합성데이터 활용 공개 의무 (Synthetic Data Disclosure)
쉽게 풀면
요즘은 실제 환자나 참여자를 모으기 어려운 경우, 생성형 AI나 통계 모델로 "진짜와 비슷한" 가짜 데이터를 만들어 분석에 활용하는 일이 늘고 있습니다. 개인정보 보호나 희귀 사례 보완 등 합성데이터 자체는 유용한 도구이지만, 문제는 이걸 실제 관찰 데이터인 것처럼 논문에 슬쩍 섞어 쓰는 경우입니다. 독자는 결과가 실제 세계를 반영하는지 판단할 수 없게 되고, 이는 연구자료 위조·변조와 결과적으로 비슷한 문제를 낳습니다. 그래서 합성데이터를 어느 단계에서, 어떤 방법으로, 얼마나 사용했는지를 방법론 섹션에 명시적으로 공개하도록 요구하는 것이 이 원칙입니다.
왜 중요한가
생성형 AI와 시뮬레이션 기법이 발전하면서 합성데이터의 활용은 의료, 사회과학, 공학 등 거의 모든 분야로 빠르게 퍼지고 있습니다. 합성데이터는 개인정보를 보호하면서도 분석이 가능하게 해주는 유용한 도구이지만, 이를 실제 관찰 데이터와 구분 없이 섞어 쓰면 연구 결과의 재현성과 신뢰성이 근본적으로 흔들립니다. 그래서 학술지와 연구윤리 기관들은 합성데이터 사용 여부와 방법을 투명하게 공개하도록 요구하는 방향으로 나아가고 있으며, 이는 AI 시대 연구 진실성 논의의 핵심 축 중 하나입니다.
논문에서는 이렇게 쓰입니다
이 문장은 "결과 일부가 실측이 아닌 인공적으로 만든 데이터에 기반했음을 숨기지 않고, 독자가 검증할 수 있도록 근거를 함께 제공했다"는 뜻입니다.
의학 연구에서는 표본이 매우 적은 희귀질환 등을 다룰 때 합성데이터로 보완하되, 실제 데이터의 결과와 합성데이터가 섞인 결과를 명확히 구분해서 제시해야 한다는 관행을 보여줍니다.
사회과학 연구에서도 결측치 보완을 위해 합성데이터가 쓰일 수 있으며, 그 생성 과정을 재현 가능하도록 구체적으로 밝혀야 한다는 원칙을 나타냅니다.
조금 더 깊게 보면
합성데이터의 품질은 흔히 실제 데이터와의 분포 유사성, 그리고 실제 데이터를 사용했을 때와 동일한 분석 결과가 재현되는지를 통해 평가됩니다. 생성 모델의 종류(통계적 시뮬레이션인지, GAN이나 확산모델 같은 딥러닝 기반 생성모델인지)에 따라 원본 데이터의 통계적 특성을 얼마나 충실히 보존하는지, 그리고 개인 재식별 위험을 얼마나 낮추는지가 달라지므로, 논문에서는 어떤 생성 방식을 썼는지와 검증 절차를 함께 명시하는 것이 바람직합니다.
주의할 점
합성데이터를 공개했다고 해서 결과의 타당성이 저절로 보장되는 것은 아닙니다. 생성 모델이 실제 데이터의 편향을 그대로 학습해 증폭시킬 수 있으므로, 연구데이터의 알고리즘적 편향 문제와 함께 검토해야 하며, 합성데이터 비중이 크다면 별도의 민감도 분석으로 결과가 실제 데이터만으로도 유지되는지 확인하는 것이 바람직합니다.