검증된 출처 데이터베이스 - 자동 신뢰도 평가 & 출처 추천
Verified Source Database는 출처의 신뢰도를 자동으로 평가하고, 분야별 최적 출처를 추천하는 전문 스킬입니다. 700+ 검증된 출처 데이터베이스를 기반으로 즉시 신뢰도를 판단합니다.
핵심 특징:
URL 기반 즉시 평가:
Input: "이 출처 신뢰도: nature.com/articles/..."
Output:
🟢 **1차 출처 (Primary)** | 신뢰도: 1.0
## 평가 결과
- **출처**: Nature
- **분류**: 전문 학술 저널
- **신뢰도**: 최고 (Tier 1)
- **Impact Factor**: 다수 (분야별 상이)
- **검증**: Peer-reviewed
## 적합 사용
✅ 학술 연구 인용
✅ 기술 블로그 참고
✅ 뉴스 기사 근거
## 주의사항
- 원문 링크 확인 필수
- 발행일 확인 (최신성)
도메인 자동 인식:
.gov, .go.kr → 1차 출처 (1.0)ieee.org, acm.org → 1차 출처 (1.0)scholar.google.com → 검증 필요 (논문별 상이)medium.com → 3차 출처 또는 제외 (저자 검증 필요)패턴:
"[분야] 신뢰할 수 있는 출처"
"[분야] 최고 저널"
"[분야] 데이터 출처"
예시:
Input: "AI/ML 연구를 위한 최고 출처"
Output:
🟢 **검증 완료** | 7개 카테고리
## 학술 논문 (Top 5)
1. **Nature Machine Intelligence** (IF: 25.9)
- 신뢰도: 1.0
- 검증: Peer-reviewed
- 링크: nature.com/natmachintell/
2. **IEEE TPAMI** (IF: 24.3)
- 신뢰도: 1.0
- 검증: Double-blind review
3. **ICML** (Conference)
- 신뢰도: 1.0
- Accept Rate: ~20%
4. **NeurIPS** (Conference)
- 신뢰도: 1.0
- Accept Rate: ~20%
5. **CVPR** (Computer Vision)
- 신뢰도: 1.0
- Accept Rate: ~25%
## AI/ML 저장소
1. **Hugging Face** (huggingface.co)
- 모델 70만+ 개
- 기업 공식 모델 (Meta, Google, Microsoft)
- 신뢰도: 0.9
2. **Papers with Code** (paperswithcode.com)
- 논문 + 재현 코드
- SOTA 벤치마크
- 신뢰도: 1.0
## 기술 문서
1. **arXiv** (arxiv.org)
- 프리프린트 (⚠️ 미심사)
- 신뢰도: 0.6 (후속 학회 발표 확인 필수)
2. **Google Scholar**
- 인용 100+ 우선
- 신뢰도: 논문별 상이
## 산업 리포트
1. **Gartner** (가트너)
- Magic Quadrant
- 신뢰도: 0.8 (유료)
2. **McKinsey Insights**
- 산업 분석
- 신뢰도: 0.7
## 통계 데이터
1. **Papers with Code Datasets**
- 공개 데이터셋
- 신뢰도: 1.0
## 뉴스/매체 (Tier 1)
1. **MIT Technology Review**
- 심층 분석
- 신뢰도: 0.8
2. **IEEE Spectrum**
- 기술 뉴스
- 신뢰도: 0.8
## 한국 출처
1. **AI타임스** (aitimes.com)
- AI 전문 매체
- 신뢰도: 0.6
자동 경고 시스템:
Input: "이 출처 괜찮나요? youtube.com/watch?v=..."
Output:
🔴 **제외 출처 (Excluded)** | 신뢰도: 0.0
## 경고
⚠️ 개인 YouTube는 1차 출처로 사용 금지
## 이유
- 검증되지 않은 개인 의견
- Peer review 없음
- 편집 가능 (삭제/수정)
## 예외 조건
✅ 대학 공식 채널
✅ 기업 공식 채널 (Google AI, Microsoft Research 등)
✅ 정부 공식 채널
## 대안 출처
- 해당 내용의 원본 논문 검색
- 공식 기술 블로그 확인
- 학술 DB 검색 (Google Scholar, IEEE)
자동 필터링 목록:
🔴 절대 사용 금지:
⚠️ 주의 사용 (검증 강화):
자동 계산 시스템:
Input: "여러 출처 신뢰도 비교:
1. nature.com/articles/...
2. medium.com/@username/...
3. kosis.kr/statHtml/...
4. twitter.com/user/status/..."
Output:
🟢 **신뢰도 분석 완료**
## 출처별 점수
| 출처 | 점수 | 분류 | 사용 가능 |
|------|------|------|----------|
| Nature | 1.0 | 1차 출처 | ✅ 즉시 |
| KOSIS | 1.0 | 1차 출처 | ✅ 즉시 |
| Medium | 0.3 | 3차 출처 | ⚠️ 저자 검증 |
| Twitter | 0.0 | 제외 | ❌ 사용 금지 |
## 권장 순위
1. Nature (1.0) + KOSIS (1.0) → 평균 1.0
2. Medium (0.3) → 보조 참고만
3. Twitter (0.0) → 제외
## 최종 신뢰도
🟢 **높음** (1차 출처 2개 확보)
신뢰도 가중치:
| 분류 | 가중치 | 출처 예시 |
|---|---|---|
| 1차 출처 | 1.0 | 정부 문서, 학술 논문, 기업 IR |
| 2차 출처 | 0.6 | 주요 언론, 전문 저널 |
| 3차 출처 | 0.3 | 위키백과, 전문 블로그 |
| 제외 | 0.0 | SNS, 익명 게시판 |
자동 검증 항목:
Input: "논문 검증: [논문 제목 또는 DOI]"
Output:
🟢 **검증 완료**
## 논문 정보
- **저널**: Nature Machine Intelligence
- **Impact Factor**: 25.9
- **인용 수**: 523회
- **발행일**: 2023-05-12
- **저자**: Smith et al.
- **소속**: Stanford University
## 검증 결과
✅ Peer-reviewed
✅ IF 10+ (상위 5%)
✅ 인용 100+ (영향력 높음)
✅ 최근 5년 이내
✅ 주요 기관 소속
## 신뢰도
🟢 **최고** (1차 출처)
## 사용 권장
- 학술 연구 인용: ✅
- 기술 블로그 참고: ✅
- 상업적 근거: ✅
검증 기준:
공공 데이터 자동 검증:
Input: "통계 출처 확인: kosis.kr/..."
Output:
🟢 **1차 출처 (공공 데이터)**
## 출처 정보
- **기관**: 국가통계포털 (KOSIS)
- **운영**: 통계청
- **신뢰도**: 1.0
- **분류**: 정부 공식 통계
## 데이터 특성
- 공식 승인 통계
- 정기 업데이트 (월/분기/연간)
- 원시 데이터 제공
- API 제공
## 검증 완료
✅ 정부 공식 기관
✅ 통계법 기반 승인 통계
✅ 국제 기준 준수
## 사용 권장
- 학술 연구: ✅
- 정책 보고서: ✅
- 비즈니스 분석: ✅
- 언론 인용: ✅
모델 및 데이터셋 검증:
Input: "Hugging Face 모델 신뢰도: huggingface.co/model/..."
Output:
🟢 **검증 완료** | 신뢰도: 0.9
## 저장소 정보
- **플랫폼**: Hugging Face
- **모델**: GPT-2
- **제공**: OpenAI (공식)
- **다운로드**: 5M+
- **라이선스**: MIT
## 검증 항목
✅ 공식 기관/기업 제공
✅ 모델 카드 완비
✅ 라이선스 명시
✅ 성능 지표 공개
✅ 편향성 분석 포함
## 신뢰도 평가
- 기업 공식: +0.3
- 모델 카드: +0.2
- 다운로드 높음: +0.2
- 커뮤니티 검증: +0.2
→ 총점: 0.9
## 사용 권장
- 연구 목적: ✅
- 상업적 사용: ✅ (라이선스 확인)
- 프로덕션: ⚠️ (추가 검증 필요)
자동 제안 시스템:
Input: "AI 성능 관련 논문 찾기"
Output:
🟡 **키워드 최적화 필요**
## 현재 키워드 문제
❌ "AI 성능" - 너무 광범위
❌ 구체적 기술 없음
❌ 연도 없음
## 최적화 제안
### 영문 학술 검색 (Google Scholar, IEEE)
✅ "neural network optimization techniques 2024"
✅ "transformer model inference acceleration"
✅ "large language model efficiency"
✅ "deep learning performance benchmark"
### Boolean 연산자 활용
✅ "neural network" AND "optimization" AND "2024"
✅ "transformer" AND "inference" NOT "training"
✅ "large language model" AND ("efficiency" OR "performance")
### 추가 필터
- 인용 100+ 우선
- 최근 5년 (2019-2024)
- Impact Factor 5.0+
## 추천 데이터베이스
1. IEEE Xplore - 공학 논문
2. ACM Digital Library - 컴퓨터과학
3. Google Scholar - 종합 검색
종합 검색:
분야별 전문 DB:
의학/생명과학:
공학/컴퓨터과학:
사회과학/경제:
물리/수학:
표준 기구:
클라우드/인프라:
보안:
Tier 1 (신뢰도: 0.8-0.9):
Tier 2 (신뢰도: 0.6-0.7):
한국 전문 매체 (신뢰도: 0.6):
시장조사 (신뢰도: 0.7-0.8):
한국 시장 (신뢰도: 0.8-1.0):
모델 및 데이터셋 (신뢰도: 0.9-1.0):
오픈소스 저장소 (신뢰도: 0.8-0.9):
한국 공공 SW (신뢰도: 1.0):
한국 공공데이터 (신뢰도: 1.0):
국제 통계 (신뢰도: 1.0):
"이 출처 신뢰도: [URL]"
"[URL] 사용 가능한가요?"
"[도메인] 신뢰할 수 있나요?"
"[분야] 최고 저널"
"[분야] 신뢰할 수 있는 출처"
"[분야] 데이터 출처"
"여러 출처 비교: [URL1], [URL2], [URL3]"
"가장 신뢰할 수 있는 출처는?"
"논문 검증: [제목 또는 DOI]"
"이 저널 IF는?"
"[저널명] 신뢰도"
"[주제] 논문 검색 키워드"
"[분야] 효과적인 검색어"
이 스킬은 research-verified 스킬과 자동으로 통합되어:
모든 출처 평가 시 확인:
이 스킬은 700+ 검증된 출처를 기반으로 자동으로 신뢰도를 평가하고, 분야별 최적 출처를 추천합니다.
