생성형 인공지능 DeepSeek 기반 TOPIK 논증 글쓰기의 구조 분석 -ChatGPT 텍스트 분석과 비교를 통해서-

Abstract

이 연구는 텍스트 구조 관점에서 DeepSeek와 ChatGPT 기반 TOPIK 논증 글쓰기의 구조 특징을 비교·분석하고, 인공지능 모델의 한계점 및 개선 방안을 제시하는 것이 목적이다. 기존 연구가 단일 인공지능, 대체로 ChatGPT를 기반으로만 텍스트 분석 연구를 진행한 한계를 극복하고자, 본 연구는 새로운 인공지능 모델을 포함한 비교 분석을 통해 모델 간 상호 발전 방안을 찾고자 하였다. DeepSeek와 ChatGPT 기반 TOPIK 논증 글쓰기에 대한 비교 분석 결과에 따르면, 우선, 두 모델의 내·외형적 구조 특징은 서로 유사하나, 구조적 정확성에서 아직 DeepSeek가 ChatGPT에 비해 상대적으로 낮게 나타났다. 또한, 두 모델은 모두 ‘과다한 단락 구조’, ‘문제적 본론 구조’, ‘잉여적 결론 구조’라는 외형적인 구조 문제점이 공통적으로 나타났는데, 이 원인은 현재 생성형 인공지능의 학습 데이터의 목표와 TOPIK 논증 글쓰기처럼 특수 목적형 글쓰기 과제 목표의 괴리 때문이다. 이를 해결하기 위해 본 연구는 ‘조건+시험 프롬프트’ 형태의 인공지능 프롬프트 최적화 작업을 제안하였고, 이에 따른 답변 사례를 제시함으로써 구조 정확성을 확인하였다. 따라서 본 연구는 범용 생성형 인공지능에 의존하는 현시점에, ‘문제 예방 및 효과적 생성’의 접근을 바탕으로 텍스트 구조의 특징과 그 개선 방안을 제시하였다. 아울러 향후 TOPIK 주관 기관인 국제교육원에서 54번 논증 글쓰기와 같은 특수 목적형 글쓰기 과제에 적합한 전용 인공지능 모델을 개발할 경우, 본 연구의 방법론 및 분석 결과가 이에 유익한 참고 자료로서 기여가 되기를 기대한다.

This study aims to compare and analyze the structural characteristics of TOPIK argumentative writing generated by DeepSeek and ChatGPT from a text structure perspective, while identifying limitations and suggesting improvements for AI models. Unlike previous studies that focused solely on a single AI model, usually ChatGPT, this research incorporates a comparative approach that includes a newer model, DeepSeek, to explore potential for mutual advancement. The comparison revealed that both models displayed similar internal and external structural tendencies. However, DeepSeek showed relatively lower structural accuracy than ChatGPT. Both models shared three major structural issues: excessive paragraph segmentation, flawed body organization, and redundant conclusions. These limitations stem from a mismatch between the general nature of training data used in generative AI and the specific goals of targeted writing tasks, such as the TOPIK argumentative writing. To address these issues, this study proposes an AI prompt optimization method using a “condition + task prompt” format. Examples of responses generated using this method demonstrated improved structural accuracy. In conclusion, this research suggests structural improvement strategies for text generation based on a “problem prevention and effective generation” approach, offering practical insights at a time when general purpose generative AIs are widely used. Furthermore, if the National Institute for International Education, the organizer of TOPIK, develops a specialized AI model tailored for tasks like Question 54 argumentative writing, the methodology and findings of this study could serve as a valuable reference.