LLM 활용: 검색, 요약, 분석 해보기

• 1. LLM을 활용한 검색, 요약, 분석 작업
  • 1.1 의의 및 효과
  • 1.2 장점
  • 1.3 단점
  • 1.4 주의해야 할 점
• 2. 실습
  • 2.1 LLM을 활용한 검색
  • 2.2 LLM을 활용한 요약
  • 2.3 LLM을 활용한 분석

1. LLM을 활용한 검색, 요약, 분석 작업

• 거대 언어 모델(LLM)은 방대한 텍스트 데이터를 이해하고 생성하는 능력을 바탕으로 검색, 요약, 분석 작업 방식에 혁신적인 변화를 가져오고 있음

1.1 의의 및 효과

• 정보 접근성 및 효율성 극대화
  • LLM은 자연어 기반의 검색을 통해 사용자가 원하는 정보를 더욱 쉽고 빠르게 찾을 수 있도록 돕고,
  • 방대한 양의 정보를 효율적으로 요약 및 분석하여
  • 핵심 인사이트를 도출하는 데 기여함
• 깊이 있는 이해 및 통찰력 확보
  • 단순 키워드 매칭을 넘어 문맥을 이해하는 LLM의 능력은
  • 정보의 의미를 정확하게 파악하고
  • 숨겨진 패턴이나 관계성을 발견하여
  • 더 깊이 있는 분석과 통찰력을 제공함
• 다양한 형식의 정보 처리
  • 텍스트뿐만 아니라 이미지, 오디오, 비디오 등 다양한 형식의 데이터를 이해하고 연계 분석하여
  • 보다 포괄적인 정보를 얻을 수 있도록 지원함 (멀티모달 LLM의 경우)
• 의사 결정 지원
  • LLM이 제공하는 요약된 정보, 분석 결과, 그리고 도출된 통찰력은
  • 사용자가 더 빠르고 정확하게 의사 결정을 내리는 데 중요한 기반이 됨
• 새로운 지식 발견 및 학습 촉진
  • LLM은 방대한 데이터를 탐색하고 연결하여
  • 사용자가 미처 알지 못했던 새로운 정보나 지식을 발견하고
  • 학습하는 과정을 용이하게 함

1.2 장점

• 자연어 기반 검색 용이성
  • 복잡한 검색 쿼리 없이 자연어 질문만으로 원하는 정보를 찾을 수 있어 사용자 편의성이 높음
• 시간 절약 및 효율성 증대
  • 방대한 정보를 빠르게 요약하고 분석하여 사용자의 시간과 노력을 절약하고 업무 효율성을 높임
• 핵심 정보 추출 능력
  • 긴 문서나 여러 출처의 정보에서 핵심 내용을 정확하게 추출하여
  • 빠르게 파악할 수 있도록 지원함
• 다양한 관점 및 통찰력 제공
  • LLM은 여러 정보를 종합적으로 분석하여
  • 인간이 놓칠 수 있는 새로운 관점이나 통찰력을 제시할 수 있음
• 맞춤형 정보 제공 가능성
  • 사용자 맞춤형 검색, 요약, 분석 기능을 통해
  • 필요한 정보에 더욱 효과적으로 접근할 수 있음
• 언어 장벽 감소
  • 다국어 처리 능력을 통해 다양한 언어로 된 정보에 대한 접근성을 높이고 이해를 도와줌

1.3 단점

• 정보의 정확성 및 신뢰성 문제
  • LLM이 제공하는 정보가 항상 정확하거나 최신이 아닐 수 있으며
  • 편향된 데이터를 학습한 경우 잘못된 정보를 제공할 가능성이 있음
• 맥락 이해 부족으로 인한 오해
  • LLM이 문맥을 완벽하게 이해하지 못하여
  • 검색 결과가 부적절하거나
  • 요약 내용이 핵심을 벗어날 수 있음
• 환각(Hallucination) 현상
  • 사실이 아닌 정보를 마치 사실인 것처럼 생성하거나
  • 존재하지 않는 내용을 요약 또는 분석 결과로 제시할 수 있음
• 데이터 편향성 문제
  • 학습 데이터에 내재된 편향성이 검색, 요약, 분석 결과에 그대로 반영될 수 있음
• 깊이 있는 분석의 한계
  • 복잡한 인과 관계 분석이나 고도의 추론 능력이 요구되는 작업에서는 인간 전문가의 판단을 대체하기 어려움
• 최신 정보 반영의 어려움
  • LLM의 학습 데이터 업데이트 주기에 따라 실시간으로 변동하는 최신 정보를 정확하게 반영하지 못할 수 있음
• 개인 정보 및 민감 정보 노출 위험
  • 검색 또는 분석 과정에서 개인 정보나 민감 정보가 LLM 플랫폼에 노출될 위험이 존재함
• 비용 발생
  • 일부 LLM 기반 검색, 요약, 분석 서비스는 사용량에 따라 비용이 발생할 수 있음

1.4 주의해야 할 점

• 결과물의 맹목적인 신뢰 금지
  • LLM이 제공하는 검색 결과, 요약 내용, 분석 결과는 반드시 비판적으로 검토하고
  • 출처를 확인해야 함
• 다양한 정보 출처 교차 확인
  • LLM이 제공하는 정보 외에도 다양한 출처를 통해 정보를 확인하고 종합적으로 판단해야 함
• 프롬프트의 명확성 및 구체성 유지
  • 원하는 검색 결과, 요약, 분석 결과를 얻기 위해서는 명확하고 구체적인 질문이나 지시를 제공해야 함
• 개인 정보 및 민감 정보 입력 주의
  • 검색 또는 분석 과정에서 개인 정보나 민감 정보가 LLM에 직접 입력되지 않도록 주의해야 함
• 데이터 편향성 인식 및 보정 노력
  • LLM의 결과에 편향성이 나타날 수 있음을 인지하고
  • 다양한 관점을 고려하여 정보를 해석해야함
• LLM을 보조 도구로 활용
  • LLM은 정보 검색, 초벌 요약, 기초 분석 등의 보조적인 역할로 활용하고
  • 최종적인 판단과 심층적인 분석은 인간 전문가가 수행해야 함
• 윤리적 문제 인식
  • LLM을 활용하여 허위 정보를 유포하거나
  • 편향된 주장을 강화하는 데 사용하지 않도록 주의해야 함
• 지속적인 기술 발전 추이 주시
  • LLM 기술은 빠르게 발전하고 있으므로, 새로운 기능과 한계를 지속적으로 학습하고 이해해야 함

2. 실습

2.1 LLM을 활용한 검색

• 아마존 프라임 드라마인 Stinky & Dirty에 대해서 알려줘
• Stinky & Dirty에 대한 한글 자료는 거의 없는데 어떻게 알았지?
• Could you tell me about the Amazon Prime Video series, Stinky & Dirty?
• 한국어로 번역해줘

2.2 LLM을 활용한 요약

• 예제 1: 다음 책 소개를 간단히 요약해줘

    도서 특징

    하나, 탄탄한 학습 설계 : '입문자 맞춤형 7단계 구성'을 따라가며 체계적으로 반복 학습한다
    이 책은 머신러닝과 딥러닝의 핵심 내용을 7단계에 걸쳐 반복 학습하면서 자연스럽게 머릿속에 기억되도록 구성했다. 모든 절에서 [핵심 키워드]와 [시작하기 전에]를 통해 각 절의 주제에 대한 대표 개념을 워밍업한 후, 이론과 실습을 거쳐 마무리에서는 [핵심 포인트]와 [확인 문제]로 한번에 복습한다. '혼자 공부할 수 있는' 커리큘럼을 그대로 믿고 끝까지 따라가다 보면 인공지능 공부가 난생 처음인 입문자도 무리 없이 책을 끝까지 마칠 수 있다!

    둘, 파이썬만 안다면 프로젝트별 '손코딩'으로 머신러닝과 인공지능을 제대로 익힌다
    파이썬 기초 지식이 있는 독자라면 이론 설명은 두 눈과 머리로 술술 읽으며 넘어가고, 직접 손코딩하며 실전 감각을 익히도록 엄선된 프로젝트 실습 예제를 담았다. 반복 학습과 연습이 가장 필수적인 입문자도, 실전형 코드로 연습하면서 책에 담긴 코드를 '나의 코드'로 만들 수 있다. 7장부터 시작하는 딥러닝은 머신러닝 중 4장 내용을 반복 학습한 다음에 익히도록 한다.

    셋, '혼공'의 힘을 실어줄 동영상 강의, 학습 사이트 지원
    http://hongong.hanbit.co.kr
    책으로만 학습하기엔 여전히 어려운 입문자를 위해 저자 직강 동영상도 지원한다. 또 학습을 하며 궁금한 사항은 언제든 질문할 수 있도록 학습 사이트를 제공한다. 저자가 질문 하나하나 직접 답변하고 있으며, 관련 최신 기술과 정보도 공유한다. 게다가 혼자 공부하는 그 길에 함께 공부하기를 원하는 사람들의 모임인 혼공 학습단을 운영하여 마지막까지 포기하지 않고 독자가 완주할 수 있도록 최대한 지원하고 있다.

    넷, 언제 어디서든 가볍게 볼 수 있는 혼공 필수 [용어 노트] 제공
    꼭 기억해야 할 핵심 개념과 용어만 따로 정리한 [용어 노트]를 제공한다. 처음 프로그래밍에 입문하는 사람에게 낯선 용어가 어렵듯이 머신러닝과 딥러닝을 처음 접하는 사람에게도 낯선 용어가 진입 장벽이 된다는 것을 베타리더를 통해 확인했고, 어려운 것이 아니라 익숙하지 않아서 헷갈리는 것이므로 잘 생각나지 않을 때는 언제든 부담 없이 펼쳐보자. 제시된 용어 외에도 새로운 용어를 추가하면서 자신만의 용어 노트를 완성해가는 것도 또 다른 재미가 될 것이다.

    다섯, 스토리텔링 속 주인공과 함께 독자도 성장
    낯설고 어렵기만 한 이론을 풀기 위해서 한빛 마켓에 입사한 신입사원이 업무에서 머신러닝, 딥러닝을 어떻게 활용하는지를 스토리텔링으로 풀었다. 앱에 새로운 기능을 더해가는 신입사원의 이야기를 통해 독자도 함께 머신러닝, 딥러닝을 학습할 수 있도록 구성했다. 각 절의 끝에는 [문제해결 과정]을 두어 신입사원이 어떤 과정을 통해 문제를 해결했는지 간략하게 정리한다.

• 예제 2: 뉴스 기사 요약 (기초)
  • 목표: 핵심 정보만 추출하는 압축 요약 연습
  • 데이터: 최근의 뉴스 기사 1~2개 (정치, 사회, 기술 등)
  • 실습 방식
    • 원문을 300~500자 내외로 제공
    • “한 문장으로 요약하세요.” / “세 문장으로 요약하세요.” 등의 프롬프트로 요약
    • 요약 결과를 사람이 수작업으로 요약한 것과 비교
  • 포인트: 핵심 정보 보존 여부 확인, 불필요한 수식어 제거
• 예제 3: 회의록 요약 (중급)
  • 목표: LLM이 장문의 비구조화 텍스트에서 주요 내용과 항목을 추출하도록 하기
  • 데이터: 팀 회의록 또는 공개 회의 발췌문 (~1000자 이상)
  • 실습 방식
    • “다섯 가지 핵심 논의 사항을 목록 형태로 정리하세요.”
    • “결정된 사항과 다음 행동 항목만 뽑아 요약하세요.” 등 프롬프트 다양화
    • 항목화 요약 vs. 내러티브 요약 비교
  • 포인트: 요약 유형(토픽 중심/행동 중심)과 그에 맞는 프롬프트 설계

• 예제 4: 유튜브 영상 자막 요약 (응용)

  • 목표: 실생활 콘텐츠의 요약 자동화 연습
  • 데이터: 유튜브 영상의 자동 생성 자막 (예: TED 강연, 뉴스 해설 등)
  • 실습 방식
    • 자막을 스크립트로 변환해 입력
    • “이 영상의 핵심 주장을 5문장 이내로 요약하세요.”
    • “이 내용을 초등학생도 이해할 수 있게 쉽게 요약하세요.” 등 다양한 톤 적용
  • 포인트: 요약의 대상 독자에 따라 요약 내용과 문체가 어떻게 달라지는지 확인

2.3 LLM을 활용한 분석

• LLM을 활용한 분석 실습은 단순 요약보다 한 단계 더 고차원의 추론, 구조화, 통찰 도출을 요구함

• 예제 1: 감성 분석 (Sentiment Analysis)

  • 목표: 텍스트의 긍정/부정 감정 분류 및 그 근거 도출
  • 데이터: 상품 리뷰, SNS 게시물, 영화 리뷰 등
  • 실습 방식
    • “이 리뷰의 감정은 무엇이며, 그 이유는 무엇인가요?”
    • "별점은 5점 만점에 몇 점 정도로 예상되나요?"
    • 프롬프트 조정: 단순 감성 분류 → 감정 세부 분류 (예: 분노, 실망, 만족 등)

  • 확장 포인트: 예측과 실제 별점 비교, 감성 사전 없이 결과 분석

  • 상세 예시
    • 목표: 텍스트의 감정을 LLM으로 분류하고, 그 감정의 이유를 추론하도록 프롬프트를 설계

    • 샘플 데이터 (상품 리뷰)

        "처음엔 디자인이 예뻐서 구매했어요. 배송은 빨랐지만 제품을 하루만 써도 배터리가 너무 빨리 닳네요. 설명서도 불친절해서 세팅하는 데 애먹었고, 고객센터에 연락했지만 해결도 안 돼요. 실망스럽습니다."
      

    • 프롬프트 예시 1 (기본 감성 분류)

      • 이 리뷰의 전반적인 감정을 ‘긍정’, ‘중립’, ‘부정’ 중 하나로 분류하세요.
      • 그리고 그 이유를 두 문장으로 설명하세요.

    • 프롬프트 예시 2 (세분화된 감성 분류)

      • 다음 리뷰를 읽고 다음 정보를 추출하세요:
        • 전반적인 감정 (긍정/중립/부정)
        • 감정의 세부 유형 (예: 만족, 분노, 실망, 감동 등)
        • 감정이 드러난 문장 2개
        • 감정의 주요 원인 한 가지

    • 프롬프트 예시 3 (별점 예측 포함)

      • 다음 리뷰를 바탕으로 아래 정보를 추론하세요:
        • 이 리뷰를 쓴 사용자는 5점 만점 중 몇 점을 줄 가능성이 높은가요? (정수로 제시)
        • 그 이유를 요약해 설명하세요.
        • 이 사용자의 주요 불만은 무엇인가요?

    • 확장 실습 아이디어
      • 긍정/부정 문장을 분리하여 하이라이트
      • ChatGPT로 생성된 감성 분류 결과와 Hugging Face의 감성 분석 모델 결과 비교
      • 중립 리뷰와 혼합 감정 리뷰를 넣어 모델 반응의 일관성 테스트

• 예제 2: 주장 및 근거 분석 (Argument Mining)

  • 목표: 논설문, 칼럼, 에세이 등에서 주장과 근거 분리
  • 데이터: 사설, 블로그 글, 토론 텍스트
  • 실습 방식
    • “이 글의 주요 주장은 무엇인가요?”
    • “각 주장의 근거는 어떤 문장들인가요?”
    • “이 주장의 논리적 흐름은 타당한가요?”

  • 확장 포인트: 논리적 비약/허점 탐지, 반론 제시 프롬프트 구성

  • 상세 예시

    • 목표: 논설문이나 주장글에서 핵심 주장을 추출하고, 그 주장을 뒷받침하는 근거 문장을 구분하여 구조적으로 이해하도록 유도

    • 샘플 데이터 (의견 칼럼 발췌)

        온라인 수업은 전통적인 교실 수업을 완전히 대체할 수 없습니다.  
        학생들이 집중력을 유지하기 어렵고, 교사와의 즉각적인 상호작용도 제한되기 때문입니다.  
        물론 온라인 강의는 시간과 장소의 제약을 줄여주지만, 대부분의 학생들은 혼자 학습할 때 동기 부여가 약하다는 점에서 문제가 됩니다.  
        따라서 온라인 수업은 보조적인 수단으로 활용되어야 하며, 대면 수업의 대체재가 되어서는 안 됩니다.
      

    • 프롬프트 예시 1 (기초 구조 분석)

      • 다음 텍스트에서 다음 요소를 추출하세요:
        • 필자의 핵심 주장 한 문장
        • 그 주장을 뒷받침하는 주요 근거 두 가지
        • 근거에 대한 반론 또는 예외사항이 언급된 부분이 있다면 제시하세요.

    • 프롬프트 예시 2 (논리 전개 구조화)

      • 아래 글을 읽고, 논리 전개 구조를 다음 형식으로 정리하세요:
        • 주장:
        • 근거 1:
        • 근거 2:
        • 반론 또는 한계:
        • 결론 또는 제안:

    • 프롬프트 예시 3 (비판적 평가 포함)

      • 이 텍스트의 주장은 논리적으로 타당한가요?
        • 논리적 비약이나 근거 부족이 있다면 지적하세요.
        • 필자의 관점을 강화하거나 보완할 수 있는 추가 근거를 제안해보세요.

    • 확장 실습 아이디어

      • 같은 주제를 다룬 다른 글을 비교하고, 주장의 관점 차이 분석
      • 모델이 주장과 근거를 헷갈리는 경우가 있는지 검증
      • 학습자들이 직접 주장-근거 구조의 글을 작성하고, LLM이 구조를 정확히 분석하는지 테스트

• 예제 3: 역할 분류 (Role/Entity Attribution)

  • 목표: 특정 상황이나 사건에서 등장인물 또는 기관의 역할 구분
  • 데이터: 뉴스 기사, 판결문, 사건 요약 등
  • 실습 방식
    • “이 사건의 핵심 인물들은 누구이며, 각각 어떤 역할을 했나요?”
    • “책임은 누구에게 있는가?”
    • “피해자와 가해자의 행위를 구분해 정리하세요.”

  • 확장 포인트: 역할 추론과 도덕적 판단 구분, 복수 주체 분석

  • 상세 예시

    • 목표: 사건 관련 텍스트에서 등장인물 또는 주체들의 역할과 행동을 구조화하여 파악

    • 샘플 데이터 (뉴스 기사 발췌)

        지난 5일, 서울 강남의 한 아파트에서 화재가 발생해 2명이 부상을 입고 병원으로 이송되었다.  
        화재는 오후 3시경 세탁기 전선에서 시작된 것으로 추정되며, 소방당국은 화재 진압에 30여 분이 소요됐다고 밝혔다.  
        경비원 김 모 씨는 주민 대피를 도왔으며, 인명 피해를 줄이는 데 기여했다.  
        소방청은 화재 원인에 대해 추가 조사를 진행 중이며, 제조사 측에도 협조를 요청한 상태다.
      

    • 프롬프트 예시 1 (역할 구조 추출)

      • 다음 사건 보고에서 언급된 주요 인물 및 기관과 그 역할을 다음 형식으로 정리하세요:
        • 인물/기관명: 역할 또는 행동
        • 예:
          • 경비원 김 모 씨: 주민 대피 지원
          • 소방당국: 화재 진압
          • 소방청: 원인 조사
          • 제조사: 조사 협조 요청 대상

    • 프롬프트 예시 2 (책임 및 기여 구분 포함)

      • 다음 질문에 답하세요:
        • 사건에서 직접적으로 기여한 인물/기관은 누구이며, 그들의 기여는 무엇인가요?
        • 사건의 원인에 책임이 있을 가능성이 있는 주체는 누구인가요?
        • 이 사건에 대한 후속 조치를 담당하고 있는 기관은 어디인가요?

    • 프롬프트 예시 3 (시간 순서 및 행동 흐름 요약)

      • 다음 텍스트에서 시간 순서에 따라 사건의 주요 인물 및 기관이 한 행동을 정리하세요.
        • 예:
          • 오후 3시경 - 세탁기 전선에서 화재 발생
          • 경비원 김 모 씨 - 주민 대피 지원
          • 소방당국 - 화재 진압 (30분 소요)
          • 소방청 - 화재 원인 조사 착수, 제조사에 협조 요청

    • 확장 실습 아이디어

      • 복잡한 사건 기사에 대해 인물 관계도 시각화 (예: 사건-행동-주체 연결)
      • LLM이 잘못된 역할 배정을 할 때의 원인을 분석
      • AI vs 사람 요약 결과 비교: 누가 무엇을 놓치는가?

• 예제 4: 인과관계 추론 (Causal Inference)

  • 목표: 사건의 원인-결과 관계를 텍스트에서 도출
  • 데이터: 사고 보고서, 역사 기사, 논문 초록
  • 실습 방식
    • “이 사건이 발생한 주요 원인은 무엇인가요?”
    • “이 결과는 어떤 사건들에 의해 초래되었나요?”
    • “어떤 대안이 있었다면 결과가 달라졌을까요?”

  • 확장 포인트: 사실적 인과 vs. 추론적 인과 구분

  • 상세 예시

    • 목표: 주어진 텍스트에서 사건의 원인, 결과, 중간 요인 등을 식별하고 이를 논리적으로 정리

    • 샘플 데이터 (사건 보고 기사)

        지난 주말 내린 집중호우로 인해 전국 곳곳에서 피해가 속출했다.  
        특히 중부 지역에서는 하루 동안 200mm가 넘는 폭우가 쏟아져 도로 침수와 산사태가 발생했다.  
        서울 도봉구에서는 오래된 배수시설이 제 기능을 하지 못하면서 지하 주차장이 물에 잠겨 차량 20여 대가 파손되었다.  
        전문가들은 도시 개발 과정에서 배수 인프라 개선이 소홀했던 점이 이번 침수 피해의 주요 원인 중 하나라고 지적했다.
      

    • 프롬프트 예시 1 (기본 인과 추론)

      • 이 사건에서 다음을 각각 정리하세요:
        • 사건의 직접 원인
        • 결과 또는 피해
        • 사건을 악화시킨 구조적 원인이나 잠재적 요인

      • 예시 출력 형식
        • 직접 원인: 집중호우 및 폭우 (200mm 이상)
        • 피해 결과: 도로 침수, 산사태, 차량 파손 등
        • 구조적 원인: 노후된 배수시설, 도시 개발 시 인프라 미비

    • 프롬프트 예시 2 (인과 관계 맵 요약)

      • 다음 사건을 “원인 → 중간 요인 → 결과” 구조로 정리하세요.
      • 가능한 경우, 여러 원인-결과 연결고리를 분리해 명시하세요.

    예시 출력:

    • 집중호우 → 배수시설 미작동 → 지하 주차장 침수 → 차량 파손

    • 도시개발 중 배수 인프라 개선 소홀 → 구조적 침수 위험 증가

    • 프롬프트 예시 3 (대안적 시나리오 탐색 포함)

      • 이 사건에 대해 다음 질문에 답하세요:
        • 이 피해를 사전에 예방할 수 있었던 방법은 무엇이었을까요?
        • 피해를 줄이기 위한 대응책이나 개선 방안을 제시하세요.
        • 이 사건의 유사 사례가 반복되지 않으려면 어떤 조치가 필요한가요?

    • 확장 실습 아이디어
      • LLM이 제시한 인과 관계를 시각화하여 플로우차트/도식으로 표현
      • 동일한 사건을 다룬 여러 매체 기사를 비교 분석하고 인과 설명의 차이 확인
      • 원인-결과 관계를 왜곡한 문장을 일부러 삽입하고 모델의 탐지 여부 확인

• 예제 5: 프레임 분석 및 의도 탐지 (Framing & Intent Analysis)

  • 목표: 발화나 기사에 담긴 관점, 의도, 프레이밍 파악
  • 데이터: 정치 연설, 마케팅 문구, 기사 제목 등
  • 실습 방식
    • “이 글이 독자에게 전달하고자 하는 인상은 무엇인가요?”
    • “이 제목은 어떤 관점을 전제로 하고 있나요?”
    • “이 문구의 설득 전략은 무엇인가요?”

  • 확장 포인트: 같은 사건에 대한 다른 프레임 비교, 중립적 재작성 실습

  • 상세 예시

    • 목표: 텍스트가 어떤 관점·가치·의도로 구성되어 있는지를 분석하고, 표현 방식을 통해 독자에게 주는 인상을 추론

    • 샘플 데이터 (기사 제목 및 리드)

        [제목]  
        “무책임한 시민 행동, 또다시 방역 체계 흔들다”
      
        [리드 문단]  
        연휴 기간 수도권 주요 공원과 번화가는 인파로 가득했다.  
        마스크를 착용하지 않거나 거리 두기를 지키지 않은 일부 시민들의 이기적인 행동이, 결국 방역당국의 노력을 수포로 돌리고 말았다.
      

    • 프롬프트 예시 1 (프레임 및 감정 어휘 분석)

      • 다음 기사 제목과 내용을 분석하여 다음을 제시하세요:
        • 이 텍스트의 **관점(프레임)**은 무엇인가요?
        • 사용된 감정적 또는 가치 판단 어휘를 3개 이상 제시하세요.
        • 이 글은 독자에게 어떤 감정적 반응을 유도하려 하나요?

    • 프롬프트 예시 2 (의도 및 타겟 독자 추론)

      • 다음 문단의 작성 목적은 무엇인가요?
      • 그리고 다음을 추론해보세요:
        • 이 글은 누구를 비판하고 있으며, 누구를 옹호하고 있나요?
        • 이 글의 **주요 독자 대상(타겟 오디언스)**은 누구인가요?
        • 이 글은 특정 정책/행동에 대해 독자의 행동 변화를 유도하고 있나요?

    • 프롬프트 예시 3 (중립적 재작성 실습)

      • 위 기사 제목과 리드를 감정적 표현 없이 중립적이고 객관적인 언어로 재작성하세요.
        • 독자에게 불필요한 죄책감이나 분노를 유도하지 않도록 주의할 것
        • 사건 중심으로 간결하게 정리할 것

      • 예시 답변
        • 연휴 기간 수도권 지역에 다수의 인파가 몰리며, 일부 방역 수칙 위반 사례가 발생했다. 이에 따라 방역 당국은 방역 체계에 부담이 생겼다고 전했다.

    • 확장 실습 아이디어

      • 같은 사건에 대한 두 개의 기사를 제시하고 관점/프레임 차이 비교
      • 텍스트 속 **숨은 의도(ex: 책임 전가, 정책 홍보, 공포 조장)**를 분류
      • 특정 주제(예: 이민, 기후 변화, 정치)에 대한 프레임 지도 만들기
      • 작성자의 감정 유도 전략(ex: 분노 유발, 동정 유도, 책임 회피) 분류 실습