Track Classification and Research Gap Detection
Key Insight
“내 도메인의 어디가 비어있는가” 를 wiki 가 자동 발견. 표준
/ingest가 단순 ingest 만 한다면, 본 패턴은 2 개 보조 명령어 로 확장: (1) thematic track 분류, (2) 트랙별 비중 비교 → 가장 빈 곳 = 연구 갭. Systematic review · 시장 분석 · 콘텐츠 기획 등 typology-driven 도메인에 일반 적용.
Overview
Track Classification and Research Gap Detection 은 LLM Wiki 의 표준 /ingest 를 확장하는 2 개 보조 명령어 패턴:
- 트랙 분류 명령어 — 논문·자료 ingest 시 미리 정의된 thematic track 으로 분류
- 리서치 갭 판단 명령어 — 트랙별 비중 (%) 비교 → 가장 낮은 트랙 = research gap 식별
학습자가 자기 도메인에 맞춰 자체 추가 한 cohort-level skill contribution 의 일반화.
작동 원리
Step 1: Track 정의
사용자가 도메인의 thematic track 을 사전 정의:
예시 — 어떤 헬스케어 도메인의 5 트랙:
- 인지 자극 (cognitive stimulation)
- 신체 활동 (physical activity)
- 사회적 상호작용 (social engagement)
- 영양 개선 (nutrition)
- 기술 보조 (assistive technology)
Step 2: Ingest 시 분류
/ingest 호출 시 Claude 가 raw source 의 본문을 읽고 어느 트랙에 해당하는지 자동 분류 → frontmatter track 필드에 기록.
Step 3: 그래프 적재
트랙별 wiki 페이지 (혹은 MOC) 에 backlink 생성. 트랙 노드에서 그 트랙에 속한 모든 raw source 가 한눈에 보임.
Step 4: Gap 분석
별도 명령으로 트랙별 raw source 비중 (%) 집계 → 비중 최저 트랙 보고:
트랙 A: 45%
트랙 B: 30%
트랙 C: 12% ← Research Gap
트랙 D: 8% ← Research Gap
트랙 E: 5% ← Research Gap (최우선)
→ “트랙 E 분야는 5% — 이 분야의 논문·자료를 수집할 때 우선순위” 식으로 연구 방향 자동 권고.
구현 권장 사항
Backlink as primary signal
트랙 분류가 단순 frontmatter 필드만 채우는 게 아니라, 트랙별 개념 노트에 해당 트랙 정보가 멘션 (backlink) 으로 기록되어야 그래프 쿼리 분석이 가능. Frontmatter 만으로는 옵시디언 그래프 뷰가 연결 인식 안 함.
Ingest 통합 vs 별도 명령
- 옵션 A:
/ingest자체에 분류 통합 (단순) - 옵션 B:
/track classify <file>별도 명령 (재처리 가능) - 권장: 둘 다 — 처음 ingest 시 자동 분류, 나중에 트랙 정의 변경되면 재분류 가능
Track 정의 자동 추천
사용자가 직접 트랙 정의 어려우면 LLM 에 도메인 (“치매 예방” · “안티에이징”) 만 입력 → 적절한 트랙 5-7 개 자동 추천 받기.
적용 가능 도메인
| 도메인 | Track 예시 |
|---|---|
| Systematic Review | PRISMA stage (identification·screening·eligibility·inclusion) |
| 헬스케어 mechanism | 분자·세포·조직·시스템·임상 |
| 시장 분석 | 지역 (Korea·Japan·China) × 차원 (특허·매출·인력) |
| 콘텐츠 기획 | 사용자 segment × 채널 × 주제 |
| 학습 분야 | 입문·중급·고급·전문가 단계 |
→ typology 가 명확한 모든 도메인.
Systematic Review 와의 정렬
이 패턴은 본질적으로 systematic review 의 PRISMA flow 의 자동화. PRISMA 의 inclusion/exclusion 자동 판정도 같은 메커니즘.
→ Starter Kit 에 systematic review 모드 로 묶어 배포 가능 (PRISMA 단계 분류 + 단계별 비중 시각화).
제안 — /track skill (예시)
/track init [domain] # 새 도메인의 트랙 정의 wizard
/track classify <raw> # 단일 raw source 트랙 분류
/track gap # 트랙별 비중 + research gap 보고
/track migrate # 기존 raw sources 트랙 일괄 분류 (마이그레이션)
→ 본 concept 을 정식 skill 로 구현하면 cohort 전원이 동일 어법으로 사용 가능.
Related
- Ingest-Query-Lint Cycle — 확장 대상
- Idea Generation Pipeline — 보완 패턴 (수집 vs 발산)
- LLM Wiki Pattern
Open Questions
트랙 정의의 자동화
Domain 만 입력 (예: “치매 예방”) 하면 LLM 이 적절한 트랙 5-7 개를 추천하는 메타 skill 가능?
멀티 트랙 Source
한 논문이 여러 트랙에 속할 때 어떻게 비중 계산? 0.5 씩 분배 vs 우선순위 1 트랙만 vs 모든 트랙에 1.0.
Cohort 표준화
Cohort 학습자 전원이 자기 도메인의 트랙 5-7 개를 정의하고 LLM Wiki 에 등록하면, 도메인 간 비교 가 가능 — 트랙 구조 자체가 학습 outcome.