퍼스(검색 인덱스)에 적재
  └─  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

• 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.

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

②를 필수로 둔다. 유사도만 높고 그대로 겹친 구간이 없는 후보는 채택하지 않는다. 같은 주제를 다룬 글은 의미 유사도가 함께 상승하기 때문이다.

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.

3.1.4 시현 절차

# ① 시험셋 구성 확인
cat data/eval/testset_v2/manifest.json
wc -l data/eval/testset_v2/pairs.jsonl        # 1000

# 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)"

# ③ 평가 실행 (약 10분)
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)

3.1.5 사전 측정 결과 (자체 검증)

항목	수치
정밀도 (precision)	0.9840
재현율 (recall)	0.9860
F1	0.9850
TP / FP / TN / FN	493 / 8 / 492 / 7

목표 0.97 대비 여유가 있으며, 오탐 8건 중 7건이 주제 근접 시료에서 발생하여 난이도가 실제 운영 조건을 반영하고 있음을 확인하였다.

3.1.6 환경 간 재현성 확인

동일 시험셋을 서로 다른 두 환경에서 실행한 결과가 완전히 일치하였다.

환경	precision	recall	TP / FP / TN / FN
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).

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

# 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 기준으로 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 대체하여 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
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.