이 연구는 LLM 기반 동료 심사 평가가 인간 리뷰를 모방하는 데 치중해 왔다는 한계를 지적하며, 오류 탐지라는 핵심 기능에 초점을 맞춘 검증 중심 평가 관점을 제시한다. 학회 논문에 합성 오류를 삽입해 논리적 모순 탐지 능력을 측정하는 확장 가능한 벤치마크를 구축해 명확한 평가 기준을 확보했다. 이어 리뷰 생성에 앞서 원고를 상세히 이해하도록 우선순위를 둔 다층 리뷰(MLR) 프레임워크를 제안해 인간 심사 방식에 더 가깝게 접근하면서도 토큰 효율을 높였다. 실험에서 인간 평가 점수와 강한 일치도와 높은 오류 탐지 성능을 보였지만, 적대적 조작에 대한 취약성도 함께 확인돼 자동 심사 시스템의 견고성 확보가 중요한 과제로 남았다.

• •리뷰 모방이 아닌 오류 탐지에 초점을 맞춘 검증 중심 LLM 동료심사 평가 관점 제시
• •학회 논문에 합성 오류를 삽입해 논리적 모순 탐지력을 측정하는 확장 가능 벤치마크 구축
• •원고 이해를 리뷰 생성보다 우선하는 다층 리뷰(MLR) 프레임워크로 토큰 효율과 인간 유사도 동시 개선
• •강한 오류 탐지 성능을 보였으나 적대적 조작에는 여전히 취약함을 확인