피우다 에이전트 
구독 중인 AI 모델 그대로
GPT, Claude, Gemini 등 익숙한 모델과 작업 방식을 피우다에서 그대로 이어가세요. 여기에 논문 근거 연결, 연구 설계, 프로젝트별 맥락 축적 등 연구자 특화 기능을 더합니다.
연구에 대해 무엇이든 물어보세요
범용 AI로는 부족합니다.연구엔 전용 AI 환경이 필요합니다
연구 기능을 담은 기본 흐름
논문 요약·분석부터 새로운 아이디어 추천, 내 아이디어 검증까지. 연구에 필요한 기능을 기본 흐름에 담아 단계별로 진행할 수 있습니다.
- 논문 요약·분석핵심 논리와 근거를 구조화01
- 아이디어 추천논문 분석으로 연구 공백 발견02
- 아이디어 검증근거·검증 예측을 점수화03
- 논문 추천내 아이디어 보강에 필요한 논문 추천04
연구 자료를 프로젝트 구조로
에이전트와 대화하며 활용한 자료와 프로젝트 문서·데이터를 연구별로 자동 아카이빙합니다. 흩어진 자료를 한곳에서 구조화해 필요한 순간 바로 활용하세요.
연구 프로젝트 · 아카이브
엔터프라이즈 UI 연구
관련 논문3
Adaptive UI in EnterprisePDF
Human–AI CollaborationPDF
데이터 파일5
survey_responsesCSV
인터뷰 자료2
interview_P01DOCX
실험 데이터4
trial_metricsXLSX
Piuda 연구 흐름흩어진 논문이,
흩어진 논문이,
하나의 연구 설계로
01논문 요약, 심층분석
논문을 이해하고, 연구에 쓸 근거를 정리합니다
요약으로 논문의 핵심과 흐름을 이해합니다. 심층분석은 주장·개념·변수 관계를 원문 근거와 연결합니다. 다음 탐색과 비교에 쓸 연구 재료가 쌓입니다.
전망이론 · 카너먼·트버스키, 1979
결과의 절대값보다 기준점 대비 이익과 손실이 중요합니다.
같은 크기라면, 이익보다 손실에 더 민감하게 반응합니다.
논문 요약 근거 · 원문 보기심층분석 · 개념과 근거 보기
심층분석
개념·주장·근거 연결기준점대비해 구분→이익·손실가치함수로 평가→주관적 가치
전망이론의 핵심 관계를 간추린 예시입니다.
실증 주장과 근거
논문의 선택 문제는 확실성 효과와 이익·손실 영역의 선호 차이를 보여줍니다. 아래 아이디어가 다루는 위험 없는 선택을 직접 실험한 연구는 아닙니다.
이론 주장 살펴보기
가치함수는 기준점에 의존하며, 같은 크기의 이익보다 손실에 더 가파르게 반응하도록 모델링됩니다.
대니얼 카너먼과 아모스 트버스키는 위험 아래의 선택을 설명하는 전망이론을 제안했습니다.
문제와 배경
왜 같은 금액도 이익과 손실에서 다르게 느낄까?
방법
위험을 포함한 선택 문제와 가치함수 모델
02인사이트 탐색
논문을 근거로 새로운 아이디어를 추천합니다
내 라이브러리의 핵심 논문에서 유망한 조합과 연구 방향을 찾습니다. 추천 이유·검증 예측·연결 논문을 비교합니다. 관심 있는 아이디어를 골라 연구 분석으로 이어갑니다.
인사이트 탐색
선택한 아이디어추천 아이디어
손실 회피가 위험 없는 선택에서도 현상 유지 편향이 되는지 검증합니다
전망이론은 위험이 있는 도박 선택에서 손실 회피를 확인했습니다. 위험이 없는 일상적 선택에서도 현재 상태를 참조점으로 삼아 대안을 손실로 지각하는지, 기본 옵션 유지율로 검증합니다.
분석 보기검증 예측
- 신규성
- 추가 검토 필요
첨부한 고전 논문은 위험 없는 선택을 직접 다루지 않습니다. 현상 유지 편향 연구의 추가 검색이 필요합니다.
- 이론 근거
- 간접 근거
같은 결과도 이익·손실로 제시하면 선택이 달라질 수 있습니다. 위험 없는 선택으로의 확장은 아직 가설입니다.
- 실현가능성
- 조건부 가능
참여자 모집과 무작위 배정이 확보되면 실험 설계가 가능합니다.
선택한 아이디어추천 아이디어
거래 경험이 쌓이면 보유 효과가 약해지거나 사라지는지 검증합니다
머그컵 실험은 거래 경험이 없는 학생을 대상으로 했습니다. 수집품 거래 경험이 많은 참여자에서는 판매 가격과 구매 가격의 격차가 줄어드는지 비교해 보유 효과의 경계 조건을 찾습니다.
분석 보기검증 예측
- 신규성
- 추가 검토 필요
물품의 보유 효과와 숙련된 거래자는 맥락이 다릅니다. 시장 경험 연구를 추가 확인해야 합니다.
- 이론 근거
- 간접 근거
물품 소유에 따른 가치평가 차이가 이론적 단서입니다. 거래 경험이 이 차이를 줄이는지는 별도 확인이 필요합니다.
- 실현가능성
- 조건부 가능
참여자 모집과 무작위 배정이 확보되면 실험 설계가 가능합니다.
선택한 아이디어추천 아이디어
잦은 평가와 손실 회피가 주식 프리미엄 퍼즐을 설명하는지 검증합니다
프레이밍 연구는 제시 단위에 따라 선택이 달라짐을 보였습니다. 투자 성과를 1년 단위로 자주 평가할수록 손실을 더 자주 경험해 주식을 꺼리는지, 평가 주기를 달리한 실험으로 검증합니다.
분석 보기검증 예측
- 신규성
- 추가 검토 필요
평가 주기와 손실 회피의 결합은 별도 선행연구 검토가 필요합니다. 고전 논문만으로 신규성을 판단하지 않습니다.
- 이론 근거
- 간접 근거
프레이밍은 표현 방식에 따른 선택 변화를 설명합니다. 평가 주기가 주식 보유를 줄인다는 직접 근거는 아닙니다.
- 실현가능성
- 조건부 가능
참여자 모집과 무작위 배정이 확보되면 실험 설계가 가능합니다.
고전 논문으로 구성한 추천·검증 예시입니다. 평가 내용은 실제 분석 결과가 아닙니다.
03연구 분석
아이디어를 근거 위에서 검증하고 발전시킵니다
아이디어와 참고 논문의 적합성을 살피고, 논문 간 공백과 충돌을 비교합니다. 차별성·이론 근거·실현 가능성을 검증합니다. 판정에 그치지 않고 구체적인 보완 방향까지 제안합니다.
손실 회피가 위험 없는 선택에서도 현상 유지 편향이 되는지 검증합니다
3.1종합 판정
세 가지 검증 질문의 교차 진단
이론적 연결은 있습니다. 위험 없는 선택으로 이어지는 직접 근거를 보강하세요.
3.2이미 연구된 문제인가?
추가 검토 필요이 아이디어가 다루는 차원(개념 관계·명제 조합)을 이미 살펴본 선행 연구가 있는지 점검
첨부한 고전 논문은 위험 없는 선택을 직접 다루지 않습니다. 현상 유지 편향 연구의 추가 검색이 필요합니다.
검토 범위 · 아래 연결 논문3.3이론이 뒷받침하나요?
간접 근거 위주아이디어가 주장하는 관계·명제를 뒷받침하는 이론적 메커니즘
같은 결과도 이익·손실로 제시하면 선택이 달라질 수 있습니다. 위험 없는 선택으로의 확장은 아직 가설입니다.
지지 근거
- 이익·손실 프레이밍에 따른 선호 변화의사결정의 프레이밍과 선택의 심리학 · 1981
3.4실제로 수행할 수 있는가?
조건부 가능데이터 접근성과 연구 설계 적합성
참여자 모집과 무작위 배정이 확보되면 실험 설계가 가능합니다.
데이터 확보 · 연구 설계 적합성
- 데이터 확보
- 참여자의 기본 옵션 유지율과 대안 전환 여부
- 연구 설계 적합성
- 대안 조건은 같게 두고 기본 옵션만 무작위 배정
- 연구 유형 적합성
- 인과 효과를 비교하는 정량 실험. 표본·검정력 설계 필요
04piuda 제안
검증에서 드러난 빈틈을 메울 논문을 추천합니다
연구 분석의 판정마다 근거가 부족한 지점을 짚고, 라이브러리에 추가하면 결과가 달라질 핵심 논문을 제안합니다. 추천 논문을 더해 다시 분석하면 판정이 단단해집니다.
추천 논문
먼저 검토할 논문
Status Quo Bias in Decision Making
‘현상 유지 편향’이라는 이름을 처음 붙인 논문입니다.
위험이 없는 선택에서도 사람들이 기본 옵션을 유지한다는 것을 실험과 실제 자료로 보였습니다. 3.2 판정에서 요구한 현상 유지 편향 선행 연구를 직접 채우고, 손실 회피로 설명하는 이 아이디어의 이론 연결(P1-K2)을 직접 근거로 바꿔 줍니다.
이 검토를 해결합니다현상 유지 편향 선행 연구와의 차별성 확인
함께 검토할 논문
Loss Aversion in Riskless Choice: A Reference-Dependent Model
손실 회피를 위험 없는 선택으로 끌어온 이론 논문입니다.
전망이론의 가치함수를 참조 의존 모형으로 확장해, 위험이 없는 선택에서도 손실 회피가 작동함을 보입니다. 3.3 판정에서 간접 근거에 머물던 손실 회피와 현상 유지의 연결(P1-K1)을 직접 근거로 바꿔 줍니다.
이 검토를 해결합니다손실 회피와 현상 유지를 잇는 직접 근거 보강
3.2·3.3 판정에서 근거가 부족했던 지점에 맞춰 고른 예시입니다. 실제 추천은 라이브러리와 분석 결과에 따라 달라집니다.
피우다 에이전트
맥락을 이어 연구를
발전시키세요
대화로 아이디어를 발전시키고, 다시 검증하고.
연구가 한 바퀴씩 앞으로 갑니다.
연구를 돕습니다.
논문을 대신 쓰지 않고, 분석 해석과 심화 질문으로 연구 방향을 구체화합니다.
맥락을 이어갑니다.
보고 있는 논문과 분석 결과를 기억해, 화면에서 바로 대화합니다.
내 구독 AI를 이어 씁니다.
GPT·Claude 구독을 그대로 연결하거나 피우다 AI로 시작하세요.
예시 대화 · 입력창의 질문을 보내거나 자료를 연결해 대화를 이어가 보세요.
데이터 프라이버시
연구 데이터는 연구자의 것입니다
연구 데이터는 기본적으로 내 컴퓨터에 로컬로 저장됩니다. 원본 파일과 분석 결과는 연구자의 기기에 남습니다.
내 컴퓨터LOCAL
연구 문서
노트
논문 PDF로컬에만 보관
분석 결과
내 컴퓨터 저장소저장 위치
복사 방식 입고 — 원본 파일 이동·삭제 없음
piuda 서버
활용 사례
어떻게 사용하나요
다양한 연구 맥락에서 piuda를 활용할 수 있습니다.
새로운 연구 주제 탐색
논문은 읽었는데 어떤 연구를 해야 할지 감이 안 올 때. 논문들을 함께 분석해 아직 연구되지 않은 공백을 자동 탐색하고, 유망한 연구 방향을 제안합니다.
적용 분야
내 아이디어 검증
연구 아이디어는 있는데 기존 연구와 얼마나 차별적인지, 근거가 충분한지 확인하고 싶을 때. 차별성·근거 강도·실현 가능성을 평가하고 발전 방향을 제안합니다.
적용 분야
선행연구 체계적 분석
관심 논문을 연결하면 에이전트가 변수·방법론·결과를 구조화하고, 논문 간 관계와 연구 공백을 분석해 선행연구의 지형을 한눈에 정리합니다.
적용 분야
연구계획서 점검·보완
검증된 아이디어를 연구계획서로 발전시킬 때, piuda가 방법론의 허점과 논리적 비약을 짚어줍니다. 코멘트를 반영하면서 초안을 점점 더 단단하게 만들 수 있습니다.
적용 분야
요금
기능은 모두에게, 사용량은 연구에 맞게
에이전트와의 대화부터 논문 분석, 인사이트 발견, 연구 설계까지 모든 핵심 기능을 무료로 시작하세요. Pro는 기능을 잠그지 않습니다. 더 많은 사용량과 폭넓은 AI 모델 선택지가 필요한 연구자를 위한 플랜입니다.
자주 묻는 질문
궁금한 점이 있으신가요?
피우다는 논문을 대신 써주는 도구인가요?
아닙니다. 피우다는 논문을 대신 쓰는 도구가 아니라 연구를 설계하고 검증하는 워크스페이스입니다. 논문을 심층분석해 주장·근거·연구갭을 구조화하고, 이를 바탕으로 연구 아이디어를 추천·검증합니다. 최종 판단과 글쓰기는 연구자의 몫입니다.
논문을 올리면 어떤 일이 일어나나요?
PDF나 DOI를 첨부하면 원본을 그대로 보존한 채 텍스트·메타데이터를 추출하고, 연구 목적·방법·데이터·주장·근거·연구갭을 구조화(심층분석)합니다. 이 결과로 프로젝트를 만들어 후속 연구를 이어갈 수 있습니다.
아이디어 추천은 어떻게 동작하나요?
프로젝트에 모인 논문들을 함께 분석해 연구갭을 찾고, 검증 가능한 연구 아이디어 조합을 추천합니다. 각 아이디어는 근거·예측과 함께 제시되며, 아이디어를 보강하는 데 필요한 논문까지 이어서 추천받을 수 있습니다.
어떤 AI 모델을 사용하나요?
대화 중에 Claude·GPT·Gemini 등 최신 모델을 직접 선택할 수 있습니다. 모든 분석은 데이터를 학습에 남기지 않는 ZDR(Zero Data Retention) 계약 엔드포인트로만 처리됩니다.
내 연구 데이터는 어디에 저장되나요?
연구 데이터는 기본적으로 내 컴퓨터에 로컬 저장됩니다. 유료 플랜에서 클라우드 동기화를 켜면 기기 간 이어서 작업할 수 있고, 민감한 자료는 Local Vault로 지정해 동기화에서 제외할 수 있습니다.
어떤 연구 분야를 지원하나요?
특정 분야에 종속되지 않습니다. HCI·사회과학·컴퓨터과학 등 다양한 분야의 논문을 심층분석하며, 논문 검색은 OpenAlex·Semantic Scholar·CrossRef·PubMed·DBpia 5개 소스를 병렬 조회합니다.
대학·연구실 단위로 도입할 수 있나요?
네. Business 플랜으로 팀·기관 단위 도입을 지원합니다. 규모에 맞는 좌석과 맞춤 온보딩을 문의로 안내해 드립니다.