본문으로 건너뛰기

연구 시작 키트: 읽기에서 첫 기여까지

📍 현재 위치: 6부 · 나만의 연구 시작하기 — 19장 중 18장. 17장은 결과가 데이터를 어떻게 나누느냐에 달려 있음을 보여 주었습니다. 이 장은 그런 결과 주변의 문헌을 찾고, 비판적으로 읽고, 다른 사람이 재현할 수 있는 프로젝트를 꾸리는 방법을 다룹니다.

쉽게 말하면

새 도시로 이사해서 가장 좋은 빵집을 알고 싶다고 합시다. 사람마다 아는 골목이 다르므로 여러 사람에게 묻습니다. 줄이 가장 긴 가게를 무작정 고르지도 않습니다. 오래된 가게는 줄이 길어질 시간이 수십 년 있었고, 새 가게가 더 나을 수도 있기 때문입니다. 추천하기 전에 직접 맛을 봅니다. 그리고 친구가 같은 가게를 찾아갈 수 있도록 길을 적어 둡니다. 이 장은 논문에 대한 같은 절차입니다. 여러 곳에서 검색하고, 인용 횟수는 힌트로만 보고, 증거를 위해 읽고, 다른 사람이 따라올 흔적을 남깁니다.

이 장에서 다루는 내용​

다섯 가지 실용 기술을 다루며, 모든 명령은 2026-11-15에 실행했습니다. 기초 논문과 최신 논문 찾기, 속지 않고 인용 횟수 쓰기, 이 책의 증거 수준에 따라 논문 읽기, 학술지와 커뮤니티 알기, 자신의 작업을 재현 가능하게 만들기입니다. 마지막에는 프로젝트 템플릿, 각각 한 장과 한 실습에 연결된 첫 프로젝트 아이디어 10가지, 문제를 고를 때 보아야 할 평가 장에 대한 안내가 있습니다.

문제​

입문자는 수만 편의 AM 논문 앞에서 지도 없이 서 있습니다. 검색 엔진은 신뢰가 아니라 텍스트 유사도로 순위를 매깁니다. 인용 횟수는 오래된 논문과 유행을 보상합니다. 데이터나 코드가 공유되지 않아 재현되지 않는 결과가 많고, 많은 ML 결과는 누수로 부풀려져 있습니다 [1]. 목표는 더 많이 읽는 것이 아니라 올바른 20편을 잘 읽고, 검증을 견디는 것을 만드는 것입니다.

최신 기술 수준​

1. 문헌 찾기​

각 색인이 다른 문서를 다루므로 적어도 두 곳을 쓰십시오. 아래 세 곳은 모두 무료 API가 있습니다 [2][3][4]. 이 책의 도우미 scripts/cite.mjs는 Crossref와 Semantic Scholar/OpenAlex를 감싸며, examples/research-starter-kit/litcheck.mjs(Node 18 이상, 키 불필요)는 출처 간 교차 확인을 더합니다. Google Scholar는 수동 탐색에 유용하지만 공식 API를 찾지 못했으므로 프로그램으로 질의하지 않았고 Scholar 출력은 보여 주지 않습니다.

기초 논문: 연도로 거르고 인용 횟수로 정렬합니다. 2026-11-15 실행 결과입니다.

$ node scripts/cite.mjs search "additive manufacturing of metallic components process structure properties" --min 500 --rows 5
8836 2018 DebRoy T Additive manufacturing of metallic components – Process, structure and properties [Progress in Materials Science] doi:10.1016/j.pmatsci.2017.10.001
1088 2016 Körner C Additive manufacturing of metallic components by selective electron beam melting — a revie [International Materials Reviews] doi:10.1080/09506608.2016.1176289

$ node scripts/cite.mjs search "keyhole porosity laser powder bed fusion" --from 2019 --min 200 --rows 5
432 2022 Huang Y Keyhole fluctuation and pore formation mechanisms during laser powder bed fusion additive manufacturing [Nature Communications] doi:10.1038/s41467-022-28694-x
358 2020 Ronneberg T Revealing relationships between porosity, microstructure and mechanical properties of lase [Materials & Design] doi:10.1016/j.matdes.2020.108481
337 2023 Ren Z Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion [Science] doi:10.1126/science.add4667

첫 결과는 금속 AM의 공정, 구조, 물성을 다룬 긴 리뷰 [5]이고, 싱크로트론 X선 영상을 쓴 키홀 논문 [6]은 아래 점검표를 처음 연습하기 좋은 논문입니다. cite.mjs search는 관련도 상위 150건을 Crossref 인용 횟수로 다시 정렬하므로, --min이 너무 엄격하면 아무것도 나오지 않습니다. search "laser powder bed fusion review" --min 1000을 실행했더니 출력이 한 줄도 없었습니다. 침묵은 "그런 논문이 없다"가 아니라 "후보 풀에 없다"는 뜻입니다. --min을 낮추거나 검색어를 바꾸십시오.

최신 논문: 날짜를 제한한 뒤 학술지를 판단합니다.

$ node scripts/cite.mjs search "machine learning additive manufacturing" --from 2024 --min 30 --rows 4
124 2025 Faegh M A review on physics-informed machine learning for process-structure-property modeling in a [Journal of Manufacturing Processes] doi:10.1016/j.jmapro.2024.11.066
110 2024 Farrag A Physics-Informed Machine Learning for metal additive manufacturing [Progress in Additive Manufacturing] doi:10.1007/s40964-024-00612-1
106 2025 Inayathullah S Review of machine learning applications in additive manufacturing [Results in Engineering] doi:10.1016/j.rineng.2024.103676
83 2024 Akbari P Machine learning prediction of mechanical properties in metal additive manufacturing [Additive Manufacturing] doi:10.1016/j.addma.2024.104320

검색 결과를 믿기 전에 읽어 보는 데는 명령 하나면 됩니다(초록은 Semantic Scholar에서 오고 OpenAlex가 대체 수단이며, 출력은 줄였습니다).

$ node scripts/cite.mjs abstract 10.1038/s41467-022-28694-x
# Keyhole fluctuation and pore formation mechanisms during laser powder bed fusion additive manufacturing (2021, Nature Communications) S2 cited-by: 490
Keyhole porosity is a key concern in laser powder-bed fusion (LPBF), potentially impacting component fatigue life. ... Using synchrotron X-ray imaging we reveal keyhole and bubble behaviour ...

양방향으로 눈덩이처럼 따라가십시오. 강한 논문 하나를 잡고 그 참고문헌(후방)과 그 논문을 인용한 연구(전방)를 따라갑니다. OpenAlex는 전방 단계를 바로 지원합니다. 위의 기초 리뷰를 인용한 2026년 논문은 다음과 같습니다.

$ curl -s "https://api.openalex.org/works?filter=cites:W2762367303,from_publication_date:2026-01-01&sort=cited_by_count:desc&per-page=3&select=doi,title,publication_year,cited_by_count"
citing works in 2026 so far: 1696
https://doi.org/10.1007/s43452-026-01520-7 | 2026 | 71 | Microstructure and mechanical properties of Ni superalloy fabricated b...
https://doi.org/10.1016/j.jmrt.2026.01.173 | 2026 | 42 | Advancements in laser processes for additive Manufacturing: Techniques...
https://doi.org/10.1016/j.jallcom.2026.186347 | 2026 | 34 | Wire Arc Additive Manufacturing (WAAM): A comprehensive review of proc...

(W2762367303은 그 논문의 DOI로 OpenAlex 레코드를 조회해 얻은 ID이며, 표로 출력하기 위해 JSON을 짧은 Python 한 줄에 통과시켰습니다.) 자유 텍스트 검색은 더 모호합니다. OpenAlex에서 search=AM+Bench+melt+pool을 인용 횟수순으로 질의하자 광경화 수지 논문이 첫 결과로 나왔습니다. 항상 제목을 읽으십시오.

2. 인용 횟수와 그것이 오도하는 방식​

같은 논문 네 편을 세 데이터베이스에서 조회했습니다(node examples/research-starter-kit/litcheck.mjs counts ..., 2026-11-15 실행).

doi | Crossref year,cites | OpenAlex year,cites | SemanticScholar year,cites | OpenAlex cites/yr
10.1016/j.pmatsci.2017.10.001 | 2018, 8836 | 2017, 9214 | 2018, 8066 | 921
10.1038/s41467-022-28694-x | 2022, 432 | 2022, 528 | 2021, 490 | 106
10.1126/science.add4667 | 2023, 337 | 2023, 342 | 2023, 311 | 86
10.1007/s40192-024-00372-4 | 2024, 15 | 2024, 17 | 2024, 15 | 6

다섯 단계 흐름: Crossref, OpenAlex, Semantic Scholar, Google Scholar로 찾기, 선별하기, 읽기, 재현하기, 문제 고르기. 아래의 세 칸은 같은 리뷰 논문이 세 데이터베이스에서 각각 8,836, 9,214, 8,066회 인용된 것으로 나타남을 보여 준다. 연구를 시작하는 다섯 단계, 그리고 한 논문의 인용 횟수가 데이터베이스마다 다르다는 점을 상기시키는 그림입니다. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

이 숫자가 보여 주거나 시사하는 함정은 다음과 같습니다.

  • 데이터베이스끼리 일치하지 않습니다. 첫 논문은 출처에 따라 8,836회, 9,214회, 8,066회 인용되며 출판 연도도 다릅니다(Crossref와 Semantic Scholar는 2018, OpenAlex는 2017이며, 온라인 선공개 날짜일 가능성이 있으나 확인하지 않았습니다). 인용 횟수를 말할 때는 출처와 날짜를 함께 적으십시오.
  • 나이 편향. 횟수는 누적이므로 오래된 논문이 이깁니다. 마지막 논문(2024)은 총 15-17회 인용되었고 연간 약 6회 인용되는데, 이는 "중요하지 않다"가 아니라 "젊다"는 뜻입니다. 나이로 나누어 대략적인 비율을 보고, 비슷한 나이와 분야의 논문끼리만 비교하십시오. 분야와 연도로 정규화한 지표가 있으며, Waltman은 그 구성 방식과 선택이 중요한 이유를 검토합니다 [7].
  • 자기 인용. 논문의 저자도 그 논문을 인용합니다. OpenAlex 저자 ID로, 인용한 연구 중 피인용 논문과 저자가 한 명 이상 겹치는 수를 세었습니다(litcheck.mjs selfcite). 리뷰는 9,214건 중 152건(1.6%), 2023년 Science 논문은 342건 중 24건(7.0%), Nature Communications 논문은 528건 중 40건(7.6%)입니다. Science 논문의 저자 10명 중 1명은 OpenAlex에 저자 ID가 없었으므로 근사치일 뿐입니다. 노르웨이 논문을 대상으로 한 오래된 연구는 저자 자기 인용이 인용의 훨씬 큰 비중(36%, 전문이 아니라 저희가 읽은 요약 기준)을 차지한다고 보고했습니다 [8]. 자기 인용은 정상입니다. 확인하되 맹목적으로 감점하지 마십시오.
  • 횟수는 "많이 읽힌다"이지 "옳다"가 아닙니다. 리뷰는 인용을 많이 모으고, 부정적 결과는 적게 모을 수 있습니다. 횟수는 분야의 중심 논문을 찾는 데 쓰고, 진실의 순위를 매기는 데 쓰지 마십시오.
  • 관련도 순위는 신뢰 순위가 아닙니다. 위의 광경화 수지 결과를 보십시오.

3. 증거 수준에 따라 논문 읽기​

이 책의 서문은 주장에 실험실 규모에서 입증, 생산 현장에서 입증, 논쟁 중이라는 라벨을 붙였습니다. 읽는 모든 논문에 같은 라벨을 적용하십시오. 의존하려는 논문 하나에 약 30분이 걸리는 여덟 가지 질문을 순서대로 던집니다.

  1. 한 문장 주장은 무엇인가? 자기 말로 적습니다.
  2. 무엇을, 무엇에 대해 측정했는가? 합금, 장비, 형상, 빌드나 시편의 수.
  3. 반복의 단위는 무엇인가? 빌드 하나? 트랙 하나? 한 빌드에서 나온 시편 10개는 대부분의 목적에서 빌드 1개로 셉니다.
  4. 모델이나 비교를 어떻게 검증했는가? ML이라면 분할이 무엇을 존중했는지(빌드, 부품, 트랙, 무작위 행)를 묻습니다. 17장 실습은 둘 사이에 약 18배 차이가 있음을 보여 주었습니다 [1][9].
  5. 불확실성과 잡음 하한은 얼마인가? 주장된 개선이 반복 산포보다 큰가?
  6. 독립적인 확인이 있는가? 두 번째 장비나 연구실, 또는 AM Bench 같은 블라인드 벤치마크 [10].
  7. 데이터와 코드가 공개되어 있고 실행되는가? 데이터의 DOI가 가장 좋은 신호입니다 [11].
  8. 어떤 증거 라벨을 받을 자격이 있는가? 분류할 수 없다면 이 책처럼 그렇게 말합니다.

4. 학술지와 커뮤니티(확인된 이름만)​

종류이름알아 둘 점
벤치마크NIST AM BenchNIST 주도의 측정, 블라인드 챌린지 문제, 학회 시리즈. 2018, 2022, 2025년에 진행되었고 데이터는 공개 보관됨 [12]
표준ASTM Committee F42적층제조 기술 위원회. 2009년 설립. 하위 위원회에 시험 방법, 설계, 재료와 공정, 데이터, 용어 등이 있음 [13]
표준ISO/TC 261적층제조. 범위는 공정, 용어, 공정 사슬, 시험 절차, 품질 변수, 공급 계약을 포함하며, ISO와 ASTM은 2011년 협력 협정을 체결함 [14]
학회Solid Freeform Fabrication Symposium매년 텍사스대학교 오스틴에서 개최. 36회는 2025년 8월 [15]
학회ASTM International Conference on Advanced Manufacturing (ICAM)ASTM의 AM Center of Excellence 주최. 2025년 10월 라스베이거스. 표준과 인증에 초점 [16]
학술지(이 책의 출처에서 확인됨)Additive Manufacturing; Additive Manufacturing Letters; Progress in Additive Manufacturing; Integrating Materials and Manufacturing Innovation; Journal of Manufacturing Processes; Journal of Materials Processing Technology; Progress in Materials Science; Nature Communications; Science투고 전에 학술지의 범위와 게재 논문 표본을 확인하십시오. 이 목록은 순위가 아닙니다
데이터NIST Public Data Repository; Materials Data FacilityDOI가 있는 인용 가능한 데이터셋 [17][18]

이 목록은 이번 작업에서 확인할 수 있었던 커뮤니티와 학술지이며, 다른 곳도 존재합니다. 방법과 시험 절차는 학회와 표준 위원회에서 합의되고, 결과는 학술지에서 논쟁됩니다.

5. 재현성 실천​

  • 환경을 고정합니다. 정확한 버전이 적힌 requirements.txt 또는 컨테이너. 17장 실습은 라이브러리 여섯 개를 고정하고 Python 버전을 기록합니다.
  • 데이터를 검증합니다. 스크립트로 내려받고, DOI와 접근 날짜를 기록하고, SHA-256을 확인합니다. 출처가 체크섬을 게시하지 않으면 실습처럼 직접 고정합니다.
  • 시드를 고정하고 테스트합니다. 난수 시드를 고정하고, 두 번 실행해 출력을 비교하는 테스트를 추가합니다. 17장의 make test가 그렇게 합니다.
  • 그룹 단위로 나누고, 어떤 그룹인지 밝힙니다. README와 논문에 그룹 키를 명시합니다 [9].
  • 데이터 카드를 씁니다. 출처, 라이선스, 행이 무엇인지, 알려진 공백. FAIR 원칙(찾기 쉽고, 접근 가능하고, 상호운용 가능하고, 재사용 가능)이 일반적인 틀입니다 [19].
  • 최소한만 컨테이너화합니다. 아래 템플릿은 docker build로 빌드됩니다.

6. 프로젝트 템플릿​

examples/research-starter-kit/template/에는 뼈대가 있습니다. README.md, CLAIMS.md(주장, 증거 라벨, 데이터와 그룹 키, 무엇이 나오면 철회할 것인가), DATA_CARD.md, 고정된 requirements.txt, Dockerfile, 결과 옆에 Python과 라이브러리 버전을 기록하는 시드 고정 src/run.py, 스모크 테스트입니다. 실제로 실행했습니다.

$ cd examples/research-starter-kit && make new NAME=/tmp/my-study
$ cd /tmp/my-study && python src/run.py && python tests/test_smoke.py
{ "python": "3.14.6", "numpy": "2.5.4", "pandas": "3.1.1", "seed": 1, "example_draw": 0.345584192064786 }
smoke test passed
$ docker build -q -t amguide-starter-template . && docker run --rm amguide-starter-template
{ "python": "3.14.10", "numpy": "2.5.4", "pandas": "3.1.1", "seed": 1, "example_draw": 0.345584192064786 }

첫 Docker 빌드는 2 min 6 s(기본 이미지와 패키지 다운로드)가 걸렸고 재빌드는 1.9 s였습니다. 컨테이너의 Python 패치 버전(3.14.10)은 호스트(3.14.6)와 다르지만 시드로 얻은 값은 같고, 기록된 버전을 보면 어느 쪽인지 알 수 있습니다. 처음 만든 컨테이너는 exec: "make": executable file not found로 실패했습니다. slim Python 이미지에는 make가 없으므로 Dockerfile은 python src/run.py를 직접 호출합니다.

첫 프로젝트 10가지​

각 프로젝트는 결과가 아니라 아이디어이며, 저희는 실행하지 않았습니다. 각각 출처가 되는 장과 도구를 쓰는 실습을 밝혔습니다. "실습 1-3"은 3권에 있고, 실습 4는 16장, 실습 5는 17장입니다. 아래 데이터셋 이름은 NIST 카탈로그에서 본 제목이므로, 계획에 넣기 전에 크기, 라이선스, 형식을 확인하십시오.

#장실습질문첫 산출물
11 용융풀실습 5폭에 대해서도 거듭제곱 법칙이 성립하는가, 깊이는 어디서 거듭제곱 영역(키홀)을 벗어나는가? 같은 케이스 번호를 쓰는 NIST 레이저 결합 데이터(레코드 mds2-3842)를 추가leave-one-case-out 표가 있는 폭 모델, 선당 에너지에 대한 잔차 그림
24 시뮬레이션실습 4 + 실습 5시뮬레이션한 단일 트랙 깊이는 측정된 7개 케이스에서 측정 산포 안에서 얼마나 떨어져 있는가?반복 산포 2.1 µm를 함께 그린 시뮬레이션 대 측정 깊이·폭 표
35 ML실습 5데이터를 공유한 AM-ML 논문 하나를 골라 빌드 또는 부품 단위로 다시 분할해 보십시오. 주장이 살아남는가?두 점수가 담긴 한 쪽짜리 재현 노트
46 공정 중 모니터링실습 5NIST 공정 모니터링 데이터셋(AMMT 시리즈)에서, 부품 단위로 분할할 때 층별 이상 기준선이 "평균 예측"을 이기는가?그룹 분할 기준선, 데이터셋 크기를 먼저 확인
57 폐루프 제어실습 1가상 프린터에서 제어기(예: 히터 조절)는 외란에 어떻게 반응하며 펌웨어 로그는 무엇을 보여 주는가?시뮬레이션 프린터의 계단 응답 그림
62 결함과 잔류응력실습 3빌드 방향은 실습 3 브래킷의 오버행 면적과 응력 집중부를 어떻게 바꾸는가?출력 가능성 검사와 FEA로 비교한 세 가지 방향
712 인증실습 5반복이 몇 번이면 충분한가? 케이스당 6회 반복에서 케이스 평균의 구간은 얼마나 넓고, 인증 수준의 주장에 무엇을 뜻하는가?불확실성 예산 표
813 디지털 스레드실습 5실습 5 표에 대한 데이터 카드와 기계 판독 가능한 메타데이터 파일을 작성하고, FAIR 원칙 [19]으로 점수를 매기십시오DATA_CARD.md와 검증 스크립트
915 비용과 처리량실습 2슬라이스한 G-code에서 부품당 시간과 재료 사용량을 추정하고, 비용이 층 높이에 얼마나 민감한지 보십시오매개변수형 비용 시트, 모든 가정에 "예시용" 표시
1014 지속가능성실습 2G-code의 소요 시간과 가정한 소비 전력으로 출력의 에너지를 추정하고 발표된 측정 범위와 비교하십시오민감도 막대가 있는 에너지 추정, 모델링과 측정을 구분 표시

하나를 골라 시작하기 전에 CLAIMS.md를 쓰고, 도달하고 싶은 증거 라벨을 정하십시오. 이들 대부분의 정직한 상한은 "실험실 규모에서 입증"입니다.

왜 어려운가​

시작이 어려운 이유는 세 가지입니다. 문헌이 방대하고 대리 지표로 순위가 매겨져 있으며, 대부분의 증거가 한 연구실의 것이라 스스로 판단해야 하고, 좋은 문제는 논문이 가장 많은 문제가 아니라는 점입니다. 마지막 점에서 인용 횟수가 가장 크게 오도합니다. 붐비는 주제가 열린 문제는 아닙니다.

열린 질문​

  • 공개 API는 바뀝니다. OpenAlex 응답은 인증 없는 사용이 같은 네트워크의 다른 사용자와 하루의 작은 예산을 공유한다고 경고하며, Semantic Scholar는 검색을 반복하자 HTTP 429(요청 과다)로 응답했습니다. 키와 캐시를 계획하십시오.
  • 주장이 얼마나 잘 뒷받침되는지를 표시하는 공통된 방법이 없습니다. 이 책의 라벨은 저희가 정한 것이지 표준이 아닙니다.

산업적 영향​

연구를 읽고 재현할 수 있는 엔지니어는 주장에 의존하기 전에 그것을 확인할 수 있으며, 이는 발표된 결과에서 의사결정까지의 경로를 줄입니다. 규제 당국이 그런 증거를 받아들이는지는 12장의 주제입니다.

문제 고르기​

이 장만으로 고르지 마십시오. 다음이자 마지막 장인 솔직한 평가는 해결되지 않은 문제들의 순위를 각 순위의 근거와 함께 제시합니다(그 순위는 저자의 종합이라고 밝힙니다). CLAIMS.md를 열어 둔 채 읽으십시오. 좋은 첫 프로젝트는 몇 주 안에 끝낼 만큼 작고, 순위가 높은 문제 중 하나에 닿으며, 구할 수 있는 데이터를 쓰고, 도달할 수 있는 증거 라벨을 명시합니다.

문제가 생길 때​

이 장을 준비하며 실제로 겪은 실패입니다.

  • 높은 --min으로 cite.mjs search가 비어 있음: --min을 낮추고, 날짜 필터를 빼거나 검색어를 바꾸십시오. 관련도가 모호하므로 논문이 상위 150건에 없을 수 있습니다.
  • 검색을 반복하거나 cite.mjs abstract를 실행할 때 Semantic Scholar의 HTTP 429(OpenAlex가 대체 수단). 기다리거나 결과를 캐시하거나 키를 쓰십시오.
  • OpenAlex의 null 저자 ID가 처음 만든 selfcite 스크립트를 중단시켰습니다(Cannot read properties of null). 지금은 ID 없는 저자를 건너뛰고 사용한 수를 보고합니다.
  • OpenAlex 자유 텍스트 검색의 무관한 최상위 결과. 제목을 읽고, 가능하면 DOI를 쓰십시오.
  • slim Docker 이미지의 make: not found. CMD에서 python을 직접 호출하십시오.
  • 수치 라이브러리의 새 설치는 느립니다(여기서는 venv와 Docker 빌드 모두 약 2분). 휠을 캐시하거나 환경을 재사용하십시오.

다음에 시도해 볼 것​

  1. 신뢰하는 논문의 참고문헌에 litcheck.mjs counts를 실행하여 어느 횟수가 가장 많이 어긋나는지 보십시오.
  2. 20편의 읽기 목록을 만드십시오. 기초 5편, 최신 10편, 비판적이거나 부정적인 결과 5편.
  3. 동의하지 않는 논문의 CLAIMS.md를 채우고, 어떤 증거가 생각을 바꿀지 적어 보십시오.
  4. 템플릿을 복사해 17장 실습의 분석을 넣고, 동료가 깨끗한 컴퓨터에서 재현하게 해 보십시오.
  5. 열 가지 프로젝트 중 하나를 골라 데이터를 건드리기 전에 데이터 카드를 쓰십시오.

왜 중요한가​

잘 읽고 재현 가능하게 시작하는 것은 문헌에 기여하는 것과 잡음을 더하는 것의 차이입니다. 또한 이 책 전체가 보상하는 습관, 즉 증거가 얼마나 강한지 묻는 습관이기도 합니다.

실제 현장에서는​

  • AM Bench는 측정, 챌린지, 결과를 공개하여 여러 그룹을 같은 데이터로 비교할 수 있게 합니다 [10][12].
  • ASTM F42와 ISO/TC 261은 용어, 시험 방법, 데이터에 대한 표준을 조율합니다 [13][14].
  • 17장 실습에서 쓴 NIST 레코드처럼 DOI가 있는 데이터셋 레코드는 다른 사람이 데이터를 인용하고 재사용할 수 있게 합니다 [11].

핵심 용어​

  • 기초 논문(foundational paper) — 주제를 정의하거나 정리한, 널리 인용되는 보통 오래된 논문.
  • 전방·후방 눈덩이 탐색(snowballing) — 논문의 참고문헌(후방) 또는 그 논문을 인용한 연구(전방)를 따라가며 관련 문헌을 찾는 방법.
  • 나이 편향(age bias) — 누적 인용 횟수가 오래된 논문에 유리한 경향.
  • 자기 인용(self-citation) — 인용한 연구와 인용된 연구가 저자를 공유하는 인용.
  • 증거 수준(evidence level) — 주장이 얼마나 강하게 확립되었는지를 나타내는 이 책의 라벨(실험실 규모, 생산 현장, 논쟁 중).
  • 반복의 단위(unit of replication) — 반복된 독립적인 대상(빌드, 시편, 연구실). 한 대상을 여러 번 측정한 것과 구별됨.
  • DOI — 논문이나 데이터셋에 대한 영구적인 디지털 객체 식별자 링크.
  • 데이터 카드(data card) — 데이터셋의 출처, 라이선스, 구조, 한계를 설명하는 짧은 문서.
  • FAIR — 찾기 쉽고, 접근 가능하고, 상호운용 가능하고, 재사용 가능한 데이터를 위한 원칙.
  • 고정된 환경(pinned environment) — 실행을 반복할 수 있도록 정확히 기록한 소프트웨어 버전.

다음 이야기​

19장 솔직한 평가는 이 책 전체를 저울질하고, 산업이 가장 어려워하는 문제의 순위를 매기고, 문제를 고르는 조언을 줍니다. CLAIMS.md와 프로젝트 아이디어 후보 목록을 가지고 가십시오.