대규모 언어 모델(LLM)의 발전은 자연어 생성의 품질을 높였지만, 그로 인해 교육, 정보 신뢰성, 모델 지속 가능성 등의 측면에서 AI 생성 텍스트의 오용 가능성도 커지고 있다. 기존의 탐지 방법은 분류 모델을 훈련하는 방식이지만, 자연어의 추상성과 다양성으로 인해 일반화에 한계가 있다. DetectGPT는 별도 모델 없이 텍스트를 변형하고, 해당 모델의 로그 확률 변화를 분석해 생성 여부를 판단하는 제로샷(Zero-shot) 탐지 기법이다. 하지만 기존 DetectGPT는 의미가 적은 기능어까지 무작위로 마스킹하기 때문에 탐지 신호가 약해질 수 있다. 본 연구에서는 KoNLPy 기반 품사 분석을 통해 명사, 동사, 형용사 등 의미 있는 단어를 선택적으로 마스킹하여 탐지 성능을 개선하는 방식을 제안한다. 이 방법은 LLaMA, Mistral, DeepSeek 등의 오픈소스 모델에 적용되며, 별도의 학습 없이도 효과적인 탐지를 가능하게 한다.