이공계 논문 이미지·데이터 진실성 완전 가이드 2026: 조작 방지와 재현성 체크리스트

이공계 논문 데이터 진실성은 실험 이미지와 그래프, 원자료를 있는 그대로 보고하고 임의로 조작하거나 선별하지 않는 원칙을 말합니다. 젤 이미지의 밴드 복제·스플라이싱, 그래프의 이상치 임의 제거, 유리한 결과만 골라 보고하는 체리피킹이 대표적인 위반 유형이며, 이는 여러 저널이 게재 후 이미지 검증 절차를 도입한 이유이기도 합니다. 데이터 진실성을 지키지 않으면 논문 철회는 물론 연구자 경력 전체에 타격을 줄 수 있습니다.

이 글은 이공계 대학원생과 연구자가 논문을 준비하며 이미지·데이터 조작의 경계를 명확히 이해할 수 있도록, 이미지 조작 유형, 그래프 데이터 처리의 정당한 범위와 부당한 범위, 원자료·분석코드 보관 원칙, 재현성 확보 방법, 저널의 이미지 검증 절차, 학과 차원의 예방 체계, 그리고 제출 전 자가 점검 체크리스트를 정리했습니다.

이공계 논문에서 이미지 조작이란 무엇인가요?

이미지 조작은 원본 실험 이미지의 내용을 왜곡하는 모든 편집 행위를 말합니다. 생물학·의학 분야의 웨스턴 블롯(젤 이미지)에서 특히 문제가 자주 지적되지만, 현미경 이미지·X선 회절 패턴·스펙트럼 그래프 등 정량적 시각 자료 전반에서 동일한 원칙이 적용됩니다.

핵심 기준은 “이미지가 원래 데이터가 전달하는 과학적 의미를 왜곡하는가”입니다. 밝기·대비를 이미지 전체에 균일하게 조정하는 것은 일반적으로 허용되지만, 특정 부분만 선택적으로 조정해 결과를 유리하게 보이도록 만드는 것은 조작으로 간주됩니다. 모든 처리는 원본 이미지를 반드시 보관한 상태에서 이루어져야 하며, 심사 과정에서 원본 제출을 요구받을 수 있습니다. 이미지 편집 프로그램의 히스토리 기록이나 레이어를 남겨두면 추후 이의가 제기됐을 때 처리 과정을 투명하게 소명할 수 있습니다.

그래프 중복 사용과 체리피킹은 어떻게 방지하나요?

그래프와 통계 데이터에서도 진실성을 해치는 관행이 존재합니다.

• 그래프 중복 사용 — 같은 데이터 세트를 다른 실험 조건의 결과인 것처럼 재사용하는 행위입니다. 여러 그림에서 유사한 그래프가 반복된다면 각각 독립된 실험에서 나온 것인지 반드시 확인해야 합니다.
• 체리피킹(cherry-picking) — 가설을 지지하는 결과만 선택적으로 보고하고, 예상과 다른 결과나 반복 실험에서 나온 불리한 데이터를 언급 없이 누락하는 행위입니다.
• 이상치(outlier) 임의 제거 — 통계적으로 정당한 절차(예: 사전에 정한 기준) 없이 결과를 좋게 만들기 위해 특정 데이터 포인트를 제외하는 행위입니다.
• 사후 가설 설정(HARKing) — 데이터를 본 뒤에 마치 처음부터 그 가설을 세웠던 것처럼 서술하는 행위로, 탐색적 분석과 확증적 분석을 혼동하게 만듭니다.

이상치를 제외해야 할 정당한 이유(측정 오류, 실험 프로토콜 위반 등)가 있다면, 이를 방법 섹션에 명시하고 제외 기준을 사전에 정해두는 것이 올바른 관행입니다. 모든 반복 실험 결과는 성공 여부와 관계없이 최소한 보충자료(supplementary material)에 기록해두는 것이 바람직하며, 실험 노트에는 실패한 시도까지 날짜별로 남겨두는 습관이 추후 재현성 검증과 이의 제기 대응에 모두 도움이 됩니다.

원자료와 분석 코드는 어떻게 보관해야 하나요?

이공계 논문의 데이터 진실성은 사후 검증이 가능해야 완성됩니다. 이를 위해 다음과 같은 보관 원칙이 권장됩니다.

1. 원자료(raw data) 보관 — 가공되지 않은 원본 측정값, 기기 출력 파일, 실험 노트를 논문 게재 후에도 일정 기간(통상 5~10년, 기관·학과 규정에 따라 상이) 보관합니다.
2. 분석 코드 보관 — 통계 분석이나 시뮬레이션에 사용한 스크립트를 버전과 함께 보관하고, 가능하면 GitHub 등에 공개해 재현성을 높입니다.
3. 메타데이터 기록 — 실험 조건, 장비 설정, 시약 로트번호 등 결과에 영향을 줄 수 있는 세부 정보를 함께 기록합니다.
4. 공동연구자 접근권 — 데이터 원본에 공동 저자 모두가 접근할 수 있도록 하여, 특정 개인만 원자료를 독점하는 상황을 방지합니다.

많은 저널이 데이터 가용성 선언(Data Availability Statement)을 요구하며, 원자료를 공개 저장소(예: Figshare, Zenodo, Dryad)에 등록하도록 권장하거나 의무화하는 추세입니다. 실험실을 옮기거나 졸업으로 소속이 바뀌더라도 원자료에 대한 접근 권한과 보관 책임 소재를 명확히 정리해 인수인계하는 것이 중요합니다.

재현성은 왜 중요한가요?

재현성(reproducibility)은 동일한 원자료와 방법으로 다른 연구자가 같은 결과에 도달할 수 있는지를 의미합니다. 여러 과학 분야에서 재현성 위기(replication crisis)가 논의되어 온 배경에는 방법 기술 부족, 통계적 관행의 문제, 데이터 미공개 등이 지목되어 왔습니다.

• 방법(Methods) 섹션에 실험 절차를 다른 연구자가 그대로 따라할 수 있을 만큼 구체적으로 기술합니다.
• 통계 분석에 사용한 소프트웨어명과 버전, 파라미터 설정을 명시합니다.
• 가능하다면 원자료와 분석 코드를 논문과 함께 공개해 독립적인 검증을 용이하게 합니다.

재현성을 높이는 노력은 단순히 규정을 지키는 차원을 넘어, 연구 결과에 대한 학계의 신뢰를 구축하는 실질적인 방법입니다. 지도교수나 공동연구자가 실험을 재현해볼 수 있을 정도로 방법을 상세히 기록해두면, 후속 연구자가 같은 연구실에 들어왔을 때도 시행착오를 줄일 수 있다는 실질적 이점도 있습니다.

저널은 이미지를 어떻게 검증하나요?

여러 저널이 게재 전후 이미지 조작 여부를 자동·수동으로 검증하는 절차를 운영합니다.

• 이미지 포렌식 소프트웨어로 픽셀 패턴을 분석해 복제·스플라이싱 흔적을 탐지합니다.
• 편집자나 심사자가 육안으로 이미지 경계선, 배경 패턴의 이상 여부를 검토합니다.
• 의심 사례가 발견되면 저자에게 원본 이미지 제출을 요구하고, 소명이 부족하면 정정(correction) 또는 철회(retraction) 절차로 이어집니다.

게재 후에도 PubPeer 같은 공개 플랫폼을 통해 독자들이 이미지 이상을 지적하는 경우가 늘고 있어, 사후 검증의 범위가 넓어지고 있는 추세입니다. 이 때문에 투고 전 저자 스스로 이미지를 재점검하는 절차가 갈수록 중요해지고 있습니다.

학과·지도교수 차원에서는 어떤 예방 체계가 필요한가요?

데이터 진실성은 개인의 주의만으로 완벽히 지켜지기 어렵고, 실험실·학과 차원의 체계가 뒷받침될 때 더 견고해집니다.

• 실험 노트 정기 검토 — 지도교수가 정기적으로 학생의 실험 노트와 원자료를 검토해 기록 습관을 관리합니다.
• 데이터 관리 계획 수립 — 연구 시작 단계에서 원자료 보관 위치, 접근 권한, 백업 방식을 미리 정합니다.
• 공동 검토 문화 — 논문 제출 전 공동 저자들이 서로의 원자료와 이미지 처리 과정을 교차 검토하는 관행을 만듭니다.
• 신입 연구자 교육 — 대학원 입학 초기에 이미지 처리 소프트웨어의 정당한 사용 범위와 실험 노트 작성법을 별도로 교육합니다.

이러한 체계는 개별 연구자의 실수나 판단 착오가 논문 철회로 이어지기 전에 조기에 발견할 수 있게 해줍니다. 특히 신입 대학원생은 선배 연구자의 관행을 그대로 따라 하는 경우가 많으므로, 실험실 차원에서 표준 작업 절차(SOP)를 문서화해두는 것이 세대를 거쳐 진실성 문화를 이어가는 데 효과적입니다.

소프트웨어·통계 코드에서도 진실성이 중요한가요?

이미지뿐 아니라 통계 분석과 시뮬레이션에 사용하는 소프트웨어 코드에서도 데이터 진실성 원칙이 그대로 적용됩니다. 분석 스크립트를 임의로 수정해 원하는 결과가 나올 때까지 파라미터를 반복적으로 바꾸면서도 이를 논문에 명시하지 않는 행위는 이미지 조작과 본질적으로 같은 문제입니다. 통계 분석 계획을 사전에 등록(pre-registration)하는 관행이 일부 분야에서 확산되고 있는 것도 이런 문제를 예방하기 위해서입니다. 코드 저장소에 커밋 이력을 남겨두면, 분석 과정에서 어떤 시점에 어떤 결정이 내려졌는지 투명하게 추적할 수 있습니다.

제출 전 자가 점검 체크리스트는 무엇인가요?

이 체크리스트를 투고 직전 한 번, 그리고 공동 저자와 함께 다시 한번 교차 점검하면 사후에 발견되는 문제를 크게 줄일 수 있습니다. 데이터 위조·변조의 구체적 정의와 실제 사례가 궁금하다면 데이터 위조·변조·날조(FFP) 가이드를, 연구윤리 원칙 전반을 폭넓게 이해하려면 연구 진실성 원칙 가이드를 함께 참고하세요. 인간 대상 연구에서 지켜야 할 윤리 기준은 이공계 데이터 진실성과 별도의 쟁점을 다루므로, 의학 논문 연구윤리 가이드도 함께 살펴보면 도움이 됩니다. 논문 작성 과정에서 Tesify와 같은 도구를 활용하더라도, 원자료와 이미지의 진실성을 최종적으로 책임지는 것은 연구자 본인이라는 점을 항상 유념해야 합니다.

자주 묻는 질문