ACL 계열 국제 학회 논문을 위한 동기, 참신성, 검증, 글쓰기, 재현성 관련 실용적인 작성 지침입니다.
이 글에서는 NLP/ML(자연어 처리/기계 학습) 분야에서 저자와 심사자 모두를 경험하며 얻은 지식을 바탕으로, *ACL 계열(ACL, EMNLP, NAACL, EACL, AACL) 국제 학회에 제출할 논문 작성 요령을 공유합니다1. *ACL에 처음 투고하는 분이나 논문 작성 역량을 더 높이고 싶은 분께 도움이 되기를 바랍니다. (저 역시 계속 배우는 중입니다. 따라서 아래 내용은 한 연구자의 경험에 기반한 견해로 받아들여 주시면 좋겠습니다.)
그렇다면 어떤 논문이 ‘좋은 논문’으로 여겨질까요?
이 질문에는 다양한 답이 있을 수 있지만, 저는 다음 다섯 요건을 충족하는 논문이 좋은 논문이라고 생각합니다.
이하에서는 각 요건을 자세히 살펴보겠습니다.
‘동기가 명확한 논문’을 쓰려면 ‘왜 이 연구가 중요한가’, ‘어떤 과제를 해결하려 하는가’라는 질문에 제대로 답해야 합니다.
이를 위해 저는 논문의 Abstract와 Introduction에 다음 여섯 요소를 반드시 넣습니다.
이제 제 ACL 채택 논문인 『Mitigating Catastrophic Forgetting in Target Language Adaptation of LLMs via Source-Shielded Updates』의 Introduction을 예로 들어, 위 여섯 요소가 어떻게 포함되었는지 살펴보겠습니다.
대규모 언어 모델(LLM)은 수많은 응용에서 뛰어난 일반화 능력을 보입니다(OpenAI, 2025; Guo et al., 2025; Yang et al., 2025; Gemma Team et al., 2025). 그러나 학습 데이터에 없거나 충분히 대표되지 않은 언어에서는 성능이 현저히 낮아, 전 세계 화자의 공평한 접근을 가로막습니다(Huang et al., 2023). 이 문제를 해결하는 표준 접근법은 대상 언어 데이터에 대한 지속 사전학습(CPT) 또는 미세 조정입니다(Cui et al., 2024; Ji et al., 2025).
이 문단은 먼저 본 연구의 전체 주제인 ‘저자원 언어에서의 LLM 성능 저하’를 도입합니다. 이어 현재의 표준 접근법인 대상 언어 지속 사전학습 및 미세 조정을 제시하여, 다음 문단에서 문제점을 지적할 토대를 마련합니다.
그러나 지시 모델을 이러한 언어에 적응시키는 일은 특히 어렵습니다. 이런 모델에는 특화된 지시 미세 조정 데이터가 필요하지만(Wei et al., 2022; Rafailov et al., 2023), 저대표 언어에서는 이를 구할 수 없거나 제작 비용이 지나치게 높은 경우가 많습니다(Huang et al., 2024c). 또한 저비용 대안인 기계 번역 데이터도 일관되게 효과적이지는 않습니다(Tao et al., 2024).
여기서 중요한 점은 연구 초점을 특정 모델 유형인 지시 모델에 의도적으로 한정한다는 것입니다. 그 위에서 ‘지시 미세 조정 데이터 부족’이라는 본질적인 과제를 제시합니다. 저비용 대안인 기계 번역 데이터의 한계까지 언급해 과제의 어려움을 더 강조합니다.
이처럼 논문의 초점을 ‘지시 모델의 대상 언어 적응’으로 좁히고, 베이스 모델 적응처럼 관련된 다른 문제를 의도적으로 범위 밖에 둠으로써 연구 범위와 동기가 더 명확해집니다.
따라서 레이블 없는 대상 언어 텍스트를 사용하는 것이 적응을 위한 유일한 실현 가능한 선택지인 경우가 많습니다. 이 접근법은 대상 언어 숙련도를 높일 수 있지만, 새 학습이 기존 지식을 지워 버리는 파국적 망각을 자주 유발합니다(Kirkpatrick et al., 2017; Tejaswi et al., 2024; Mundra et al., 2024; Yamaguchi et al., 2025). 이 문제는 지시 모델에서 특히 심각합니다. 모델의 범용 기능은 주로 대화와 지시 이행 같은 핵심 능력에서 나오는데, 이것이 무너지기 때문입니다. 이에 선행 연구는 사후 완화를 시도했습니다. 예를 들어 Yamaguchi et al. (2025)은 원본 모델과 적응 모델의 가중치를 병합하고, Huang et al. (2024c)은 태스크 벡터를 사용해 베이스 모델의 CPT 파라미터 변화를 지시 모델에 적용합니다. 그럼에도 이 방법들은 대체로 파국적 망각을 완화하지 못하며, 핵심 기능을 크게 저하시킵니다.
사후 방법의 한계는 완화가 적응 과정 중에 이루어져야 함을 시사합니다. 따라서 우리는 CPT 단계에 주목합니다. 구체적으로, 학습 중 수정할 가중치를 제한하는 방법인 선택적 파라미터 업데이트를 활용합니다. 이 접근법은 파라미터 효율적 미세 조정, 정규화, 모델 병합 같은 대안보다 파국적 망각 완화에 효과적임이 입증되었습니다(Zhang et al., 2024a; Hui et al., 2025). 그러나 LLM 적응을 위한 기존의 선택적 파라미터 조정 패러다임은 레이블 없는 대상 언어 텍스트로 지시 모델을 적응시키기에 부적절합니다. 이들은 지식 보존을 위한 원칙적 방법이 없는 무작위 선택 또는 새 데이터의 신호로 업데이트를 유도하는 대상 중심 신호에 의존합니다(§2). 원시 텍스트에는 지시 이행 행동을 끌어내는 데 필요한 대화 템플릿이 없으므로, 대상 중심 신호는 특히 취약합니다. 원시 텍스트와 대화 템플릿의 구조적 차이 때문에 이 양립 불가능한 형식에 최적화하면 보존하려는 기반 능력 자체가 손상될 수 있습니다.
여기서는 먼저 ‘비지도 텍스트 활용’이라는 현실적 해결책을 제시하면서 그것이 파국적 망각을 일으킨다는 한계를 설명합니다. 이어 모델 병합 같은 사후 대책을 시도한 선행 연구를 소개하고, 이들 역시 핵심 기능 저하를 막을 만큼 파국적 망각을 완화하지 못했음을 밝힙니다.
사후 방법의 한계를 보인 다음에는 대책이 학습 단계에서 이루어져야 한다는 주장을 전개합니다. CPT 단계의 선택적 파라미터 업데이트가 유망함을 설명하면서도, 기존 선택적 업데이트 역시 본질적 해결책이 아님을 지적합니다. 기존 방법은 무작위 선택이나 대상 데이터 중심 학습에 의존하므로 이 연구의 맥락에서는 효과적이지 않습니다. 이것이 다음 블록에서 제안할 방법의 복선이 됩니다.
💡 작성 팁: 이 블록은 하나의 문단으로 구성되기도 합니다. 위 예시에서는 가독성을 위해 두 문단으로 나누었습니다. 첫 문단은 ‘기존 해결책의 한계’, 둘째 문단은 ‘기존 선택적 파라미터 업데이트 방법의 한계’에 초점을 맞춰 구조를 정리합니다.
따라서 우리는 적응이 시작되기 전에 원천 지식을 선제적으로 보호하는 새로운 원천 중심 접근법인 Source-Shielded Updates (SSU)를 도입합니다(Figure 1). 먼저 SSU는 소량의 원천 데이터와 Wanda(Sun et al., 2024)처럼 모델 가지치기에 쓰이는 파라미터 중요도 점수화 방법을 사용하여 원천 능력에 중요한 파라미터를 식별합니다. 둘째, 이 원소별 점수로 열 단위 동결 마스크를 구성합니다. 이 구조적 설계는 핵심적입니다. 특징 변환을 손상시키는 단순 원소별 동결과 달리, 열 단위 접근은 이를 온전히 보존합니다. 마지막으로 레이블 없는 대상 언어 데이터에 대한 CPT 중 이 마스크를 적용하여 보호된 구조 단위를 동결 상태로 유지합니다. 이 과정은 대상 언어 성능을 높이면서 모델의 범용 능력을 효과적으로 보존하게 합니다.
이 블록은 제안 방법의 개요를 설명합니다. 기존 방법의 한계인 대상 중심 접근 등을 어떻게 극복하는지 분명히 하면서, 데이터 선택, 마스크 구성, 구조 보존 같은 구체적 메커니즘을 간단히 설명합니다. 보통 이 부분에는 방법을 시각적으로 설명하는 그림을 넣습니다. 그림은 심사자와 독자의 직관적 이해를 돕습니다.
우리는 유형적으로 다양한 다섯 언어와 두 가지 모델 규모(7B 및 13B)를 대상으로 한 광범위한 실험으로 접근법을 검증합니다. 대화, 지시 이행, 안전성, 일반 생성 및 분류를 포함한 여러 차원에서 원천 언어(English) 성능을 평가하고, 대상 언어 성능도 함께 평가합니다.
제안 방법을 어떻게 평가했는지 간결하게 설명합니다. 일부 논문은 여기서 주요 결과를 소개하기도 하지만, 저는 글의 장황함을 피하기 위해 이곳에는 실험 개요만 두고 상세 결과는 Results 섹션에 맡기는 방식을 선호합니다.
우리의 기여를 다음과 같이 요약합니다:
- 특화된 대상 언어 지시 미세 조정 데이터 없이 지시 모델을 대상 언어에 적응시키는 새로운 방법으로, 언어적 접근성을 넓는 데 필요한 핵심 병목을 해결합니다.
- 두 모델 규모에서 SSU는 모든 핵심 지시 이행 및 안전성 태스크에서 모든 기준선을 일관되게 능가합니다. 완전 미세 조정에 필적하는 선도적 대상 언어 숙련도를 달성하면서도 일반 원천 언어 성능은 거의 완벽하게 보존합니다.
- 광범위한 분석을 통해 SSU의 효과를 검증하고, 열 단위 동결의 우수성과 원천 데이터 기반 파라미터 점수화의 중요성을 확인합니다. 질적으로는 SSU가 최신 방법이 겪는 언어 코드 혼합을 피함을 보여 주며, 이것이 원천 대화 및 지시 이행 태스크 전반에서의 우수한 능력을 설명합니다.
마지막으로 논문의 주요 기여를 요약합니다. 다양한 방식이 가능하지만, ‘첫째 방법/자원 제안’, ‘둘째 주요 실험 결과’, ‘셋째 상세 분석 및 고찰’의 구성이 좋은 기준입니다.
참신성은 논문 채택에서 매우 중요한 요소입니다. 동시에 무엇을 참신성으로 볼지는 심사자의 주관에 좌우되기 쉬워 의견이 갈리기도 합니다.
개인적으로는 지금까지 탐색되지 않았던 새로운 아이디어나 방법을 제시한다면 충분히 참신하다고 볼 수 있다고 생각합니다. 반드시 획기적인 방법일 필요는 없습니다. 예를 들어 기존 방법의 새로운 적용, 새로운 데이터셋 구축, 또는 전례 없는 깊이의 분석도 참신한 기여가 될 수 있습니다.
즉, 다른 요건인 명확한 동기, 적절한 검증, 세련된 글쓰기, 재현성이 모두 높은 수준에서 충족된다면, 논문 작성 시 참신성을 지나치게 의식할 필요는 없다고 생각합니다.
최신 모델을 사용합니다
오래된 모델로 한 실험은 논문 전체를 시대에 뒤떨어져 보이게 하며 심사 평가를 크게 낮출 수 있습니다. 연구의 가치와 실용적 의의를 보이려면 논문 작성 시점에 분야의 주류인 최신 모델을 사용하는 일이 매우 중요합니다. ‘선행 연구가 모델 A를 사용했기 때문에’, ‘공정한 비교를 위해서’라는 이유는 빠르게 변하는 현재 NLP/ML 분야에서 약한 변명입니다. 과거 방법과 실험 조건을 맞추고 싶다면 오래된 모델 결과를 남기되, 반드시 최신 모델 실험도 추가하여 연구의 타당성을 보이는 것이 좋습니다.
여러 모델 계열과 규모에서 평가합니다
LLM은 모델이 바뀌면 행동이 완전히 달라지는 일이 흔합니다. 같은 모델 계열이라도 규모(7B, 13B 등)만 바뀌어도 행동이 정반대가 되는 경우가 드물지 않습니다. 따라서 얻은 지식의 견고성을 입증하려면 여러 모델 계열과 규모에서 검증해야 합니다.
심사하다 보면 ‘계산 자원이 제한적이기 때문에’라는 저자의 반론을 자주 보지만, 이는 그다지 효과적인 주장이 아닙니다. 계산 자원이 제한된다면 적어도 ‘가장 성능이 좋은 자체 접근법’과 ‘최상위 기준선’만이라도 여러 모델이나 규모에서 비교하여 일반성을 보여야 합니다.
강력하고 최신인 기준선을 마련합니다
제안 방법의 효과를 입증하려면 현재 가장 강력하다고 여겨지는 최신 기준선과 비교해야 합니다. 약하거나 오래된 기준선과의 비교만 하면 전문성이 부족해 보이고 심사자의 인상을 해칩니다. 사정상 약한 기준선을 포함해야 한다면 그 선택 이유를 분명히 설명해야 합니다.
실험 설계 모범 사례를 따릅니다
결과의 신뢰성과 타당성을 보장하려면 분야 표준 평가 벤치마크와 지표를 사용하는 것이 좋습니다. 텍스트 생성처럼 변수의 영향이 큰 실험은 서로 다른 여러 난수 시드로 실행하고 평균을 보고하는 것이 가장 좋습니다.
포괄적인 절제 분석을 수행합니다
제안 방법이 여러 구성 요소나 하이퍼파라미터로 이루어졌다면, 각 요소가 전체 성능 향상에 얼마나 기여하는지 분해해 조사하는 절제 분석이 필수입니다. 각 요소의 역할을 깊이 이해하는 것은 방법의 설득력을 높이는 데 중요합니다.
논문 작성 기법은 무수히 많지만, 이 글에서는 특히 *ACL 계열 학회 논문에 중요한 ‘규칙(암묵적 관례)을 따르기’, ‘명확성(Clarity)’, ‘간결성(Conciseness)’에 집중합니다.
질문: 왜 작성의 암묵적 규칙을 따라야 하나요?
답변:
학회 형식 지침을 엄격히 준수합니다
당연해 보일 수 있지만 학회 형식 지침 준수는 매우 중요합니다. 올바른 템플릿, 글자 크기, 줄 간격을 사용하십시오. 지침을 따르지 않으면 논문이 무례하게 보일 뿐 아니라 최악의 경우 데스크 리젝으로 이어질 수 있습니다. 특히 ML 분야에서 *ACL 계열에 처음 투고하는 사람이 흔히 하는 실수는 표 캡션을 위에 두는 것입니다. *ACL 논문에서는 그림과 표 모두 캡션을 아래에 둡니다. 페이지 제한을 맞추려고 \vspace, \hspace 같은 미세 공간 조정 명령을 남용하는 일도 외관과 심사자 인상을 해칠 수 있으므로 피해야 합니다2.
전형적 연구 논문 구조를 따릅니다
일반적인 연구 논문은 다음과 같은 정석 구조를 갖습니다: Abstract, Introduction, Related Work, Methodology, Experimental Setup, Results, Analysis, Conclusion, Limitations, and Ethical Considerations. 이 구조를 따르면 논문이 정리되고 훨씬 읽기 쉬워집니다. 구체적 주제에 따라 약간 달라질 수는 있지만, 기본적으로 이 구성을 따르는 것이 바람직합니다.
각 섹션 내부도 각자의 전형적 구조를 따르는 것이 중요합니다. 예를 들어 Introduction은 앞서 설명한 동기가 명확한 논문의 구조를 따라야 합니다.
Abstract와 Introduction에서 선언한 내용을 이후 섹션에서 반드시 수행합니다
서론에서 큰 주장을 해 놓고 뒤쪽 장에서 전혀 다루지 않는 논문을 볼 때가 있습니다. 이는 논문의 신뢰성을 치명적으로 훼손하며 낮은 평가의 원인이 됩니다.
Related Work에서 관련 연구와의 차이 및 관계를 간결하고 명확하게 설명합니다
관련 논문을 목록처럼 나열할 뿐, 자기 연구가 관련 연구와 어떻게 다른지 또는 어떻게 연결되는지 설명하지 않는 것은 좋지 않습니다. 그러면 심사자와 독자가 논문의 참신성과 중요성을 이해하기 어려워집니다.
Methodology는 단계적으로 쌓아 올리듯 설명합니다
제안 방법을 설명하는 장은 단계적으로 구성해야 합니다. 먼저 방법의 전체상을 제시하고, 이후 각 구성 요소와 절차의 상세 설명으로 나아갑니다. 또한 제안 방법에 여러 변형이 있다면 먼저 가장 기본 버전을 설명하고, 이어 개별 하위 섹션이나 이름을 붙인 문단(굵은 문단)을 통해 각 변형의 동기를 짧게 덧붙여 설명하는 것이 좋습니다. 이렇게 하면 방법 섹션 전체가 정리되어 이해하기 쉬워집니다.
Experimental Setup을 상세히 작성합니다
실험 설정 장이 매우 모호하거나 지나치게 짧은 논문을 가끔 보지만, 제 생각에는 큰 실수입니다. 이 장은 여러 측면에서 매우 중요합니다.
Results 섹션의 배치를 규정합니다
예를 들어 실험 설정에서 제안 방법의 효과를 (i) 지시 이행 및 대화 성능, (ii) 안전성 성능, (iii) 원천 언어 성능, (iv) 대상 언어 성능으로 검증한다고 썼다면, Results에도 똑같이 대응하는 하위 섹션이나 이름 붙인 문단을 배치해야 합니다. 그러면 Results가 정리되고 읽기 쉬워집니다.
논문 속 실험을 정당화하는 데 도움이 됩니다
이 섹션은 실험 세부 사항을 소개하는 곳일 뿐 아니라, 왜 해당 설정이 제안 방법의 효과를 검증하기에 적절한지 정당화하는 곳이기도 합니다. 특정 태스크, 언어, 모델 규모를 선택한 이유를 여기서 설명할 수 있습니다. 이는 논문의 설득력을 높이고 심사자가 제기할 비판을 미리 막는 데 도움이 됩니다.
Results를 쓰기 전에 강조할 요소의 글머리표 목록을 만듭니다
결과 섹션을 작성하기 전에 강조할 주요 측면의 목록을 만들어 두면 매우 유용합니다. 예를 들어 모델별 결과, 태스크별 결과, 언어별 결과, 모델 규모별 결과 등이 있습니다. 특정 연구 질문(Research Questions; RQs)을 설정했다면 ‘RQ1 결과, RQ2 결과’ 같은 목록이 됩니다.
각 Analysis 섹션의 시작에 짧은 동기를 제시합니다
독자는 관련 연구나 제안 방법에서 설명한 방법과 틀의 세부 사항을 모두 기억하지 못합니다. 따라서 곧바로 ‘Table X가 …을 보인다’, ‘Figure Y가 …을 보인다’로 시작하지 말고, 각 분석에서 무엇을 조사하려는지, 즉 목적을 본론에 앞서 짧게 말해야 합니다.
단순하고 명확한 말을 사용합니다
*ACL 심사자와 독자의 대다수는 English 원어민이 아닙니다. 따라서 논문을 읽고 이해하기 쉽게 하려면 단순하고 명확한 언어를 사용하는 일이 매우 중요합니다.
전문 용어의 남용과 복잡한 문장을 피합니다
전문 용어와 복잡한 문장은 논문을 읽고 이해하기 어렵게 만듭니다. 심사자가 투고 논문의 세부 주제에는 익숙하지 않지만 넓은 NLP/ML 분야의 전문가일 수 있습니다. 논문이 전문 용어와 복잡한 문장으로 가득하면 이해에 큰 어려움을 겪게 됩니다. 특히 Abstract, Introduction, Conclusion에서 이를 철저히 피해야 합니다.
약어(Abbreviation)는 처음 나올 때 반드시 정의하고 과용하지 않습니다
개인적으로는 논문 안에 너무 많은 약어를 새로 만드는 일도 피해야 한다고 생각합니다. 논문을 읽기 어렵게 만들기 때문입니다. 인간의 작업 기억에는 한계가 있어, 독자가 지나치게 많은 약어를 계속 파악하기는 어렵습니다.
중요한 세부 사항을 부록으로 떠넘기지 않습니다
부록은 추가 실험 세부 사항, 선행 연구 보충, 보조 결과에만 사용해야 합니다. 가장 중요한 점은 심사자에게 부록을 읽을 의무가 없다는 것입니다. 따라서 중요한 정보를 부록에 넣기로 했다면 심사자가 읽어 줄 것이라 기대해서는 안 되며, 이것이 부정적 심사로 이어질 수 있음을 알아야 합니다.
간결하고 핵심적으로 씁니다(장황하게 긴 문단을 쓰지 않습니다)
장황한 긴 문단은 피하십시오. 일반 독자는 긴 문단을 읽을 만큼 인내심이 많지 않습니다. 심사자라면 글자로 빽빽한 긴 문단을 읽고 싶겠습니까? 대부분 피하고 싶을 것입니다. 따라서 간결하고 핵심적으로 쓰는 것이 중요합니다. 전할 내용이 많다면 여러 문단으로 나누십시오. 각 문단은 명확한 하나의 요지만 가져야 하며 너무 길어지지 않아야 합니다.
긴 한 문장을 쓰지 않습니다
문장에도 똑같이 적용됩니다. 긴 문장을 쓰지 마십시오. 한 문장이 길어졌다면 여러 짧은 문장으로 나누십시오. 한 문장 안에 접속사와 관계절이 동시에 여러 번 나타난다면 문장이 너무 길다는 신호이며, 더 짧은 문장으로 분리해야 합니다. 긴 문장은 논문을 읽고 이해하기 어렵게 만드는 원인입니다.
Apptainer나 Docker 같은 재현 가능한 도구를 실험에 도입합니다
NVIDIA, AMD, vLLM, PyTorch 등은 LLM 실험에 최적화된 사전 구축 Docker 이미지를 제공합니다. 이를 사용하면 실험 재현성을 보장하고 다른 사람이 쉽게 실행할 수 있습니다. 또한 다른 연구자가 결과를 재현할 때 이른바 의존성 지옥에 빠지는 일을 막을 수 있습니다.
소프트웨어와 하드웨어 버전을 논문에 명시합니다
컨테이너를 사용하더라도 주요 라이브러리와 하드웨어 버전을 논문에 적는 일은 중요합니다. 다른 사람이 실험 환경을 이해하고 재현 시 발생할 잠재적 문제를 찾는 데 도움이 됩니다. 예를 들어 PyTorch를 논문에서 인용할 때는 \citep[vX.X.X]{pytorch}처럼(vX.X.X는 실험에 사용한 구체적 버전) 명시하면 좋습니다.
하이퍼파라미터 대조표를 포함합니다
실험을 했다면 학습률, 배치 크기, 프롬프트 템플릿 등 주요 설정을 망라한 하이퍼파라미터 표를 본문 또는 부록에 반드시 포함하십시오.
코드 저장소의 README 파일을 철저히 작성합니다
다른 사람이 결과를 확실히 재현할 수 있게 하려면 상세한 README가 매우 중요합니다. README에는 환경 구축 절차, 코드 실행 방법, 실험 결과 평가 스크립트 실행법을 단계별로 설명해야 합니다.
논문에 포함된 모든 실험의 코드를 공개합니다
제안 방법 코드만 공개하고 논문에서 비교한 기준선 실험 코드를 제공하지 않는 저장소를 가끔 봅니다. 그러면 다른 사람이 같은 조건에서 결과를 재현하기 어렵습니다. 기준선 코드를 제외할 명확한 이유가 없다면 모두 저장소에 포함하고 README에 실행 방법을 적어야 합니다. 이는 재현성과 논문 자체의 신뢰성을 크게 높입니다.
코드의 경로 지정에는 상대 경로나 환경 변수를 사용합니다
절대 경로를 코드에 하드코딩하지 마십시오. 환경이 바뀌면 작동하지 않아 재현에 큰 장애가 됩니다. 반드시 상대 경로나 환경 변수를 사용하십시오.
버전 관리에는 Git을 쓰고 외부 코드 의존성에는 Git Submodules를 활용합니다
Git 버전 관리는 코드 변경 이력을 추적하고 다른 사람과 공동 연구하는 데 매우 유용합니다. 비교 대상 기준선처럼 외부 저장소 코드에 의존한다면 Git 서브모듈로 관리하십시오. 그러면 다른 사람이 저장소와 서브모듈을 함께 쉽게 복제할 수 있어 재현이 훨씬 원활해집니다.
논문에 익명화된 코드 저장소 링크를 포함합니다
심사용 익명화 저장소 링크를 논문에 확실히 포함하는 것이 중요합니다. 코드로 가는 경로를 제공하는 일은 재현성을 입증할 뿐 아니라 심사자에게 논문의 신뢰성을 높이는 데도 효과적입니다.
논문 작성은 언제 시작해야 하나요?
가능한 한 빨리 시작하는 것을 권합니다. 한 번에 완벽한 논문을 쓰는 것은 거의 불가능합니다. 일찍 시작하면 시간을 들여 여러 번 고치고 개선할 수 있습니다.
할 말은 많은데 페이지 제한이 너무 짧습니다. 어떻게 해야 하나요?
대부분의 경우 쓰고 싶은 내용 중 상당수는 논문의 핵심 메시지에 중요하지 않습니다. 하나의 논문은 하나의 주요 메시지나 과제에 집중해야 하며, 모든 내용은 그 메시지에 직접 기여해야 합니다. 핵심과 직결되지 않는 내용은 과감히 삭제하거나 부록으로 보내십시오.
지금까지 한 모든 실험 결과를 논문에 넣어야 하나요?
아니요. 논문의 핵심 메시지를 입증하는 데 정말 필수적이고 관련 있는 실험만 골라 포함하십시오.
왜 제 논문은 계속 리젝되는 걸까요? 마음이 꺾일 것 같습니다.
리젝은 많은 연구자에게 일상적이고 매우 흔한 경험입니다. 너무 낙담하지 마십시오. (제 실패 사례를 모은 『CV of Failures』도 참고하십시오.) 중요한 것은 심사자가 준 피드백에서 진지하게 배우고 논문을 계속 개선하는 일입니다. 학회 투고 전에 동료나 지도교수에게 보여 피드백을 받는 것도 매우 효과적입니다.
*ACL 계열 국제 학회를 위한 논문 작성은 결코 쉽지 않지만, 동시에 보람 있는 과정입니다. 이 글의 팁과 지침이 여러분의 논문이 심사자와 독자에게 높이 평가되고 채택되는 데 도움이 되기를 바랍니다.
마지막으로 가장 중요한 조언은 **‘우리는 다른 사람에게 연구를 전달하기 위해 논문을 쓴다’**는 사실을 잊지 않는 것입니다. ‘나 자신이 이해하니 독자도 당연히 이해할 것’이라고 생각하며 쓰는 것은 실패의 원인입니다. 심사자와 독자는 저자의 마음을 읽을 수 없으므로, 모든 것은 명확하고 명시적으로 서술되어야 합니다.
또한 **‘내가 심사자나 독자라면 읽고 싶지 않을 글은 절대로 쓰지 않는다’**는 관점을 권합니다. 다른 사람이 쓴 글자뿐인 긴 문단을 읽고 싶지 않다면, 자신도 긴 문단을 쓰지 말아야 합니다. 작성 중에는 항상 심사자와 독자의 입장에서 자신의 글을 객관적으로 다시 살펴보십시오.