본 논문은 체계적 문헌 고찰(SR)에서 주요 병목 현상인 전문 스크리닝을 해결하기 위해 퍼지 논리 기반의 확장 가능하고 감사 가능한 파이프라인을 제시한다. 기존의 이분법적 포함/제외 기준 대신, 포함/제외를 퍼지 의사결정 문제로 재구성하여, 문헌을 중복되는 청크로 나누고 도메인 적응 모델로 임베딩한다. 각 기준(Population, Intervention, Outcome, Study Approach)에 대해 대조적 유사도(포함-제외 코사인)와 모호성 여유를 계산하고, Mamdani 퍼지 컨트롤러를 사용하여 다중 레이블 설정에서 동적 임계값을 갖는 등급화된 포함 정도로 매핑한다. 대규모 언어 모델(LLM)은 강조 표시된 구간을 3차 레이블, 신뢰도 점수 및 기준 참조 근거와 함께 판정하며, 증거가 불충분한 경우 제외하는 대신 퍼지 멤버십을 감소시킨다. POPCORN(비전염성 질환을 위한 인구 건강 모델링 합의 보고 네트워크)의 긍정적 골드셋(16개 전문; 3,208개 청크)을 대상으로 한 파일럿 연구에서 제안된 퍼지 시스템은 높은 재현율(Population 81.3%, Intervention 87.5%, Outcome 87.5%, Study Approach 75.0%)을 달성하여 통계적 및 명확한 기준선을 능가했다. 모든 기준 충족에 따른 논문 포함률은 50.0%로 기준선(25.0%, 12.5%)보다 높았으며, 스크리닝 시간은 약 20분에서 1분 미만으로 단축되었고 비용도 크게 절감되었다. 결론적으로 퍼지 논리, 대조적 강조 표시 및 LLM 판정을 결합한 시스템은 높은 재현율, 안정적인 근거 및 종단 간 추적성을 제공한다.
