한 장으로 보는 구조

두 개의 고리로 움직입니다. 사람들의 질문이 대화 고리로 들어와 주제와 데이터가 쌓이고, 참여자는 기여 고리의 세 트랙(A 데이터 온톨로지 · B 가설과 분석 · C 서비스 개발) 중 하나로 그 위에 쌓습니다.

대화 고리 · 질문이 쌓이는 길

01질문

사이트 대화창에 궁금한 정책을 적는다

site/ask.js
02정리

주제·데이터·조심할 점·계획 초안을 함께 만든다

catalog/ · 가이드/AI 모드
03제안

대화가 GitHub 이슈가 된다 (라벨 from-site)

.github/ISSUE_TEMPLATE/site-question.yml
04반영

검토 후 카탈로그·케이스 PR로 들어가고 순위가 갱신된다

scripts/refresh_trends.py

기여 고리 · 세 트랙이 이어지는 길

01A. 계보

이슈 → 정책(법제처 자동 수집) → 원천 데이터 → 가공 → 지표를 잇는다

catalog/lineage/<내ID>-<주제>.yaml
02B. 분석

가설과 계획을 먼저 커밋하고, 규칙이 고른 방법으로 효과를 추정·반증한다

cases/<내ID>-<주제>/ · core/estimators
03공개 API

주제·데이터·계보·판정·추정치가 매일 JSON으로 공개된다

site/api.py → api/*.json
04C. 서비스

공개 API를 읽는 웹·앱이 사이트의 /apps/ 에서 열린다

apps/<내ID>-<서비스>/

네 개의 층

위에서 아래로 부릅니다. AI는 화면(대화)과 에이전트(글쓰기)에서만 돕고, 분석 엔진에는 들어가지 않습니다.

화면

누가 보나
대화창
가이드 모드(키 없이) · 내 AI 키 모드
요즘 궁금한 주제
사이트 질문 수 · 검색 관심도 순위
주제 · 이슈 · 데이터 지도
정적 페이지, 누구나

에이전트

순서대로 실행
① 계획 확인
plan.yaml 검증 + 커밋 확인
② 수집 · ③ 정리
데이터 받기, 품질 점검
④ 계산
규칙이 고른 방법으로
⑤ 점검 · ⑥ 리포트
과장 차단, 재현 기록

분석 엔진

AI 없이 계산만
계획 양식
core/schema
추정
이중차분 · 단절 시계열
추론
무작위화 추론(정책 지역 소수)
판정
근거 있음 · 크기 판별 못함 · 판단 불가

데이터 지도

무엇을 어디서
주제 · 이슈
topics.yaml · issues.yaml
데이터셋
역할 · 단위 · 받는 법 · 이용 조건
법령 온톨로지
근거 법률 → 연혁 · 체계도 · 지정/해제 이력
수집기
국토부 · KOSIS · 법제처 · 파일

GitHub Actions가 옆에서 돕습니다: 코드 검사 · 매일 순위 갱신과 사이트 공개 · 조례 수집(키가 있을 때).

무엇이 더 필요한가

지금 구조를 끝까지 돌리려면 아래가 필요합니다. 비밀값은 레포에 적지 않고 Settings → Secrets에만 넣습니다.

무엇왜누가 · 어디에상태
법제처 OC 인증값법령 온톨로지 매일 갱신, 매주 변경 알림. 첫 스냅샷은 커밋해 두었다운영진 · 레포 Secrets(LAW_OC)등록 대기
공공데이터포털 인증키실거래가 등 실제 데이터로 분석 (지금 예시는 시뮬레이션)참여자 각자 · .env각자 신청
네이버 검색어트렌드 키순위의 검색 관심도, '미리 반응했나' 점검. 새 키는 NAVER API HUB에서 발급운영진 · 레포 Secrets선택
모두가 쓰는 AI 대화지금은 본인 키가 있어야 AI 모드. 권장: 구성원은 이슈에서 @claude로 답을 받고(GitHub Actions), 공개 방문자용 중계 서버는 필요할 때만운영진 결정결정 필요
사이트 질문 · 법령 변경 검토올라온 질문과 law-change 이슈를 보고 catalog·케이스에 PR로 반영구성원 모두 · 모임 전정함
공공데이터포털 검색 전환지금 검색은 웹 페이지를 읽는 방식. 공식 목록 API로 바꾼다개발다음
시차 도입 이중차분 · 합성통제지역마다 시작일이 다르거나 정책 지역이 한두 곳인 이슈개발 · 준비 중 (11.1 이후 계속)다음

질문과 결정

과정 목표를 코드로 옮기면서 부딪힌 질문 11개와, 어떤 근거로 답했는지입니다.

1

문제를 데이터로 정의하고 효과를 추정

공공·사회 문제의 해법이 실제로 효과를 냈는지

2

전 과정을 AI 에이전트로 자동화

수집 → 지표 정리 → 효과 추정 → 리포트

3

누구나 바로 쓰는 오픈소스

GitHub와 분석 사이트로 공유

질문 01

소셜 반응으로 무엇을 정하나?

근거 · 출발 키트: 화제가 된 정책만 고르면 결과를 보고 사례를 고르는 셈이 되어 효과가 부풀려진다

→ 소셜 반응은 주제까지만 정한다. 순위도 주제를 고르는 데만 쓰고, 분석은 그 주제의 정책 전체로

catalog/topics.yaml · core/discovery

질문 02

대화창의 AI는 어떻게 부르나?

근거 · 사이트는 서버가 없는 GitHub Pages다. 공용 키를 사이트에 넣으면 누구나 볼 수 있다

→ 키 없이도 되는 가이드 모드가 기본. AI 대화는 사용자가 자기 키를 넣으면 브라우저가 직접 부르고, 키는 저장하지 않는다

site/ask.js

질문 03

대화를 어떻게 오픈소스에 반영하나?

근거 · 대화가 브라우저 안에만 있으면 쌓이지 않는다. 반대로 자동 저장하면 개인정보 위험이 있다

→ 사용자가 직접 누를 때만 GitHub 이슈로 올린다. 사람이 검토해 카탈로그·케이스 PR로 넣는다

site-question.yml · CONTRIBUTING.md

질문 04

순위는 무엇으로 매기나?

근거 · 지어낸 인기도는 신뢰를 깎는다. 확인 가능한 신호만 쓴다

→ 최근 30일 사이트 질문 수 → 네이버 검색 관심도(키가 있을 때, 값은 공개하지 않고 순서에만) → 최근 시행·발표일. 쓴 기준을 화면에 적는다

scripts/refresh_trends.py

질문 05

필요한 데이터를 어떻게 정리하나?

근거 · 효과를 재려면 '누가 언제 받았나', '무엇이 변했나', '다른 요인' 세 종류가 모두 있어야 한다

→ 데이터셋마다 역할·단위·받는 법·이용 조건을 붙여 데이터 지도로 관리한다

catalog/datasets.yaml · core/discovery/ontology.py

질문 06

정책이 바뀌면 관련 법령을 어떻게 다 가져오나?

근거 · 출발 키트: 법제처 API는 무료이고 '어느 지역이 언제부터'가 나온다. 연혁·체계도·행정규칙까지 같은 키로 조회된다

→ 주제마다 근거 법률과 행정규칙 이름만 적으면 수집기가 연혁·하위 규정·조례·지정/해제 공고를 모두 모으고, 매주 바뀐 것을 이슈로 알린다

core/adapters/legal.py · scripts/refresh_legal.py · watch_legal.py

질문 07

법령 개정일을 바로 처치 시점으로 써도 되나?

근거 · 개정 대부분은 분석 중인 정책과 무관하고, 지자체 공고·행정지도는 법령 DB에 없다

→ 법령 목록은 후보다. 시행일·대상을 공식 발표로 확인한 뒤 사람이 events에 옮긴다

catalog/topics.yaml events

질문 08

AI에게 어디까지 맡기나?

근거 · 인과 판단을 AI에 맡기면 과장 위험이 크다. 비슷한 오픈소스(CAIS)도 규칙으로 방법을 고른다

→ AI는 주제 찾기와 글쓰기만. 방법은 데이터 모양을 보고 규칙이, 숫자는 검증된 라이브러리가 계산

core/estimators · core/agent/guard.py

질문 09

결과를 보고 계획을 바꾸면?

근거 · 공공 평가 기관의 사전 등록 관행(미국 GSA OES, 세계은행 DIME)

→ plan.yaml을 git에 커밋해야 계산 단계가 실행된다

core/agent/nodes.py

질문 10

정책 지역이 몇 곳뿐이면?

근거 · 토허구역 예시는 25개 구 중 4개. 기존 방식은 추세 차이가 없어도 50~80% '차이 있음'으로 판정했다

→ 정책 지역이 10곳 미만이면 무작위화 추론으로 자동 전환

core/estimators/ri.py

질문 11

누구나 보려면 어디에 공개하나?

근거 · 출발 키트: Streamlit은 서버가 켜져 있어야 한다. 서버 없이 GitHub Pages로도 된다

→ GitHub Actions가 매일 사이트를 만들어 Pages로 공개한다. Streamlit은 개발용

site/ · .github/workflows/pages.yml

폴더 안내

참여자는 cases/의 내 폴더와 catalog/만 고치면 됩니다.

폴더하는 일누가 고치나
catalog/lineage/트랙 A: 데이터 계보 (<내ID>-<주제>.yaml)파일 주인
cases/트랙 B: 분석 폴더 (<내ID>-<주제>, _template에서 시작)폴더 주인
apps/트랙 C: 서비스 (<내ID>-<서비스>, _template에서 시작)폴더 주인
catalog/주제 · 이슈 · 데이터셋 목록 (데이터 지도)누구나 (PR)
site/이 사이트 · 대화창(ask.js) · 공개 API(api.py) · 트랙 페이지(tracks.py)메인테이너
scripts/법령 · 조례 · 순위 갱신, 법령 변경 감지, 라이선스 · 활동 확인메인테이너
core/discovery/소셜 반응 → 주제 → 정책 · 데이터, 데이터 계보 검사·그래프(lineage.py)메인테이너
core/adapters/공공데이터 · 법제처(법령 온톨로지) 수집기메인테이너
core/schema/분석 계획(plan.yaml) 규칙메인테이너
core/estimators/효과 계산 · 점검 · 판정메인테이너
core/agent/6단계 실행, 과장 차단메인테이너

지금 상태

완성

대화창(가이드 · 내 AI 키) · 대화 → 이슈 · 주제 순위 · 데이터 지도 · 법령 온톨로지(7개 주제, 3,500여 건) · 6단계 실행 · 계획 커밋 확인 · 이중차분/단절 시계열 · 무작위화 추론 · 과장 차단 · 사이트 자동 공개

키 대기

국토부 실거래가(토허구역 예시는 지금 시뮬레이션) · 법제처 매일 갱신(LAW_OC) · 검색 관심도(선택)

다음

시차 도입 이중차분(4주차) · 합성통제(5주차) · 검색량으로 '미리 반응했나' 점검

관련 오픈소스와의 관계

비슷한 프로젝트와 겹치거나 부딪히는 부분이 있는지 확인했습니다. 라이선스 충돌은 없고, 서로 보완하는 관계입니다. GPL·AGPL 코드는 필수 의존성으로 가져오지 않습니다.

프로젝트무엇을우리와의 관계라이선스
CAIS (causal-agent)자연어 인과 질문 → 방법 선택 → 추정방법 선택 규칙을 참고. 한국 공공데이터·사전 등록은 없음MIT
Causal-CopilotLLM 인과 분석 에이전트보완 관계. 우리는 한국 공공데이터·사전 등록에 집중MIT
korean-law-mcp법제처 API를 AI 도구(MCP)로 묶은 서버. 인용 검증 · 시점별 법령법령 조회가 겹침. 참여자가 Claude로 법령을 탐색할 때 쓰면 좋음. 우리 수집기는 재현용 스냅샷·변경 감지·효과 추정 연결에 집중MIT
PublicDataReader · kpubdata공공데이터 API 파이썬 래퍼필요하면 수집기로 가져다 쓸 수 있음MIT
data-go-mcp-servers공공데이터포털 MCP 서버AI 도구 연결 시 후보Apache-2.0
PolicyEngine · OpenFisca세금·복지 제도 시뮬레이터목적이 다름(사전 시뮬레이션). AGPL이라 코드 가져오지 않음AGPL-3.0
hollobit/PAX공공 AI 도입 사례 아카이브화면 구성만 참고. 라이선스 표기가 없어 코드·글은 가져오지 않음표기 없음
국회예산정책처 · 기획재정부 평가공식 재정사업 평가우리 결과는 공식 평가가 아니며 그렇게 보이지 않게 표시—

대화가 오픈소스가 되는 길

여기서 나눈 질문이 새 주제·새 데이터·새 분석으로 쌓입니다. 없던 공공데이터 정책 분석을 함께 만드는 방식입니다.

01대화

궁금한 정책을 적으면 주제·데이터·조심할 점·분석 계획 초안을 함께 정리합니다.

02제안

'제안으로 올리기'를 누르면 대화가 GitHub 이슈로 올라갑니다. 로그인만 있으면 됩니다.

03검토

메인테이너·참여자가 이슈를 보고 새 주제·데이터셋은 카탈로그에, 분석은 케이스 폴더에 PR로 넣습니다.

04반영

합쳐지면 사이트가 다시 만들어집니다. 올라온 질문 수는 '요즘 궁금해하는 주제' 순위가 됩니다.

이렇게 확인합니다

효과를 추정하는 한 바퀴(트랙 B의 Cycle)입니다. 1~2단계의 재료는 트랙 A의 데이터 계보가, 6단계의 결과는 트랙 C의 서비스가 이어받습니다.

01찾기

대화창이나 지금 이슈에서 사람들이 궁금해하는 주제를 고릅니다

트랙 A · B
02모으기

그 주제의 정책과 데이터를 전부 모으고 계보로 잇습니다

트랙 A
03거르기

세 가지를 확인합니다. 언제 시작했나 · 누가 받았나 · 무엇으로 재나

트랙 A · B
04계획하기

데이터를 보기 전에 가설과 분석 계획을 먼저 적어 둡니다

트랙 B
05비교하기

정책을 받은 곳과 안 받은 곳의 변화를 비교합니다

트랙 B
06말하기

효과 근거 있음 · 크기를 판별하지 못함 · 판단 불가 중 하나로 쓰고, 결과는 API로 공개됩니다

트랙 B → C

왜 주제 단위로 보나

화제가 된 정책 하나만 골라 분석하면, 결과를 보고 사례를 고르는 것과 같아집니다.

피하는 방식 화제가 된 정책만 분석

  • 조용했지만 효과가 컸던 정책이 빠집니다
  • 화제가 되면 신청이 늘어 효과가 부풀려집니다
  • 시행 전부터 화제였다면 사람들이 미리 움직여 비교가 흔들립니다

우리 방식 화제는 출발점으로만

  • 화제는 어느 주제를 볼지만 정합니다. 순위도 주제를 고르는 데만 씁니다
  • 그 주제의 정책을 전부 모아 비교합니다
  • 검색량·기사 수는 '미리 반응했나'를 점검하는 데 다시 씁니다

믿을 수 있게 만드는 장치

1

계획을 먼저 적는다

분석 계획을 커밋하지 않으면 계산 단계가 실행되지 않습니다.

2

AI는 돕기만 한다

AI는 주제 찾기와 글쓰기를 돕고, 분석 방법은 규칙이, 숫자는 검증된 라이브러리가 계산합니다.

3

작은 표본도 정직하게

정책 지역이 10곳 미만이면 가짜 정책 지역을 수백 번 뽑아 비교하는 방식으로 바꿉니다.

4

과장하지 않는다

근거가 부족하면 "입증", "때문에" 같은 말을 리포트에서 자동으로 막습니다.

5

출처를 붙인다

모든 데이터셋에 제공 기관, 이용 조건, 확인한 날짜를 적습니다.

6

한계를 숨기지 않는다

시뮬레이션, 키 대기, 확인 필요 상태를 배지로 그대로 보여줍니다.