국가 R&D 데이터를 읽는 법

국가 R&D 데이터는 처음 보면 숫자보다 구조가 더 어렵습니다. 과제명, 사업명, 부처, 전문기관, 주관기관, 연구 기간, 연구비, 성과 항목이 한꺼번에 나오기 때문입니다. 그래서 이 글은 국가 R&D 데이터를 처음 읽는 독자가 어디서부터 봐야 하는지, 어떤 값을 서로 섞으면 안 되는지, 공공데이터를 글이나 의사결정 자료로 바꿀 때 무엇을 남겨야 하는지 설명합니다.

기준일은 2026년 6월 28일입니다. 이 글은 NTIS, IRIS, 공공데이터포털, KISTEP의 역할을 분리해 설명합니다. 실시간 전체 통계가 필요한 값은 단정하지 않고, 이 저장소에 있는 NTIS fixture 샘플을 이용해 읽는 방법만 보여 줍니다.

국가 R&D 데이터가 어려운 이유

첫 번째 이유는 단위가 많기 때문입니다. 사업은 여러 과제를 포함할 수 있고, 과제는 여러 기관이 참여할 수 있으며, 성과는 과제 종료 후에 뒤늦게 공개될 수 있습니다. 따라서 한 화면에 보이는 과제 수만으로 분야의 투자 규모를 판단하면 안 됩니다.

두 번째 이유는 같은 단어가 서로 다른 맥락에서 쓰이기 때문입니다. 예를 들어 "AI"라는 키워드는 기초 알고리즘 연구, 산업 적용, 인력양성, 장비 구축, 데이터 플랫폼 과제에 모두 들어갈 수 있습니다. 키워드가 같아도 사업 목적이 다르면 같은 흐름으로 묶기 어렵습니다.

세 번째 이유는 공공데이터가 완성된 해석을 제공하지 않기 때문입니다. 데이터는 값과 항목을 제공하지만, 그 값이 정책 의도인지, 집행 결과인지, 성과 신호인지는 독자가 구분해야 합니다. 좋은 R&D 데이터 글은 바로 이 구분을 도와야 합니다.

처음 볼 때 알아야 할 기본 용어

먼저 출처를 구분합니다. NTIS는 국가 R&D 과제와 성과 이력을 확인하는 출발점입니다. IRIS는 연구지원 공고와 접수 흐름을 확인하는 데 유용합니다. 공공데이터포털은 API 설명과 반복 조회 가능한 데이터셋을 확인할 때 봅니다. KISTEP은 국가 R&D 예산, 평가, 정책 분석의 맥락을 잡는 데 도움이 됩니다.

다음으로 값의 의미를 구분합니다. 과제 수는 활동량의 힌트입니다. 연구비는 투입 규모의 힌트입니다. 주관기관은 책임 수행 주체를 보여 줍니다. 참여기관은 협력 구조를 보여 줍니다. 성과 항목은 연구비 이후에 무엇이 남았는지 확인하는 단서입니다. 이 값들은 서로 바꿔 쓸 수 없습니다.

공고, 과제, 성과 순서로 읽기

가장 안전한 순서는 공고, 과제, 성과입니다. 공고는 앞으로 무엇을 하려는지 보여 줍니다. 과제는 실제로 어떤 기관이 어떤 기간 동안 수행했는지 보여 줍니다. 성과는 연구가 끝난 뒤 논문, 특허, 기술이전, 장비 활용, 표준화 같은 결과로 이어졌는지 보여 줍니다.

이 순서를 지키면 "최근 공고가 많다"와 "이미 연구비가 집행됐다"를 혼동하지 않습니다. 또한 "성과가 있다"와 "앞으로 지원이 늘어난다"도 분리할 수 있습니다. R&D 데이터 글에서 신뢰를 만드는 핵심은 이처럼 시점을 구분하는 데 있습니다.

샘플 데이터로 읽는 예시

이 저장소의 fixture에는 AI semiconductor reliability analysis platform이라는 샘플 과제 1건이 있습니다. 샘플의 기준연도는 2024년, 관리 부처는 Ministry of Science and ICT, 수행기관은 Sample Research Institute, 연구비는 12.5억 원입니다. 이 값은 실시간 전체 통계가 아니라 데이터 파이프라인이 어떤 항목을 읽는지 보여 주는 예시입니다.

이 샘플에서 바로 "AI 반도체 투자가 증가했다"고 말하면 안 됩니다. 한 건의 과제는 흐름의 증거가 아니라 읽기 연습의 재료입니다. 대신 다음처럼 해석합니다. 과제명은 기술 축을 알려 줍니다. 기준연도는 비교 시점을 알려 줍니다. 부처와 수행기관은 정책 자료와 기관 자료를 교차 확인할 후보를 알려 줍니다. 연구비는 과제 수만으로 판단하지 말아야 한다는 점을 보여 줍니다.

공공데이터 해석의 한계

공공데이터는 투명성을 높이지만 모든 답을 주지는 않습니다. 데이터셋마다 공개 시점, 항목명, 누락값, 정제 방식이 다를 수 있습니다. 또한 과제명에 들어간 키워드만으로 기술 분야를 확정하기 어렵습니다. 같은 과제가 여러 분야에 걸릴 수도 있고, 사업 목적과 실제 연구 내용이 다르게 보일 수도 있습니다.

따라서 글을 쓸 때는 한계를 함께 적어야 합니다. 실시간 API 키가 없어 최신 전체 통계를 확인하지 못했다면 그렇게 써야 합니다. 표본 데이터만 사용했다면 표본이라고 밝혀야 합니다. 공식 출처를 사용했더라도 해석은 편집자의 판단이라는 점을 분리해야 합니다. 이런 한계 고지는 글을 약하게 만드는 것이 아니라 신뢰를 높입니다.

API 저장물을 글 생성 입력으로 바꾸는 절차

국가 R&D 데이터를 콘텐츠로 만들 때 가장 위험한 방식은 API 응답을 바로 문장으로 바꾸는 것입니다. 응답 필드가 무엇을 뜻하는지 확인하지 않은 상태에서 "상위 기관", "투자 규모", "성과" 같은 표현을 쓰면 실제 데이터의 의미보다 큰 결론이 됩니다. 그래서 이 저장소는 API 응답을 바로 글에 넣지 않고, 네 단계의 저장물을 거칩니다.

첫째, 원본 응답을 보관합니다. raw-sample은 나중에 필드 해석이 틀렸는지 확인하는 기준입니다. 둘째, field-map.json으로 실제 응답 필드와 예시 값을 분리합니다. 셋째, normalized-preview.json에서 레코드 단위로 읽을 수 있는 형태를 만듭니다. 넷째, field-summary.json과 ntis-evidence-packet.json을 만들어 글 작성자가 쓸 수 있는 근거만 따로 추립니다.

이 절차가 있으면 글 생성 품질을 더 강하게 통제할 수 있습니다. 글 작성자는 "API에서 값이 나왔다"가 아니라 "어떤 스냅샷의 어떤 필드를 어떤 해석 범위로 사용했다"라고 말할 수 있습니다. 검색엔진 관점에서도 이런 문서는 얇은 자동 생성 문서보다 낫습니다. 독자가 원자료를 다시 확인할 수 있고, 기준일과 한계가 분명하며, 수치와 해석이 분리되어 있기 때문입니다.

좋은 공공데이터 글의 판단 기준

좋은 데이터 글은 숫자를 많이 담은 글이 아니라 독자가 판단을 덜 틀리게 하도록 돕는 글입니다. 국가 R&D 데이터에서는 특히 세 가지를 분리해야 합니다. 첫째, 원자료의 값입니다. 둘째, 그 값을 묶는 방법입니다. 셋째, 묶은 값에서 나온 편집자의 해석입니다. 이 세 가지가 섞이면 독자는 공식 데이터가 말한 것과 글쓴이가 추정한 것을 구분하기 어렵습니다.

예를 들어 특정 부처가 상위에 보인다고 해서 그 부처가 모든 분야에서 우선순위를 높였다고 단정할 수 없습니다. 검색식이 특정 분야에 맞춰져 있으면 당연히 특정 부처가 크게 보일 수 있습니다. 특정 기관이 자주 등장한다고 해서 그 기관의 전체 연구 역량이 높다고 단정할 수도 없습니다. 공개 과제 데이터는 공개된 국가 R&D 과제의 일부를 보여 줄 뿐이며, 기관 내부 연구와 비공개 과제는 빠질 수 있습니다.

따라서 API 기반 글은 결론을 강하게 만드는 대신 재검증 경로를 강하게 만들어야 합니다. 독자가 NTIS에서 같은 검색식을 다시 입력할 수 있는가, 공공데이터포털에서 같은 API 항목을 확인할 수 있는가, IRIS 공고나 부처 보도자료로 제도적 맥락을 교차 확인할 수 있는가가 중요합니다. 이 기준을 통과하면 같은 주제를 다루더라도 단순 자동 생성 글이 아니라 독자가 실제 판단에 사용할 수 있는 가이드가 됩니다.

국가 R&D 데이터를 더 깊게 보려면 반도체 분야 R&D 투자맵처럼 특정 분야에 적용해 보고, NTIS 과제검색으로 R&D 투자 흐름 검증하기처럼 검색식과 API 활용 순서를 함께 확인하는 것이 좋습니다.