증거와 숫자가 같은 곳을
가리키게 하는 법

요약은 빠르지만
근거는 사라진다

대화형 설문(Conversational Survey)은 응답자의 한마디를 AI가 이어받아 다시 파고드는 구조다. 답변의 깊이는 비약적으로 커지는 대신, 분석 단계에서 이 거대한 텍스트를 어떻게 다룰 것인가 라는 문제가 남는다. 생성형 AI에게 요약을 맡기면 "대부분의 고객이 검색 기능에 피로감을 느낍니다" 같은 매끄러운 문장이 돌아온다. 그러나 대부분이 몇 명인지, 그들이 꼬리 질문에 실제로 뭐라고 답했는지, 그 문장이 어디에서 비롯됐는지 되묻는 순간 답할 길이 없다.

우리는 세 가지를 동시에 원했다. 모든 숫자는 결정적으로 집계되어야 하고, 모든 주장은 실제 응답으로 거슬러 올라갈 수 있어야 하며, 해석의 불확실성은 숨기지 말고 정직하게 공개해야 한다. 이 세 원칙이 만나는 지점에 증거 연결형 라벨링이 있다.

본 리포트는 Dean Works 팀이 운영 중인 보니(bonny) 육아 코칭 서비스의 IDI 데이터 100세션 약 4,500턴을 ELL 파이프라인으로 처리한 결과를 수록한다. 같은 응답자 100명에게 객관식 15문항 설문을 추가로 받아, 객관식이 놓치는 맥락을 대화형이 어떻게 포착하는지 직접 대조한다.