최근 공개 저장소의 과학 논문 부속 엑셀 파일 수백 건을 훑어본 분석에서, 중복 행·뒤섞인 값·잘못 붙여넣은 흔적이 적지 않게 발견됐습니다.1 별도의 후속 보도에 따르면 약 600개 데이터셋을 사람과 도구로 추려 본 결과, 조사 대상 중 약 3%에서 수정이 필요할 정도의 문제 가능성이 제기됐습니다.2
중요한 건 이걸 "황당한 실수 몇 건"으로 보면 놓친다는 점입니다. 많은 오류는 부정행위보다 더 평범한 곳에서 생깁니다. 장비에서 CSV를 뽑고, Excel에서 정리하고, 다른 시트와 합치고, 그림용 표를 만들고, 부록용 파일을 다시 복사하는 과정입니다. 즉, 문제의 핵심은 사람의 성실성만이 아니라 데이터가 이동하는 방식입니다.
오류는 분석보다 먼저, 전달 과정에서 생긴다
과학 데이터는 흔히 원시 데이터에서 바로 논문으로 가지 않습니다. CSV 내보내기, 열 재정렬, 샘플 이름 수동 수정, 여러 파일 병합, 발표용 표 생성 같은 손작업이 중간에 많이 끼어듭니다. Excel 자체도 병합 셀, 필터, 보호 시트, 형식 불일치, 클립보드 문제처럼 붙여넣기 실수를 유발하거나 숨기기 쉬운 환경을 갖고 있습니다.34
여기서 생기는 대표적 오류는 단순합니다. 행이 한 칸 밀리거나, 다른 종의 값 블록이 통째로 들어가거나, 개체 ID와 측정치가 어긋나거나, 요약값이 개별 관측치처럼 반복되는 식입니다. 실제로 공개 지적 사례 중에는 "엑셀 파일 병합 과정에서 개체가 잘못 매칭됐다"거나 "다른 종 데이터가 잘못 붙여넣어졌다"는 저자 설명도 나왔습니다.2
이게 왜 무서운가. 이런 오류는 계산식이 틀렸을 때보다 발견이 더 어렵습니다. 통계 검토자는 p값과 모델을 보지만, 데이터가 시트 사이를 오가며 어떻게 변했는지는 잘 보지 못합니다. 피어리뷰가 약해서라기보다, 검토 대상이 원래 그 지점까지 내려가지 않는 경우가 많기 때문입니다.
재사용 전에 확인할 수 있는, 수동 훼손의 흔적들
전문 통계 지식이 없어도 볼 수 있는 신호가 있습니다.
첫째, 반복이 "너무" 예쁠 때입니다. 동일한 수치 묶음이 전혀 다른 조건이나 개체에 다시 나타나면 우연이라기보다 복사 흔적일 수 있습니다. 다만 반복 자체가 곧 오류는 아닙니다. 같은 요약값을 참조용으로 넣었을 가능성도 있어 해석은 보수적으로 해야 합니다.2
둘째, ID 체계가 깨질 때입니다. 샘플 번호는 연속인데 측정 열만 중간부터 패턴이 바뀌거나, 같은 개체가 다른 처리군에 동시에 나타나면 병합 또는 붙여넣기 문제를 의심할 만합니다.
셋째, 형식의 상처입니다. 특정 구간만 소수점 자릿수가 다르거나, 날짜 형식이 섞이거나, 열 이름 규칙이 중간에 바뀌면 여러 파일을 손으로 합쳤을 가능성이 큽니다.
넷째, 논문 본문·그림·부록의 수가 서로 안 맞을 때입니다. 샘플 수 n, 표 행 수, 저장소 파일의 개체 수가 일치하는지 보는 것만으로도 꽤 많은 문제를 걸러낼 수 있습니다.
다섯째, 버전 혼선입니다. 저장소 파일명, 부록 표, 정정 공지의 숫자가 다르면 "최종본이 무엇인지"부터 불분명합니다. 이런 데이터는 분석 이전에 출처 관리부터 불안하다는 뜻입니다.
Excel이 문제라기보다, Excel로 끝내려는 태도가 문제다
여기서 흔한 반론이 있습니다. "엑셀 쓴다고 다 위험한 건 아니지 않나?" 맞습니다. 작은 표를 읽고, 라벨을 확인하고, 결과를 프레젠테이션용으로 정리하는 데 Excel은 충분히 유용합니다.
위험해지는 지점은 Excel이 "편집기"를 넘어 "데이터 파이프라인"이 될 때입니다. 원본 위에 직접 덮어쓰기하고, 여러 번 복붙해 분석용 데이터를 만들고, 누가 무엇을 바꿨는지 기록이 남지 않는 순간부터 재현성과 감사 추적이 사라집니다. 반대로 R이나 Python 같은 스크립트 기반 정제는 모든 변환을 남길 수 있고, 중복 탐지나 이상치 점검도 자동화하기 쉽습니다.56
물론 스크립트가 만능은 아닙니다. 도입 비용이 있고, 소규모 연구실에는 부담일 수 있습니다. 그래서 현실적인 기준은 이렇습니다. 데이터가 커지거나, 여러 사람이 만지거나, 병합 단계가 둘 이상이면 수작업 복붙 중심 워크플로는 이미 위험 구간에 들어간 겁니다.
가장 싼 해결책은 '완벽한 시스템'이 아니라 기록의 마찰을 남기는 것
모든 연구실이 데이터 엔지니어링 체계를 갖출 필요는 없습니다. 대신 최소한 네 가지만 해도 사고 확률이 크게 줄어듭니다.
원본 파일은 읽기 전용으로 보관할 것.
분석용 데이터와 논문 표 제작용 파일을 분리할 것.
수동 수정이 있었다면 언제, 왜, 무엇을 바꿨는지 한 줄씩 남길 것.
마지막으로 다른 사람이 같은 원본에서 결과용 표를 한 번 독립 재구성해 볼 것.
핵심은 "완벽한 예방"이 아니라 "나중에 되짚을 수 있는 흔적"입니다. 체계 없는 복붙은 빠르지만, 오류가 나면 원인을 찾는 비용이 훨씬 더 커집니다.
이 문제는 연구자만의 이슈가 아닙니다. 공개 데이터셋을 재사용하는 분석가, 메타분석을 하는 연구자, 논문 결과를 제품이나 정책 판단에 연결하는 사람 모두가 신경 써야 합니다. 이제 데이터 신뢰성은 결과표의 그럴듯함보다, 그 표가 어떤 경로로 만들어졌는지를 묻는 쪽에서 갈립니다.
참고
1Scientific datasets are riddled with copy-paste errors
2Bloodhound code sniffs out copied-and-pasted numerical data
3Microsoft Excel Cannot Paste the Data: Easy Fix Guide
4How to Fix "Retrieving data. Wait a few seconds and try to cut or copy again"?
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.