딥페이크 탐지기 가이드: 2026년 미디어를 검증하는 방법

사람이 합성 미디어를 판단할 때 정확도는 무작위 추측과 별반 다르지 않습니다. 56개의 통제된 연구를 종합 분석한 결과 인간의 평균 정확도는 **55.5%**에 그쳤고, 미국과 영국 소비자 2,000명을 대상으로 한 iProov의 연구에서는 사전에 가짜를 찾아보라는 경고를 받았음에도 딥페이크와 실제 미디어를 신뢰성 있게 구별해낸 사람은 단 **0.1%**에 불과했습니다 VoxBooster의 딥페이크 탐지 통계 요약. 바로 이 때문에 딥페이크 탐지기가 중요합니다. 탐지기는 편집자의 판단을 대체하지 않지만, 사람만으로는 신뢰성 있게 처리할 수 없을 때 기자, 교육자, 플랫폼 팀에게 미디어를 확인할 수 있는 체계적인 방법을 제공합니다.

이 문제를 이해하는 간단한 방법이 있습니다. 딥페이크 탐지기는 이미지, 동영상, 오디오, 또는 삽입된 워터마크에서 아티팩트, 불일치, 누락된 신호를 찾습니다. 그 자체로 진실을 증명할 수는 없지만, 더 면밀한 검토가 필요한 미디어를 표시해줄 수는 있습니다. 퍼블리셔와 교육자에게 이는 신탁이 아니라 검증 도구라는 의미입니다.

가치는 워크플로우에 있습니다. 뉴스룸에 필요한 것은 신비로운 예/아니오 답이 아니라, 클립을 게시해도 안전한지, 학생 제출물에 후속 조치가 필요한지, 상품 등록 이미지를 검토를 위해 보류해야 하는지를 결정할 수 있는 반복 가능한 방법입니다. 그래서 탐지기는 출처 확인, 메타데이터 검토, 인간의 맥락 판단을 대체하는 것이 아니라 그 옆에 나란히 있어야 합니다.

합성 미디어가 비즈니스 운영을 어떻게 바꾸고 있는지 더 폭넓은 비즈니스 관점에서 살펴보고 싶다면, ELECTE의 딥페이크가 비즈니스 규칙을 다시 쓰는 방식이라는 글이 함께 읽어보기 좋은 자료입니다.

딥페이크 탐지기가 실제로 하는 일

딥페이크 탐지기는 미디어가 AI로 생성되었거나 실질적으로 변조되었을 가능성을 나타내는 징후를 스캔하는 소프트웨어입니다. 실제로는 이상한 얼굴 경계선, 발화 타이밍 오류, 부자연스러운 프레임 전환, 또는 합성 출처를 가리키는 워터마크 신호처럼 사람이 자주 놓치는 것들을 찾아냅니다. 핵심은 모든 가짜를 개별적으로 "적발"하는 것이 아니라, 미디어가 진짜 콘텐츠처럼 행동할 때는 신뢰도를 높이고, 신호가 서로 맞지 않을 때는 신뢰도를 낮추는 것입니다.

기본 임무는 마법이 아니라 검증입니다

탐지기를 더 큰 편집 필터의 한 부분으로 생각해보세요. 좋은 탐지기는 사진, 클립, 오디오 파일을 분석한 뒤 점수, 판정, 또는 신뢰도 수치를 반환해 검토자가 다음에 무엇을 할지 결정하는 데 도움을 줍니다. 이것이 중요한 이유는 인간의 기준선 자체가 약하기 때문입니다. 사람들은 경고를 받아도 조작된 미디어를 일관되게 찾아내는 데 여전히 어려움을 겪으며, 이것이 바로 자동화된 검증이 애초에 필요해진 이유입니다 VoxBooster의 통계 요약.

이는 탐지기가 항상 옳다는 뜻은 아닙니다. 사람이 혼자서는, 특히 대규모로는 잘 해내지 못하는 작업을 탐지기가 수행하기 때문에 유용하다는 뜻입니다. 뉴스룸에서 그 규모는 속보 클립의 홍수일 수 있습니다. 학교에서는 학습 플랫폼을 통해 제출된 과제 미디어일 수 있습니다. 마켓플레이스에서는 빠른 진위 확인이 필요한 판매자 이미지나 음성 메모일 수 있습니다.

실용적 규칙: 탐지기 결과를 하나의 신호로 취급한 다음, 출처, 파일 이력, 시각적 또는 청각적 증거가 그 결과를 뒷받침하는지 물어보세요.

퍼블리셔, 교육자, 마켓플레이스에 이것이 중요한 이유

퍼블리셔는 속보 클립을 기사에 삽입하기 전에 그것을 신뢰할 수 있는지 알아야 합니다. 교육자는 학생의 미디어 과제가 주어진 프롬프트를 반영하는지 알아야 합니다. 마켓플레이스 운영자는 상품 사진이나 음성 메시지가 신뢰를 뒷받침할 만큼 진짜인지 알아야 합니다. 각 경우에서 탐지기는 거짓된 확신을 만들어내기 위해서가 아니라 사각지대를 줄이기 위해 존재합니다.

기억해야 할 사고 모델은 단순합니다. 딥페이크 탐지기는 "이 파일이 진짜 미디어처럼 행동하는가?"라는 질문에 답하는 데 도움을 줄 수 있습니다. 하지만 동기, 맥락, 합법성에 관한 모든 후속 질문에는 답할 수 없습니다. 바로 이 지점에서 출처 추적, 수동 검토, 출처 확인이 여전히 중요합니다. 이러한 더 큰 미디어 진위성 사고방식이 실제로 어떻게 작동하는지 더 알아보려면 AI 이미지 탐지 모범 사례 가이드가 유용한 참고 자료입니다.

이미지, 동영상, 음성에서 탐지가 작동하는 방식

많은 혼란은 모든 탐지기가 똑같은 것을 찾는다고 가정할 때 시작됩니다. 실제로는 그렇지 않습니다. 이미지 도구, 동영상 도구, 음성 도구는 각 매체가 서로 다른 방식으로 실패하기 때문에 서로 다른 종류의 증거에 귀를 기울입니다. 가장 강력한 시스템은 멀티모달 분석을 활용하는데, 이는 동영상, 오디오, 이미지 스트림을 교차 검증해 한 층이 그럴듯해 보여도 다른 층의 불일치를 숨길 수 없게 만듭니다 X-PHY 딥페이크 탐지기 FAQ.

이미지와 동영상은 서로 다른 단서를 찾습니다

이미지의 경우 탐지기는 흔히 합성곱 신경망(CNN)을 사용해 불규칙한 얼굴 텍스처, 블렌딩 경계, 또는 프레임의 나머지 부분과 맞지 않는 시각적 노이즈 같은 공간적 아티팩트를 검사합니다. 동영상 도구는 여기에 두 번째 층을 더해, 프레임들이 시간이 지나면서 서로 어떻게 연관되는지를 의미하는 시간적 일관성을 검사합니다. 이런 종류의 시퀀스 분석에는 LSTM과 GRU가 자주 사용되는데, 이는 정지 이미지 검사로는 놓칠 수 있는 갑작스러운 움직임 결함, 립싱크 불일치, 또는 프레임 간 변화를 포착할 수 있기 때문입니다 X-PHY 딥페이크 탐지기 FAQ.

이것이 바로 단일 프레임은 깨끗해 보여도 전체 클립은 어딘가 이상하게 느껴질 수 있는 이유입니다. 얼굴 교체는 스크린샷에서는 티가 안 날 수 있지만, 입의 타이밍이 발화된 말과 맞지 않을 수 있습니다. 혹은 재연 영상이 한 컷에서는 신원을 충분히 잘 유지하다가도 머리가 돌아가는 순간 무너질 수 있습니다. 동영상 탐지기는 이러한 차이를 드러낼 수 있습니다.

음성 분석은 톤뿐 아니라 구조에 귀를 기울입니다

음성 탐지기는 스펙트럼 형태, 음소 타이밍, 호흡 리듬을 포함한 오디오 스트림의 패턴에 집중합니다. 쉽게 말하면, 사람이 말하는 방식이 일반적인 발화 양상과 일치하는지를 확인하는 것입니다. 시각 파일이 없거나 무관한 통화 녹음, 팟캐스트, 음성 메시지 스타일의 워크플로우에서 그 이점이 분명하게 드러납니다.

일부 탐지기는 SynthID 방식의 신호를 포함한 워터마크 기반 검사도 지원합니다. 이는 시각적 또는 음향적 아티팩트를 찾는 것이 아니라 삽입된 마커를 읽어내는 것이므로 완전히 다른 접근 방식입니다. 호환되는 워터마크가 존재하면 아티팩트만으로 추측하는 것보다 검토자에게 더 명확한 진위 신호를 제공합니다.

실제 검증 워크플로우

오전 7시 40분, 의심스러운 클립이 배정 수신함에 도착합니다. 공인이 파격적인 발언을 하는 모습이 담겨 있고, 발신자는 이것이 비공개 계정에서 나온 것이라고 주장합니다. 첫 번째 조치는 탐지기를 돌리는 것이 아닙니다. 다른 증거와 마찬가지로 이 파일을 우선 분류(트리아지)하는 것입니다.

판정이 아니라 파일부터 시작하세요

편집자는 업로드 출처, 게시 이력, 파일에 메타데이터가 첨부되어 있는지를 확인합니다. 그런 다음 핵심 프레임에 대해 역이미지 검색을 실시하고, 해당 클립이 다른 캡션이나 맥락으로 다른 곳에도 등장하는지 점검합니다. 바로 이 지점에서 뉴스룸은 그 자료가 원본 취재물인지, 재게시된 자료인지, 아니면 이미 확인된 허위정보인지를 판단합니다.

그런 다음에야 관련 도구를 실행합니다. 동영상이라면 동영상 탐지기를 사용합니다. 클립에서 추출한 정지 이미지가 있다면 이미지 탐지기를 사용합니다. 별도로 분리된 음성이 있다면 음성 탐지기도 함께 실행합니다. 뉴스룸은 클립이 처음 도착했을 때 이 AI 동영상 진위 확인 도구를 실용적인 동반 도구로 활용할 수 있습니다.

탐지기는 파일 범위가 좁혀지기 전이 아니라 좁혀진 후에 가장 유용합니다. 출처 관리가 부실하면 좋은 모델이 실제보다 더 좋아 보이거나 더 나빠 보일 수 있습니다.

도박꾼이 아니라 기자처럼 상충하는 신호를 다루세요

이미지 도구는 확신에 찬 결과를 보이는데 음성 분석은 결론이 나지 않는다고 가정해 봅시다. 그렇다고 전체 자료가 진짜라는 뜻은 아닙니다. 이는 검토자가 각 도구가 무엇에 접근할 수 있었는지, 무엇으로 학습되었는지, 압축이나 재게시로 파일이 변경되었는지를 물어봐야 한다는 뜻입니다. 가장 중요한 질문은 "어느 점수가 이겼는가"가 아니라 "미디어의 어느 부분이 일치하고 어느 부분이 일치하지 않는가"입니다.

출처를 확인할 수 없다면 팀은 전문 검토자에게 사안을 넘깁니다. 그들은 원본 파일, 검색 결과, 탐지기 출력값, 수동 관찰 내용, 최종 결정에 이르기까지 모든 단계를 기록합니다. 뉴스룸 교육을 위해서는 실용적인 AI 콘텐츠 라벨링 가이드에서 시작하는 것이 좋은데, 투명성이 탐지 못지않게 중요하기 때문입니다.

미디어 유형별 탐지 접근 방식 비교

서로 다른 미디어 유형은 서로 다른 방식으로 실패하므로, 검증 태세도 그에 맞춰 달라져야 합니다. 정지 이미지는 보통 신호가 더 적지만, 그 신호는 더 날카로울 수 있습니다. 동영상은 검사할 수 있는 움직임, 립싱크, 타이밍을 제공합니다. 음성은 음향 구조를 제공합니다. 멀티모달 시스템은 이러한 관점들을 결합할 수 있으며, 그래서 종종 단일 모달리티 점수보다 더 효과적입니다 X-PHY 딥페이크 탐지기 FAQ.

미디어 유형별 탐지 신호와 실패 모드	미디어 유형	주요 신호	흔한 실패 모드	권장 대응 방식
	이미지	시각적 아티팩트, 텍스처 불규칙성, 블렌딩 경계	압축, 크롭, 재게시, 또는 과도한 편집이 단서를 숨길 수 있음	이미지 탐지기와 메타데이터, 역검색을 함께 사용
	동영상	프레임 일관성, 움직임 연속성, 립싱크 정합성	재게시와 압축이 프레임 단위 선명도를 낮출 수 있음	동영상 탐지기 결과와 수동 프레임 검토를 함께 확인
	음성	스펙트럼 패턴, 타이밍, 발화 리듬	짧은 클립과 잡음이 많은 오디오는 신뢰도를 낮출 수 있음	음성 탐지기와 출처 추적, 스크립트 검토를 병행
	워터마크가 있는 콘텐츠	도구가 지원하는 경우 삽입된 합성 신호	워터마크가 존재하고 탐지기가 이를 인식할 때만 작동함	유일한 근거가 아니라 강력한 검증 단서로 취급

이 표가 중요한 이유는 단일 점수 사고가 왜 위험한지 보여주기 때문입니다. 동영상 탐지기는 클립에 플래그를 표시하는데 음성 탐지기는 조용할 수 있으며, 이는 모순이 아닙니다. 오디오 트랙이 영상보다 더 깨끗했거나, 조작이 한 층에만 영향을 미쳤다는 의미일 수 있습니다.

길러야 할 실용적인 습관은 간단합니다. 먼저 매체에 맞는 탐지기를 사용한 다음, 그 결과를 출처 이력, 압축 단서, 삽입된 출처 정보와 비교하세요. 특히 동영상을 확인하는 경우라면 AI 빌더 탐지 도구 개요가 더 넓은 탐지 분야를 이해하는 데 도움이 되는 동반 자료입니다.

실험실 정확도가 실제 성능과 좀처럼 일치하지 않는 이유

잘 다듬어진 벤치마크 슬라이드는 많은 운영상의 고충을 감출 수 있습니다. 딥페이크 탐지기는 통제된 평가에서는 흔히 강력해 보이지만, 파일이 이메일, 소셜 플랫폼, 메시징 앱, 또는 압축된 뉴스룸 CMS를 거쳐 도착하면 신뢰도를 잃습니다. 독립 평가에 따르면 실제 조건에서 도구들의 탐지율은 평균 약 55% 수준인 39%에서 69% 사이로 떨어졌고, 또 다른 2026년 평가에서는 테스트된 탐지기 중 절반에도 못 미치는 수가 최신 딥페이크에 대해 AUC **60%**를 넘겼습니다 실제 환경에서의 탐지기 성능에 관한 ACS 보도 2025년 탐지기 평가.

실험실 밖에서 점수가 달라지는 이유

가장 큰 이유는 **분포 변화(distribution shift)**입니다. 특정 유형의 합성 미디어로 학습된 탐지기는 해당 데이터셋에서는 훌륭해 보이지만, 생성기가 바뀌거나 조명이 바뀌거나 파일이 재압축되면 성능을 잃습니다. 문제는 모델 자체만이 아니라 모델을 둘러싼 환경입니다. 재게시, 크롭, 압축은 모두 탐지기가 의존하는 미세한 단서들을 벗겨냅니다.

**미디어 세탁(media laundering)**이라는 현상도 있는데, 이는 재게시되거나 재압축되거나 원본 신호를 알아보기 어려울 만큼 변형된 콘텐츠를 뉴스룸에서 이해하기 쉽게 표현한 용어일 뿐입니다. 이는 적대적인 시나리오뿐 아니라 일반적인 공유 과정에서도 일어날 수 있습니다. 파일이 여러 플랫폼을 거치고 나면 탐지기가 활용할 수 있는 정보가 줄어들어 신뢰도가 급격히 떨어질 수 있습니다.

벤치마크는 여전히 도구 선정을 오도할 수 있습니다

벤치마크 위주의 비교는 낯선 영상을 어떻게 처리하는지는 알려주지 않은 채 한 방법을 다른 방법보다 더 좋아 보이게 만들 수 있습니다. DeepfakeBench는 이미지 및 동영상 방법 전반에 걸쳐 36개의 탐지기를 지원하지만, 같은 벤치마크에서도 아키텍처별로 큰 성능 차이를 보이며, 한 전이 학습 기반 ResNet50 방식은 인용된 평가에서 **97.3/96.1/95.5%**에 도달했습니다 DeepfakeBench 저장소. 그렇다고 해서 여러분의 콘텐츠에서도 똑같이 작동하리라는 보장은 없습니다.

도입 규칙: 실제 운영 환경에서 예상되는 것과 동일한 압축, 카메라 조건, 인구통계 범위로 테스트하지 않으면 그 수치는 대부분 보여주기용에 불과합니다.

그래서 뉴스룸이나 학교는 헤드라인에 나온 정확도만 보고 절대 도구를 구매해서는 안 됩니다. 한 환경에서는 훌륭해 보이던 탐지기가 실제 워크플로우에서 나온 파일을 만나면 훨씬 약해 보일 수 있습니다. 올바른 질문은 "그 모델이 한때 강력했는가"가 아니라 "여러분의 미디어에서도 계속 유용한가"입니다.

EU AI Act 제50조와 퍼블리셔의 의무

EU AI Act의 투명성 논리가 중요한 이유는 퍼블리셔와 교육자가 이미 AI로 생성되거나 AI로 조작된 콘텐츠를 명확히 라벨링하거나 공개할 것으로 기대받고 있기 때문입니다. 쉽게 말해, 제50조는 조직이 미디어가 합성적으로 제작되었거나 실질적으로 변조되었을 때 이를 사람들에게 알리고, 그 공개 내용을 사용자가 이해할 수 있게 유지하도록 요구합니다. 여기에는 맥락과 시스템에 따라 기계가 읽을 수 있는 마커, 사용자에게 보이는 라벨링, 또는 둘 다가 포함될 수 있습니다 Humantext.pro의 라벨링 개요.

규정 준수를 고려한 워크플로우의 모습

첫 번째 단계는 프로세스 내에서 라벨링을 누가 담당할지 정하는 것입니다. 편집자, 커리큘럼 설계자, 플랫폼 관리자는 불만이 제기된 이후가 아니라 게시 이전에 파일에 공개가 필요한 시점을 알고 있어야 합니다. 미디어 항목이 AI의 도움을 받은 것이라면, 사용자가 이를 수정되지 않은 원본 콘텐츠로 오인하지 않을 만큼 충분히 이른 시점에 라벨을 부착해야 합니다.

두 번째 단계는 검증 기록을 남기는 것입니다. 여기에는 출처 메모, 탐지기 결과, 그리고 결정을 뒷받침하는 데 사용된 모든 수동 확인 내용이 포함됩니다. 이러한 기록은 콘텐츠가 게시되든, 거부되든, 수정을 위해 반려되든 상관없이 유용합니다.

탐지와 라벨링이 함께 가야 하는 이유

탐지기는 파일이 합성된 것처럼 보이는지 또는 조작된 것처럼 보이는지를 알려줍니다. 라벨은 독자에게 그것을 어떻게 해석해야 하는지를 알려줍니다. 이 둘은 서로 관련은 있지만 동일한 작업은 아니며, 이를 혼동하면 문제가 생깁니다. 내부 검토에서는 추가 확인을 거친 후 클립을 게시해도 안전하다고 판단할 수 있지만, 제작 과정에 AI가 사용되었기 때문에 공개 정책상 여전히 라벨이 필요할 수 있습니다.

더 폭넓은 도구 모음이 필요한 팀이라면, 실용적인 AI 웹사이트 탐지 도구 디렉터리를 통해 다양한 검증 시스템이 콘텐츠 운영에 어떻게 들어맞는지 비교해볼 수 있습니다. 핵심은 탐지기를 공개 절차를 우회하는 지름길이 아니라 품질 및 투명성 프로세스의 일부로 취급하는 것입니다.

퍼블리셔와 교육자를 위한 실용적인 체크리스트

실효성 있는 체크리스트는 문제가 공론화된 후가 아니라 게시 전에 시작됩니다. 퍼블리셔는 출처를 확인하고, 메타데이터를 검사하고, 미디어 유형에 맞는 탐지기를 실행해야 합니다. 교육자는 제출물을 학생의 평소 패턴과 비교한 다음, 첨부된 주장이 아니라 파일 자체를 살펴봐야 합니다. 마켓플레이스 운영자도 판매자 이미지와 음성 메시지에 대해 동일하게 해야 합니다.

게시하거나 승인하기 전에

• 먼저 출처를 확인하세요: 누가 파일을 보냈는지, 어디서 왔는지, 여러분에게 도달한 경로가 그럴듯한지 확인합니다.
• 메타데이터와 압축 상태를 검사하세요: 파일이 반복적으로 저장되었거나, 재게시되었거나, 여러 시스템을 거쳐 내보내진 흔적을 찾습니다.
• 맞는 탐지기를 실행하세요: 정지 이미지에는 이미지 탐지기, 클립에는 동영상 탐지기, 오디오 전용 파일에는 음성 탐지기를 사용합니다.
• 수동 검토와 대조하세요: 점수가 불분명하거나 결과가 중대할 때는 다른 사람이 같은 파일을 검토하게 합니다.
• 모든 결정을 기록하세요: 이후 감사를 위해 파일, 탐지기 결과, 날짜, 검토자의 메모를 저장합니다.

결과가 혼재될 때 해야 할 일

혼재된 결과는 정상입니다. 탐지기가 파일에 플래그를 표시하더라도 출처 이야기는 여전히 확인될 수 있고, 반대로 출처는 약한데 파일 자체는 깨끗해 보일 수도 있습니다. 이런 경우 팀은 그 결과를 하나의 증거로만 취급하고 계속 조사해야 합니다. 좋은 다음 단계는 동영상의 경우 교차 프레임 검토, 음성의 경우 스크립트 및 오디오 비교입니다.

운영 습관: 알고 있는 것, 확인한 것, 아직 확인이 필요한 것을 기록해두세요. 그러면 자신만만한 실수를 막을 수 있습니다.

하지 말아야 할 것

탐지기 점수만으로 게시하지 마세요. 클립이 "진짜처럼 보인다"는 이유로 메타데이터를 무시하지 마세요. 증거가 빈약할 때 재확인 없이 무언가를 가짜로 라벨링하지 마세요. 그리고 탐지기가 실패했다고 해서 파일이 진짜라고 단정하지 마세요. 이는 단지 도구에 더 나은 맥락이 필요하다는 뜻일 수도 있습니다.

교육자에게는 이러한 동일한 원칙이 확실성을 과장하지 않으면서 학업 진실성을 지키는 데 도움이 됩니다. 퍼블리셔에게는 편집 신뢰도를 보호해줍니다. 마켓플레이스 팀에게는 신뢰가 흔들리지 않도록 지켜줍니다.

Humantext.pro로 모든 것을 하나로 모으기

좋은 검증 워크플로우는 출처 확인에서 시작해 탐지기 검사를 거쳐 인간 검토로 마무리됩니다. Humantext.pro가 자리 잡는 지점이 바로 그 사고방식입니다. Humantext.pro는 텍스트, 이미지, 동영상, 음성 콘텐츠가 AI로 생성되었는지 확인할 수 있는 프라이버시 우선 AI 탐지기 및 텍스트 휴먼라이저 플랫폼이며, AI 동영상 탐지기와 AI 음성 탐지기 같은 전문화된 검사 기능도 포함하고 있습니다. 또한 투명성 의무를 처리하는 팀을 위한 SynthID 방식 검증 및 공개 워크플로우도 지원합니다.

대량의 콘텐츠 파이프라인을 다루는 팀이라면, 개발자를 위한 AI 웹 스크래핑 가이드가 파일 출처와 데이터 처리 관행이 탐지기 자체만큼이나 중요하다는 사실을 상기시켜주는 유용한 자료입니다. 미디어 검증도 마찬가지입니다. 입력이 지저분하면 출력도 지저분해집니다.

실용적인 접근법은 간단합니다. 탐지기를 초기 선별 도구로 사용하고, 익숙한 품질 보증 검사와 비교하며, 중요한 것에는 인간 검토 단계를 반드시 유지하세요. 이는 속보 클립, 학생 제출물, 상품 사진, 음성 메모 등 무엇을 확인하든 동일하게 적용됩니다.

피해야 할 실수는 어느 경우든 일관됩니다. 하나의 점수에만 의존하지 마세요. 출처 확인을 건너뛰지 마세요. 라벨을 증거와 혼동하지 마세요. 그리고 이해관계가 실제로 걸려 있을 때 검토 기록 없이 미디어를 게시하거나 승인하지 마세요.

---

뉴스룸, 교실, 또는 콘텐츠 팀에서 사용할 수 있는 검증 워크플로우가 필요하다면, Humantext.pro로 의심스러운 파일을 테스트해보는 것부터 시작한 다음, 최종 판단을 내리기 전에 그 결과를 여러분의 출처 확인 내용과 비교해보세요.