본 논문은 기능적 프로그래밍을 활용하여 자동화된 연구 시스템(AI-Scientist)에서 통계적 엄격성을 구조적으로 강화하는 방법을 제시합니다. LLM(Large Language Model) 기반 시스템은 동적 가설 검정을 통해 잘못된 발견을 생성할 위험이 있으므로, 연구 모나드(Research monad)라는 Haskell eDSL을 도입하여 순차적 통계 프로토콜(예: 온라인 FDR(False Discovery Rate) 제어)을 적용합니다. 또한, LLM이 명령형 코드를 생성하는 하이브리드 아키텍처의 위험을 해결하기 위해, 선언적 스캐폴딩(Declarative Scaffolding)을 사용하여 실행을 구조적으로 제한하고 데이터 유출과 같은 방법론적 오류를 방지합니다. 대규모 시뮬레이션(N=2000 가설) 및 최종 사용자 사례 연구를 통해 이 접근 방식을 검증하여 자동화된 과학 무결성에 대한 필수적인 방어-심층 전략을 보여줍니다.
