핵심 수치
이 페이지에서 표 하나만 가져가야 한다면, 이 표를 가져가세요.
| 통계 | 수치 | 출처 |
|---|---|---|
| 단독 기법으로서 하이라이팅의 유용성 평가 | "낮은 유용성" | Dunlosky et al., 2013, Psychological Science in the Public Interest |
| 문서 내에서 개인이 군중 대비 추가하는 예측 신호 | ≈ +0.017 AUC | Glasp Research, Paper I (arXiv:2606.09024) |
| 대신 문서 선택에서 나타나는 개인화 이득 | ≈ +0.13 | Glasp Research, Paper II (arXiv:2606.10398) |
| 6개월 시점 독자 선택 프로필의 수년 뒤 유지율 | R = 1.003 (감지 가능한 감쇠 없음) | Glasp Research, Paper V (arXiv:2606.12904) |
| 성인의 논픽션 평균 묵독 속도 | ≈ 분당 238단어 | Brysbaert, 2019 메타분석 |
| 화면 전환 전 한 화면에 머무는 평균 주의 시간 | ≈ 47초 | Gloria Mark, UC Irvine |
| 평가 과제에 생성형 AI를 사용하는 영국 학부생 (2026) | 94% | HEPI / Kortext Student Generative AI Survey 2026 |
이 수치들 각각에는 뒷이야기가 있고, 그중 몇 개는 널리 잘못 인용되고 있습니다. 아래 섹션들이 그 맥락을 제공합니다.
하이라이팅은 효과가 있는가: 실험실 연구가 말하는 것
하이라이팅에 대한 가장 많이 인용되는 판결은 Psychological Science in the Public Interest에 실린 Dunlosky와 동료들의 2013년 모노그래프에서 나왔습니다. 이 리뷰는 인기 있는 학습 기법 10가지를 검토했습니다. 하이라이팅과 밑줄 긋기는 다시 읽기, 요약하기와 함께 리뷰의 최저 등급인 "낮은 유용성"을 받았습니다. 연습 시험과 분산 연습이 최고 점수를 받았습니다.
이 발견이 인용될 때 보통 두 가지 세부 사항이 사라집니다.
첫째, 이 등급의 근거가 된 연구들은 하이라이팅을 수동적인 일회성 활동으로 테스트했습니다. 몇 줄에 표시하고, 나중에 다시 읽고, 시험을 보는 방식입니다. 그런 조건에서는 텍스트에 표시하는 것이 그냥 읽기보다 나을 것이 거의 없습니다. 이 리뷰는 하이라이트가 이후의 인출 연습, 노트, 간격 복습으로 이어지는 더 큰 시스템 안의 수집 단계로서의 하이라이팅은 테스트하지 않았습니다.
둘째, 이 리뷰는 하이라이팅이 추론 문제에서는 오히려 성적을 해칠 수 있으며, 효과는 주로 표시가 선택적일 때 나타난다는 것을 발견했습니다. 문단 전체에 표시하는 것은 무엇이 중요한지 결정하는 수고를 뇌에게 면제해 주는데, 학습은 바로 그 결정에서 일어납니다. 선택성이 유효 성분이며, 이 점은 하이라이팅의 과학에서 자세히 풀어냅니다.
그러므로 실험실 문헌을 정직하게 읽으면 결론은 좁습니다. 하이라이팅 단독으로는 오래가는 학습을 만들지 못하지만, 액티브 리콜과 복습으로 들어가는 정문으로서의 하이라이팅은 별개의, 대체로 검증되지 않은 활동입니다.
사람들은 실제로 어떻게 하이라이팅하는가: 수백만 개 하이라이트의 데이터
실험실 연구는 보통 수십 명의 학생이 몇 개의 지문을 읽는 것을 관찰합니다. Glasp는 1,000,000명이 넘는 사용자와 수백만 개의 하이라이트를 가진 소셜 하이라이팅 플랫폼을 운영하며, 그 행동 데이터에 대한 동료 심사 제출 연구를 발표하고 있습니다. 전체 시리즈는 Glasp Research 페이지에 있으며, 여기서는 세 가지 발견이 가장 중요합니다.
사람들이 문서 안에서 표시하는 것은 대부분 공유됩니다. 같은 문서를 읽는 독자들 사이에서 하이라이트는 같은 구절에 몰립니다. 군중이 무엇을 표시했는지만 아는 모델이 그 개인에 맞춰 조정된 모델과 거의 같은 수준으로 개인의 다음 하이라이트를 예측합니다. 문서 내에서의 개인 향상분은 미미해서 약 +0.017 AUC입니다 (Paper I, arXiv:2606.09024).
개인성은 문서 선택에 살아 있습니다. 같은 모델링에서 어떤 사람이 애초에 어떤 문서에 관여할지를 예측할 때는 훨씬 큰 이득, 대략 +0.13이 나타납니다 (Paper II, arXiv:2606.10398). 쉽게 말해, 여러분은 무엇에 밑줄을 긋는가에서 특별한 것이 아니라, 무엇을 읽기로 결정하는가에서 특별합니다.
독자들은 파벌을 이루지만, 오직 문서 안에서만입니다. 논쟁적인 텍스트에서 독자들은 서로 다른 영역에 표시하는 뚜렷한 하위 집단으로 갈라지며, 통계적 분리가 강합니다 (z ≈ +6.3). 그러나 그 파벌의 소속은 한 문서에서 다음 문서로 거의 이어지지 않습니다 (Paper III, arXiv:2606.11613). 무엇이 중요한지에 대한 의견 차이는 실재하지만, 그것은 상황적인 것이지 정체성이 아닙니다.
하이라이트는 예측할 수 있는가
같은 시리즈의 두 가지 추가 결과가 실용적인 질문에 답합니다.
콜드 스타트 예측은 롱테일에서 작동합니다. 아직 독자가 없는 완전히 새로운 문서에 대해, 훈련된 모델은 군중이 결국 어떤 구절을 하이라이트할지 예측할 수 있으며, "사람들은 도입부를 하이라이트한다"는 강력한 베이스라인을 평균 정밀도 기준 약 +0.04 차이로 이깁니다. 이 우위는 롱테일, 즉 단순한 휴리스틱이 실패하는 덜 인기 있는 구절들에 집중됩니다 (Paper IV, arXiv:2606.11654).
읽기 정체성은 오래갑니다. 독자의 첫 6개월 이후에 고정한 관심사 프로필은 수년 뒤의 문서 선택을 측정 가능한 감쇠 없이 예측합니다. 쌍대 유지 비율은 1.003이고, 고정된 프로필은 다음 문서 예측에서 인기도 베이스라인을 여전히 3 대 1 이상으로 이깁니다 (Paper V, arXiv:2606.12904). 여러분의 읽기 취향은 기분이 아니라 특성처럼 행동합니다.
개인 지식 관리 시스템을 만드는 사람에게 이 마지막 수치는 조용히 고무적입니다. 오늘 수집한 관심사가 2년 뒤에도 여전히 여러분을 설명해 주므로, 여러분이 쌓는 라이브러리는 만료되는 대신 복리로 불어납니다.
읽기 속도와 주의력: 하이라이팅을 둘러싼 맥락
하이라이팅 통계는 사람들이 어떻게 읽는가라는 배경 위에서만 의미가 통합니다.
읽기 속도. 가장 신중한 추정치는 190개 연구를 대상으로 한 Brysbaert의 2019년 메타분석에서 나옵니다. 성인은 논픽션을 평균 약 분당 238단어로 묵독하며, 개인차는 큽니다. 평범한 독자가 이해력 손실 없이 그 속도를 세 배로 올릴 수 있다는 주장은 검증을 통과하지 못했습니다.
주의력. UC Irvine의 Gloria Mark가 수행한 화면 주의력 연구는 지식 노동자들을 거의 20년에 걸쳐 추적했습니다. 하나의 화면에 머무는 평균 주의 시간은 2004년의 약 2분 30초에서 최근 몇 년 사이 약 47초로 떨어졌습니다. 반면 그 유명한 "금붕어보다 짧은 8초 주의 지속 시간" 통계는 추적 가능한 1차 출처가 없으며 신화로 취급하는 것이 가장 좋습니다. 이 문제는 주의 지속 시간 위기에서 파고듭니다.
종합하면, 5,000단어짜리 기사는 평균적인 독자에게 점점 더 파편화되는 약 20분의 주의를 요구합니다. 좋은 하이라이트 레이어는 그 투자 중 일부라도 다음 탭 전환에서 살아남게 하는 방법이며, 이것이 수집 단계를 마찰 제로로 유지해 주는 웹 하이라이터 같은 도구의 실용적 근거입니다.
2026년의 AI와 학습
하이라이팅을 둘러싼 환경은 지난 30년보다 최근 3년 동안 더 빠르게 변했습니다.
HEPI / Kortext Student Generative AI Survey 2026은 영국 학부생에 대해 수치를 제시합니다. 94%가 이제 어떤 형태로든 평가 과제에 생성형 AI를 사용하며, 이는 2025년의 88%, 2024년의 53%에서 오른 것입니다. AI가 생성한 텍스트를 평가 과제에 그대로 붙여 넣는 비율은 12%에 도달했으며, 전년의 8%에서 상승했습니다.
실험실 문헌은 이 변화를 아직 따라잡지 못했고, 정직한 통계적 진술은 학습 효과에 대한 장기 증거가 아직 없다는 것입니다. 위의 행동 데이터가 시사하는 것은 분업입니다. AI는 문서가 무엇을 말하는지 압축하는 데 가장 강하고, 여러분의 하이라이트는 AI가 알 수 없는 유일한 것, 즉 여러분에게 무엇이 중요했는가를 기록합니다. AI YouTube 요약 도구의 요약은 어떤 자료가 주의를 기울일 가치가 있는지 알려 주고, 여러분의 하이라이트는 그 주의를 실제로 기울였다는 잔여물입니다.
이 통계가 여러분의 학습 시스템에 의미하는 것
수치들을 함께 읽으면 하이라이터에 대한 찬반 판결이 아니라 특정한 작업 방식이 보입니다.
- 선택적으로 하이라이트하고, 그다음 그것으로 무언가를 하세요. "낮은 유용성" 등급은 표시하고 다시 읽기에 붙는 것입니다. 증거로 뒷받침되는 기법인 인출 연습과 간격 두기는 원재료가 필요하고, 하이라이트는 그것을 모으는 가장 저렴한 방법입니다.
- 노력을 선택에 쓰세요. 데이터는 개인성이 사는 곳이 문서 선택이라고 말합니다. 표시 스타일을 완벽하게 다듬는 것보다 읽기 큐에 무엇이 들어오는지 큐레이션하는 것이 더 중요합니다.
- 라이브러리가 잘 숙성될 것을 믿으세요. 읽기 정체성은 수년에 걸쳐 안정적이므로 오늘 수집한 하이라이트는 가치를 유지합니다. Kindle 하이라이트를 노트 앱으로 내보내든, AI 어시스턴트가 하이라이트를 검색하게 해 주는 연결된 MCP 설정이든, 영구적인 곳으로 내보내세요.
- 파편화된 주의를 전제하세요. 화면 주의가 1분 미만인 상황에서, 길고 끊기지 않는 세션을 요구하는 시스템은 설계부터 실패합니다. 수 초 안에 수집하고, 수 분 안에 복습하세요.
자주 묻는 질문
하이라이팅은 시간 낭비인가요?
단독으로는 대체로 그렇습니다. Dunlosky 리뷰는 표시하고 다시 읽기를 "낮은 유용성"으로 평가했습니다. 인출 연습, 간격 복습, 노트로 이어지는 수집 단계로서는 그 비판이 더 이상 적용되지 않습니다. 그 등급의 근거가 된 연구들은 그런 워크플로를 테스트하도록 설계되지 않았기 때문입니다.
학업에 AI를 사용하는 학생의 비율은 얼마나 되나요?
HEPI / Kortext 2026 설문은 영국 학부생의 94%가 어떤 형태로든 평가 과제에 생성형 AI를 사용한다는 것을 발견했으며, 이는 2025년의 88%, 2024년의 53%에서 오른 것입니다. AI가 생성한 텍스트를 평가 과제에 직접 포함하는 비율은 12%입니다.
평균적인 사람은 얼마나 빨리 읽나요?
190개 연구를 대상으로 한 Brysbaert의 2019년 메타분석에 따르면 논픽션 묵독 기준 약 분당 238단어입니다. 픽션은 약간 더 빠르고, 큰 개인차는 정상입니다.
사람들은 같은 부분을 하이라이트하나요?
대체로 그렇습니다. Glasp가 발표한 연구는 문서 내에서 개인의 하이라이트가 군중이 이미 표시한 것 위에 약 +0.017 AUC의 예측 신호만 더한다는 것을 발견했습니다. 개인성은 어떤 줄을 고르는가가 아니라 어떤 문서를 선택하는가에서 나타납니다.
이 하이라이팅 통계는 어디서 나온 것인가요?
실험실 발견은 동료 심사를 거친 심리학 연구, 주로 Dunlosky et al. (2013)에서 나왔습니다. 행동 발견은 Glasp가 자체 플랫폼 데이터에 대해 발표한 연구 시리즈에서 나왔으며, 코드와 재현성 번들과 함께 glasp.co/research와 arXiv에서 확인할 수 있습니다.
결론
하이라이팅에 관한 통계는 오래된 논쟁을 둘로 갈라서 해소합니다. 텍스트에 표시하고 다시 읽는 것은 가르치는 것이 거의 없다는 점에서 실험실이 옳습니다. 하이라이트가 결코 잡음이 아니라는 점에서 행동 데이터가 옳습니다. 하이라이트는 예측할 수 있을 만큼 일관되고, 오래가는 읽기 정체성을 정의할 만큼 안정적이며, 정확히 무엇에 붙어 있는가에서 개인적입니다. 도구는 애초에 문제가 아니었습니다. 빠져 있던 것은 두 번째 단계였습니다.
이 페이지 뒤의 수치들이 궁금하다면, 여기 인용된 모든 Glasp 연구는 데이터와 코드와 함께 glasp.co/research에 공개되어 있습니다. 그리고 여러분 자신의 읽기가 흔적을 남기기 시작하기를 원한다면, 그 수백만 개의 하이라이트가 나온 곳이 바로 Glasp입니다.